基于競爭粒子群算法的云計算資源調(diào)度策略

王鎮(zhèn)道，張一鳴?，石雪倩

（1.湖南大學(xué) 物理與微電子科學(xué)學(xué)院，湖南 長沙 410082；2.湘投云儲科技有限公司，湖南 長沙 410205）

云計算（Cloud Computing）是繼分布式計算（Distributed Computing）、并行處理（Parallel Computing）、網(wǎng)格計算（Grid Computing）等之后計算模式的最新發(fā)展[1].云計算通過將各種互聯(lián)的計算、存儲、數(shù)據(jù)、應(yīng)用等資源進(jìn)行有效整合來實現(xiàn)多層次的虛擬化與抽象，用戶只需要連接上網(wǎng)絡(luò)即可方便使用云計算強(qiáng)大的計算和存儲能力.虛擬化技術(shù)是云計算中的關(guān)鍵技術(shù)之一[2].通過虛擬化技術(shù)，單個服務(wù)器可以支持多個虛擬機(jī)運(yùn)行多個操作系統(tǒng)和應(yīng)用，從而大大提高服務(wù)器的利用率，通過虛擬化為應(yīng)用提供了靈活多變、可擴(kuò)展的平臺服務(wù)，用戶租賃滿足其需求的資源，并動態(tài)運(yùn)行廣泛的應(yīng)用程序，由此可以看出云計算的核心問題是資源管理[3].考慮到云計算環(huán)境的動態(tài)性、海量數(shù)據(jù)、異構(gòu)性、任務(wù)規(guī)模大等問題，云計算分布式系統(tǒng)上的資源調(diào)度是NP-hard 問題.對于求解計算時間長、復(fù)雜度高的問題，求解的算法主要有群智能優(yōu)化算法.例如模擬退火算法、遺傳算法、粒子群優(yōu)化算法、蛙跳算法等[4-7]運(yùn)用在資源調(diào)度問題中取得了較好的效果，由于群智能算法在解決調(diào)度問題上的優(yōu)異表現(xiàn)，因此被日益重視，但這些算法普遍存在對參數(shù)依賴度高、尋優(yōu)效果不理想或者穩(wěn)定性差等問題，且當(dāng)優(yōu)化問題存在大量局部最優(yōu)解或為高維時，容易出現(xiàn)過早收斂.這就導(dǎo)致隨著云計算調(diào)度任務(wù)規(guī)模的越來越大，這些算法在大規(guī)模任務(wù)調(diào)度問題上整體性能下降，極易陷入“維數(shù)災(zāi)難”.

競爭粒子群算法（Competitive Particle Swarm Optimization，CSO）[8]通過引入成對的競爭機(jī)制實現(xiàn)粒子更新，不僅實現(xiàn)簡單，而其在解決高維問題方面性能優(yōu)越，已經(jīng)被應(yīng)用于解決大規(guī)模優(yōu)化問題.文獻(xiàn)[9]提出利用競爭粒子群算法進(jìn)行電網(wǎng)調(diào)度，表現(xiàn)出了優(yōu)于同類算法的性能；文獻(xiàn)[10]提出將二進(jìn)制編碼與競爭粒子群算法結(jié)合來解決電動車充電樁的需求管理問題，改進(jìn)后的算法展現(xiàn)了在解決大規(guī)模、負(fù)載電力系統(tǒng)調(diào)度問題方面的優(yōu)越性能；文獻(xiàn)[11]通過對競爭粒子群優(yōu)化算法的學(xué)習(xí)過程進(jìn)行簡化，然后將其應(yīng)用于解決燃料電池模型的參數(shù)辨識問題，結(jié)果證明該算法在精度、魯棒性、收斂性方面有很強(qiáng)競爭力.

