基于改进蚁群算法的云计算用户任务调度算法

doi:10.11959/j.issn.1000-0801.2020047

电信科学 ›› 2020, Vol. 36 ›› Issue (2): 95-100.doi: 10.11959/j.issn.1000-0801.2020047

基于改进蚁群算法的云计算用户任务调度算法

罗斯宁,王化龙,李弘宇,彭蔚

中国能源建设集团广西电力设计研究院有限公司，广西南宁 530004

修回日期:2020-01-20 出版日期:2020-02-20 发布日期:2020-05-19
作者简介:罗斯宁（1982- ），男，中国能源建设集团广西电力设计研究院有限公司高级工程师，主要研究方向为电力通信、调度自动化及信息化等|王化龙（1979- ），男，中国能源建设集团广西电力设计研究院有限公司高级工程师，主要研究方向为电力系统自动化、能源互联网运行控制系统及信息通信基础设施|李弘宇（1980- ），男，中国能源建设集团广西电力设计研究院有限公司高级工程师，主要研究方向为电力通信网络规划|彭蔚（1995- ）男，现就职于中国能源建设集团广西电力设计研究院有限公司，主要研究方向为电力通信工程

Improved ant colony algorithm based cloud computing user task scheduling algorithm

Sining LUO,Hualong WANG,Hongyu LI,Wei PENG

China Energy Engineering Group Guangxi Electric Power Design Institute Co.,Ltd.,Nanning 530004,China

Revised:2020-01-20 Online:2020-02-20 Published:2020-05-19

摘要/Abstract

摘要：

近年来，随着电力信息化的深入发展，越来越多的电力应用和任务在云端部署。由于云资源和电力应用的动态异构性，实现资源划分和任务调度是云计算系统中的一个挑战性问题。电力应用需要实现快速响应、实现最小完工时间，而调度程序又要考虑各个云计算节点的负载问题，保证云计算的可靠性。提出了一种基于改进蚁群算法的任务调度算法，解决虚拟机中的任务调度问题。通过对标准蚁群算法的改进，在最小化整体完工时间的同时实现任务调度时间的减小和负载均衡。研究结果表明，该算法有效缩短了任务调度时间，并实现云节点负载均衡，为电力云计算的优化提供技术依据。

关键词: 云计算, 任务调度, 负载均衡

Abstract:

In recent years,with the development of power information,more and more power applications and tasks are deployed in the cloud.Because of the dynamic heterogeneity of cloud resources and power applications,it is a challenge in the cloud computing system to realize resource division and task scheduling.Power applications need to be able to achieve a rapid response and minimum completion time,and schedulers should consider the load of each cloud computing node to ensure the reliability of cloud computing.A task scheduling algorithm based on the algorithm of improving an ant colony was proposed to solve the problem of task scheduling in virtual machines.Through the improvement of the standard ant colony algorithm,the task scheduling time was reduced and load balancing was realized while minimizing the overall completion time.The results show that the algorithm can shorten the task scheduling time and realize the load balancing of cloud nodes,which provides technical basis for the optimization of power cloud computing.

Key words: cloud computing, task scheduling, load balancing

中图分类号:

TP393

罗斯宁,王化龙,李弘宇,彭蔚. 基于改进蚁群算法的云计算用户任务调度算法[J]. 电信科学, 2020, 36(2): 95-100.

Sining LUO,Hualong WANG,Hongyu LI,Wei PENG. Improved ant colony algorithm based cloud computing user task scheduling algorithm[J]. Telecommunications Science, 2020, 36(2): 95-100.

图/表 4

参考文献 7

[1]	袁慧 . 云计算在电力行业的应用研讨[J]. 信息与电脑(理论版), 2016(9): 129-130.
	YUAN H . Application of cloud computing in power industry[J]. Information and Computer (Theoretical Edition), 2016(9): 129-130.
[2]	ABDULLAHI M , NGADI M A , ABDULHAMI D ,et al. Symbiotic organism search optimization based task scheduling in cloud computing environment[J]. Future Generation Computer Systems,doi:10.1016/j.future.2015.08.006.
[3]	JEYAKRISHNAN V , SENGOTTUVELAN P . A hybrid strategy for resource allocation and load balancing in virtualized data centers using BSO algorithms[J]. Wireless Personal Communications, 2017,94(4): 2363-2375.
[4]	MONDAL B , DASGUPTA K , DUTTA P . Load balancing in cloud computing using stochastic hill climbing-a soft computing approach[J]. Procedia Technology, 2012(4).
[5]	GUONING G , TINGIEI H , SHUAI G . Genetic simulated annealing algorithm for task scheduling based on cloud computing environment[C]// IEEE International Conference on Intelligent Computing ＆ Integrated Systems,Oct 22-24,2010,Guilin,China. Piscataway:IEEE Press, 2010.
[6]	王登科, 李忠 . 基于粒子群优化与蚁群优化的云计算任务调度算法[J]. 计算机应用与软件, 2013,30(1): 290-293.
	WANG D K , LI Z . Cloud computing task scheduling algorithm based on particle swarm optimization and ant colony optimization[J]. Journal of Computer Applications and Software, 2013,30(1): 290-293.
[7]	王琳杰 . 云计算中基于生物共生机制改进粒子群优化的任务调度方案[J]. 电信科学, 2016,32(9): 113-119.
	WANG L J . Task scheduling scheme based on bio-symbiosis mechanism to improve particle swarm optimization in cloud computing[J]. Telecommunications Science, 2016,32(9): 113-119.

参数	取值
α	1
b	3
ρ	0.65

[1]	韩雪. 基于电力大数据的电力骨干通信网络毁伤韧性评估方法[J]. 电信科学, 2023, 39(5): 136-143.
[2]	丁雨, 李晨凯, 韩会梅, 卢为党, 任元红, 高原, 曹江. 基于5G无人机通信的多智能体异构网络选择方法[J]. 电信科学, 2022, 38(8): 28-36.
[3]	邬江兴. 论网络技术体制发展范式的变革——网络之网络[J]. 电信科学, 2022, 38(6): 3-12.
[4]	邢文娟, 雷波, 赵倩颖. 算力基础设施发展现状与趋势展望[J]. 电信科学, 2022, 38(6): 51-61.
[5]	邓平科, 张同须, 施南翔, 张童, 邵天竺, 郑韶雯. 星算网络——空天地一体化算力融合网络新发展[J]. 电信科学, 2022, 38(6): 71-81.
[6]	马焜, 徐玲玉, 沈晓萍, 龚志城, 蓝建平, 陈双喜, 钱钧. 云计算中基于Shapley值改进遗传算法的虚拟机调度模型[J]. 电信科学, 2022, 38(12): 1-10.
[7]	王兆辉, 沈剑良, 张霞, 陈艇. FALB：一种FC协议链路聚合算法[J]. 电信科学, 2021, 37(9): 105-111.
[8]	刘志勇, 何忠江, 阮宜龙, 单俊峰, 张超. 大数据安全特征与