本文在云計算資源調(diào)度中采用改進(jìn)的競爭粒子群算法（Improved Competitive Particle Swarm Optimization，ICSO）對資源進(jìn)行有效分配.首先通過對任務(wù)完成時間、系統(tǒng)負(fù)載均衡度、任務(wù)完成功耗建立約束函數(shù)以兼顧三個目標(biāo)的優(yōu)化.其次，在初始化操作中引入混沌映射，以改進(jìn)收斂速度和尋優(yōu)效率；引入自適應(yīng)高斯變異操作對勝利粒子位置進(jìn)行更新以提高算法搜索精度.仿真結(jié)果表明，本文算法在任務(wù)完成時間、任務(wù)執(zhí)行功耗以及系統(tǒng)的負(fù)載均衡之間取得較好的平衡，提高了在大規(guī)模任務(wù)下的云計算資源的利用率.

1 云計算任務(wù)調(diào)度

當(dāng)前云計算系統(tǒng)主要采用Map/Reduce 架構(gòu)模式，通過對用戶任務(wù)進(jìn)行分配來完成任務(wù)調(diào)度.具體來說，任務(wù)調(diào)度是指在云計算環(huán)境中根據(jù)任務(wù)和資源的實際情況，將任務(wù)分配或遷移到相應(yīng)資源上執(zhí)行的過程[12]，圖1 為云計算平臺中任務(wù)調(diào)度的一般過程.任務(wù)調(diào)度涉及了優(yōu)先權(quán)、執(zhí)行時間、完成時間、資源利用率、成本、能耗、網(wǎng)絡(luò)吞吐率以及公平性等優(yōu)化參數(shù)和測評指標(biāo)[13].任務(wù)調(diào)度策略不僅直接對任務(wù)執(zhí)行時間和成本產(chǎn)生作用，還會影響到整個云計算平臺的性能.

圖1 資源調(diào)度模型Fig.1 Resource scheduling model

1.1 云計算任務(wù)調(diào)度數(shù)學(xué)模型

在云計算資源環(huán)境中，設(shè)資源節(jié)點共有n 個，用集合v={v1，v2，v3，v4，…，vn}表示，其中vj（1 ≤j ≤n）表示第j 個虛擬資源節(jié)點，將任務(wù)劃分成m 個子任務(wù)，子任務(wù)表示為T={t1，t2，t3，t4，…，tm}，其中第i 個任務(wù)表示為ti（1 ≤i ≤m）.每個子任務(wù)分配到一個虛擬資源節(jié)點運(yùn)行，子任務(wù)分配到虛擬資源節(jié)點的情況可以用矩陣P 表示為：

式中：元素pji代表一個子任務(wù)ti和虛擬資源節(jié)點vj的對應(yīng)關(guān)系.當(dāng)子任務(wù)ti分配到vj時，pji=1，反之為0，即pji∈{0，1}.每個任務(wù)只能分配到某一個虛擬資源節(jié)點上執(zhí)行，所以有：

考慮到云計算平臺資源的異構(gòu)性，即不同的虛擬節(jié)點所具有的能力側(cè)重點不同，有些節(jié)點資源的運(yùn)算能力較強(qiáng)而帶寬較小，而有些節(jié)點資源的內(nèi)存較大而計算能力較弱等.基于以上特性，可以用（VC，VM，VB）表示虛擬機(jī)節(jié)點的資源能力，其中VC表示CPU 的運(yùn)算能力（每秒處理百萬級指令的能力），VM表示內(nèi)存的大小，VB表示帶寬大小，而子任務(wù)對處理節(jié)點的需求采用P（Ci，Mi，Bi）描述，表示執(zhí)行任務(wù)Pi需要的CPU 處理能力、內(nèi)存及網(wǎng)絡(luò)帶寬.

1.2 服務(wù)質(zhì)量模型

服務(wù)質(zhì)量是用來衡量云計算資源調(diào)度中任務(wù)的完成程度的指標(biāo).由于云計算的任務(wù)調(diào)度是一個多目標(biāo)優(yōu)化問題，綜合評價云計算任務(wù)調(diào)度的優(yōu)良需要從多方面進(jìn)行考慮，根據(jù)前面對任務(wù)調(diào)度性能指標(biāo)的描述.首先給出3 個優(yōu)化目標(biāo)：任務(wù)完成總用時Tmax、任務(wù)完成功耗E、負(fù)載均衡度Bdegree.

對于虛擬機(jī)節(jié)點在處理任務(wù)時，它的單個任務(wù)耗時可以表示為：

式中：Li表示完成第i 個任務(wù)的長度；VCj為第j 個虛擬節(jié)點的CPU 處理能力.第j 個虛擬節(jié)點處理任務(wù)總耗時為：

則任務(wù)總用時Tmax為各虛擬機(jī)節(jié)點完成時間中的最大值，即

按照目前的研究表明，單位時間能耗和CPU 利用率是線性關(guān)系的[13]，結(jié)合能耗的計算公式E=P×T，任務(wù)從t0時刻到t1時刻所產(chǎn)生能耗可以表示為：

系統(tǒng)完成任務(wù)的總功耗為各節(jié)點功耗總和：

式中：VOCj為虛擬機(jī)節(jié)點j 的CPU 利用率；tji為虛擬機(jī)節(jié)點j 執(zhí)行任務(wù)耗時；k 為乘法算子.CPU 利用率計算方法為：

式中：ci、vci分別表示任務(wù)對CPU 處理能力的需求以及虛擬機(jī)節(jié)點所能提供的CPU 運(yùn)算能力.同理虛擬機(jī)資源j 中內(nèi)存的利用率和帶寬利用率可以分別表示為：

在云計算執(zhí)行任務(wù)過程中，虛擬機(jī)的負(fù)載主要是由其執(zhí)行的任務(wù)量的大小和自身的計算能力所決定，虛擬機(jī)Vj負(fù)載情況表示為Vj={Mj，Cj，Bj}，其中Mj、Cj、Bj分別表示虛擬機(jī)Vj上的內(nèi)存利用率、CPU利用率和帶寬利用率.則虛擬機(jī)資源j 的利用率為：

式中：k1、k2、k3分別為CPU、內(nèi)存、帶寬的權(quán)值.整個系統(tǒng)的虛擬機(jī)資源平均利用率為：

以各個虛擬機(jī)節(jié)點利用率之間的標(biāo)準(zhǔn)差系數(shù)作為表示集合v={v1，v2，v3，v4，…，vn}中虛擬機(jī)負(fù)載情況，則系統(tǒng)的負(fù)載均衡度Bdegree可以表示為：

2 任務(wù)調(diào)度策略

2.1 競爭粒子群算法

粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）作為最經(jīng)典的群智能算法之一，由于其簡單的實現(xiàn)和快速的收斂性，被廣泛應(yīng)用于求解單目標(biāo)優(yōu)化問題（Single-ObjectiveOptimization Problem，SOP）.然而，當(dāng)優(yōu)化問題存在大量的局部最優(yōu)解或為高維時，PSO 算法性能較差.競爭群優(yōu)化算法是粒子群優(yōu)化算法的一個變體，Cheng 和Jin[8]提出的CSO 算法模擬了生物學(xué)中的優(yōu)勝劣汰的個體競爭機(jī)制.采用競爭機(jī)制的優(yōu)化算法比原粒子群優(yōu)化算法能夠更好地平衡收斂性和多樣性.而且在大規(guī)模優(yōu)化問題上，該算法表現(xiàn)出良好的性能和可拓展性.該算法假設(shè)種群大小為M，在解空間內(nèi)隨機(jī)地初始化種群.在每一次迭代過程中首先將種群隨機(jī)均分為2 組，兩組粒子兩兩進(jìn)行競爭比較，根據(jù)適應(yīng)值的大小分別為勝利者（Winner）與失敗者（Loser），勝利者將直接進(jìn)入下一代，失敗者根據(jù)式（15）和式（16）向勝利者學(xué)習(xí)并更新自身位置和速度.

式中：xw（t）、xL（t）分別表示勝利者和失敗者的位置向量；vL（t+1）表示失敗者的速度向量；t 為迭代次數(shù)；r1（t）、r2（t）、r3（t）∈[0，1]D是3 個服從均勻分布的隨機(jī)向量，與解向量有相同的維數(shù)；φ 是一個參數(shù)，用于控制x（t）對失敗者位置更新的影響；x（t）有兩種含義，一種表示所有粒子的平均位置，具有全局性；另外一種表示領(lǐng)域內(nèi)粒子的局部平均位置，具有局部性.在本文中使用全局平均位置.

2.2 改進(jìn)的競爭粒子群算法

標(biāo)準(zhǔn)的CSO 算法具有操作簡單，所需參數(shù)較少，易于實現(xiàn)等優(yōu)點，但由于CSO 算法在每次迭代過程中只更新失敗粒子的位置和速度信息，這使得種群多樣性不足，最終導(dǎo)致算法陷入局部最優(yōu)解及“早熟”現(xiàn)象.因此，為了增強(qiáng)種群的多樣性，平衡種群的探索與開發(fā)，本文借鑒遺傳算法中的變異思想，在CSO 算法中引入自適應(yīng)高斯變異，用來對勝利粒子的位置進(jìn)行更新，同時引入混沌初始化策略對初始種群進(jìn)行初始化.

2.2.1 混沌初始化策略

在標(biāo)準(zhǔn)CSO 算法中，種群的初始化是隨機(jī)產(chǎn)生的，初始位置的散布程度及其在搜索空間中的位置是否均勻，將直接影響整個搜索過程的收斂速度和算法的尋優(yōu)效率[14-15].混沌是一種無規(guī)則的運(yùn)動狀態(tài)，具有非常強(qiáng)烈的非線性特點，它有規(guī)律性、隨機(jī)性和遍歷性等特點，其基本思想是根據(jù)一定規(guī)則把變量從混沌空間映射到求解空間.本文利用混沌優(yōu)化策略對粒子群進(jìn)行初始化，Logistic 映射具有較均勻的遍歷性分布區(qū)間，能產(chǎn)生分布均勻的混沌序列，有效地保證了種群在解空間中的均勻分布，從而提高算法的搜索效率.本文選取Logistic 映射的方法產(chǎn)生初始混沌序列.該映射的表達(dá)式為：

式中：xn為混沌變量；參數(shù)μ∈（0，4]；n 為混沌變量序號，n=1，2，3，…，m.映射圖像如圖2 所示，當(dāng)3.569 9<μ≤4 時，系統(tǒng)處于混沌狀態(tài)，在本文中μ 取值為4.

圖2 Logistic 映射Fig.2 Logistic map

本文利用混沌迭代生成初始化粒子群位置，具體步驟如下：

1）對于D 維空間中的n 個初始粒子位置，首先隨機(jī)產(chǎn)生一個D 維向量作為第一個混沌向量，即r1∈[0，1]D；

2）將r1的每一維利用式（17）進(jìn)行n-1 次迭代，生成n-1 個混沌向量，r2、r3、…、rn；

3）將產(chǎn)生的n 個混沌向量按照式（18）映射到解的搜索空間.

式中：xmin、xmax分別為搜索空間的上下限；xi即為第i個混沌初始化粒子位置信息.

2.2.2 自適應(yīng)高斯變異

由于變異算子在提升算法收斂性能和種群多樣性方面有著顯著表現(xiàn)，文獻(xiàn)[16]將高斯變異引入到PSO 算法中以改善粒子在求解過程中的多樣性，提出一種基于高斯變異的多目標(biāo)粒子群優(yōu)化算法.本文將高斯變異引入CSO 算法中對勝利粒子的位置進(jìn)行更新，變異操作如下：

式中：c 為變異步長；γ 為服從高斯分布Gauss（0，1）的隨機(jī)變量；Pm為變異概率.同時考慮到迭代初期主要發(fā)揮競爭群算法自身的特點，采用較小的變異率，隨著迭代進(jìn)行，種群多樣性逐漸降低，相應(yīng)地增加了種群的變異概率，因此將變異概率設(shè)定為隨迭代次數(shù)線性遞增，使變異概率自適應(yīng)變化.Pm的計算公式為：

式中：Pm，min為最小變異率；Pm，max為最大變異率；k 為當(dāng)前迭代次數(shù)；N 為最大迭代次數(shù).從更新公式可見，隨著迭代次數(shù)的增加，變異概率線性遞增.因此，引入自適應(yīng)高斯變異后勝利者的更新如式（21）所示.

3 基于ICSO 的云資源調(diào)度算法設(shè)計

3.1 粒子編碼與適應(yīng)度函數(shù)設(shè)計

設(shè)任務(wù)數(shù)m，虛擬資源節(jié)點數(shù)n，本研究中每一個粒子代表一種任務(wù)分配方案，假設(shè)粒子所表示的解向量P={p1，p2，…，pn}，N 表示向量P 的維數(shù)，Ni表示向量P 第j 維的值，則Nj=i 表示任務(wù)j 分配到虛擬機(jī)i.

由于本文涉及到多個目標(biāo)的優(yōu)化過程，適應(yīng)度函數(shù)與任務(wù)完成總用時Tmax、任務(wù)完成功耗E、負(fù)載均衡度Bdegree3 個目標(biāo)相關(guān)聯(lián)，所以首先需要將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題.首先將各個優(yōu)化目標(biāo)參數(shù)歸一化，如式（22）所示：

式中：F 代表歸一化后的值；f（x）表示當(dāng)前系統(tǒng)中某一個優(yōu)化目標(biāo)參數(shù)大?。籪（x）max、f（x）min分別表示該目標(biāo)參數(shù)的最大值和最小值.通過對單個優(yōu)化目標(biāo)適應(yīng)度值加權(quán)，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題.適應(yīng)度函數(shù)可以表示為：

式中：fi表示第i 個粒子的適應(yīng)度值；w1、w2、w3分別表示任務(wù)完成總用時Tmax、任務(wù)完成功耗E、負(fù)載均衡度Bdegree3 個目標(biāo)對應(yīng)的權(quán)值，且w1+w2+w3=1.

3.2 改進(jìn)競爭粒子群算法的任務(wù)調(diào)度

將本文提出的ICSO 算法應(yīng)用于云計算資源調(diào)度問題中，調(diào)度算法的具體實現(xiàn)步驟為：

步驟1 將云計算任務(wù)調(diào)度方案與ICSO 算法中的粒子位置進(jìn)行一一對應(yīng)，粒子的最佳位置即為最佳任務(wù)調(diào)度方案；

步驟2 初始化參數(shù).給出任務(wù)集數(shù)據(jù)、虛擬機(jī)參數(shù)，算法的最大迭代次數(shù)Maxcycle、種群規(guī)模m、變異步長；

步驟3 按照公式（17）（18）對粒子群初始位置進(jìn)行混沌初始化；

步驟4 根據(jù)式（23）計算每個粒子的適應(yīng)度值；

步驟5 將種群隨機(jī)進(jìn)行兩兩競爭比較，根據(jù)適應(yīng)度值的大小分為勝利者Winner 和失敗者Loser；

步驟6 根據(jù)式（15）（16），更新失敗粒子速度以及位置，根據(jù)式（19）更新勝利粒子的位置和速度.計算更新粒子的適應(yīng)度值并更新全局最優(yōu)值和最優(yōu)解；

步驟7 達(dá)到最大迭代次數(shù)的時候，算法結(jié)束，轉(zhuǎn)到步驟8，否則繼續(xù)步驟5；

步驟8 得到最優(yōu)粒子位置，即得到最優(yōu)的任務(wù)調(diào)度方案.

4 試驗測試和結(jié)果分析

本文采用CloudSim 模擬云計算平臺的仿真環(huán)境對算法進(jìn)行驗證[17-18]，具體的試驗環(huán)境為：Window10 操作系統(tǒng)，Intel?CoreTM i5-8250U，1.60 GHz CPU，16.00 GB 內(nèi)存，CloudSim 4.0.將本文提出的改進(jìn)的競爭群算法ICSO 與文獻(xiàn)[13]中的競爭群算法以及基本PSO 算法和GA 算法進(jìn)行了比較.各算法試驗參數(shù)設(shè)置如表1 所示.

表1 算法參數(shù)表Tab.1 Algorithm parameter table

試驗中考慮了資源的處理速度和待處理任務(wù)的長度，設(shè)定兩個任務(wù)集T1、T2，分別設(shè)置任務(wù)數(shù)量為10～100 和1 000～5 000，代表小規(guī)模和大規(guī)模兩種任務(wù)規(guī)模情況.計算節(jié)點數(shù)為10，隨機(jī)設(shè)置虛擬節(jié)點的性能，設(shè)置虛擬節(jié)點能力為[1 000，2 000]mi/s，內(nèi)存為 [512，2 048]MB，帶寬為[5 000，10 000]bit/s，在[500，9 000]間隨機(jī)設(shè)置任務(wù)長度，最大迭代次數(shù)為200 次，為排除偶然性，每種方法進(jìn)行10 次獨(dú)立重復(fù)試驗，并取平均值作為最終的試驗結(jié)果.

為了驗證本文所提調(diào)度模型和算法的有效性，通過改變迭代次數(shù)、任務(wù)數(shù)來比較改進(jìn)算法和對比算法在各個維度的差別.首先，分別在大規(guī)模和小規(guī)模兩個任務(wù)集中保證迭代次數(shù)相同的條件下，在任務(wù)完成時間、功耗、負(fù)載均衡度3 方面做出對比.試驗結(jié)果如圖3～圖8 所示.

圖3 小規(guī)模下任務(wù)完成時間對比圖Fig.3 Task completion time comparison chart in small－scale

圖4 大規(guī)模下任務(wù)完成時間對比圖Fig.4 Task completion time comparison chart in large－scale

圖5 小規(guī)模下負(fù)載均衡度對比圖Fig.5 Comparison chart of load balance degree in small－scale

圖6 大規(guī)模下負(fù)載均衡度對比圖Fig.6 Comparison chart of load balance degree in large－scale

圖7 小規(guī)模下任務(wù)完成功耗對比圖Fig.7 Task completion power consumption comparison chart in small－scale

圖8 大規(guī)模下任務(wù)完成功耗對比圖Fig.8 Task completion power consumption comparison chart in large-scale

圖9 迭代次數(shù)與適應(yīng)度值的關(guān)系Fig.9 Relationship between iterations and fitness

1）圖3 和圖4 分別為ICSO 算法、CSO 算法、GA算法和PSO 算法在小規(guī)模和大規(guī)模任務(wù)數(shù)量下的任務(wù)完成時間結(jié)果對比圖.可以看出，當(dāng)任務(wù)數(shù)量較少時，ICSO 算法與試驗對比算法任務(wù)完成時間相差不大.隨著任務(wù)數(shù)量的增多，CSO 和ICSO 算法在大規(guī)模任務(wù)下具有明顯的優(yōu)勢，ICSO 和CSO 算法的任務(wù)完成時間明顯優(yōu)于PSO 和GA 算法，ICSO 算法的任務(wù)完成時間又優(yōu)于基本的CSO 算法，說明本文改進(jìn)的ICSO 算法在減少任務(wù)完成時間方面有所提升.

2）圖5 和圖6 分別為2 種任務(wù)集下4 種算法的負(fù)載均衡度對比圖.隨著任務(wù)數(shù)量的增多，4 種算法的任務(wù)調(diào)度策略的負(fù)載均衡度都在上升，但I(xiàn)CSO 和CSO 算法任務(wù)調(diào)度策略下負(fù)載均衡度上升速率明顯小于PSO 調(diào)度策略和GA 調(diào)度策略；在整個過程中，ICSO 調(diào)度算法下的負(fù)載均衡度始終低于另外2 種算法.這主要是因為ICSO 算法中引入的變異算子提升了種群的多樣性，很好地避免了局部最優(yōu)，使得最后的結(jié)果更好.

3）圖7 和圖8 為2 種任務(wù)集下的4 種調(diào)度策略的任務(wù)完成功耗對比圖.從圖中可以看出，在任務(wù)數(shù)量較少時，ICSO、CSO 算法和PSO 算法以及GA 算法完成的云計算資源調(diào)度在任務(wù)完成功耗上差別不大，但隨著任務(wù)數(shù)量的增多，CSO 和ICSO 算法在大規(guī)模任務(wù)下的優(yōu)越性得到了體現(xiàn)，PSO 算法下的調(diào)度策略功耗明顯高于CSO 和ICSO 算法下的調(diào)度策略，而ICSO 算法的功耗又略低于CSO 算法的功耗，這說明改進(jìn)的算法在降低任務(wù)完成功耗方面也有所提升.

從迭代次數(shù)的角度進(jìn)行對比，將任務(wù)數(shù)設(shè)置為3 000，比較迭代次數(shù)對最優(yōu)適應(yīng)度值的影響.結(jié)果如圖9 所示.

由圖9 可知，在初始階段CSO 算法和改進(jìn)的ICSO 算法收斂速度要高于PSO 算法和GA 算法，在迭代40 次前，各算法所得適應(yīng)度值差別并不明顯，這時CSO 算法略優(yōu)于其他3 種對比算法；隨著迭代次數(shù)增至60 以上，CSO 算法和ICSO 算法所求結(jié)果明顯好于PSO 算法和GA 算法，且兩種算法在80 次開始逐漸趨于穩(wěn)定，而PSO 算法在120 次以后才開始趨于穩(wěn)定.在收斂速度方面，CSO 算法略微好于ICSO 算法，這主要是由于引入的變異操作在一定程度上降低了算法的收斂速度；從求解精度上可以看到，ICSO 算法能夠跳出局部最優(yōu)解，實現(xiàn)更好的求解精度，算法結(jié)果表現(xiàn)更加優(yōu)秀.

5 結(jié)論

針對大規(guī)模云計算資源調(diào)度中算法求解精度不高，易陷入局部最優(yōu)等問題，本文提出改進(jìn)的競爭粒子群優(yōu)化算法來求解云計算資源調(diào)度問題.相較于標(biāo)準(zhǔn)的競爭粒子群算法，該算法利用混沌理論產(chǎn)生初始化種群，使得初始化粒子在解空間中均勻分布；在粒子搜索過程中引入自適應(yīng)變異概率的高斯變異來進(jìn)行勝利粒子的更新，提升了種群多樣性和算法的全局搜索能力.在CloudSim 仿真環(huán)境下，分別從不同任務(wù)規(guī)模下的求解精度與相同任務(wù)規(guī)模下的收斂速度兩方面進(jìn)行試驗.仿真結(jié)果表明，本文提出的多目標(biāo)綜合評價模型兼顧了云計算任務(wù)的完成時間、功耗以及負(fù)載均衡度，能搜索到最佳調(diào)度方案，可很好地應(yīng)用于大規(guī)模云計算環(huán)境下的資源調(diào)度問題.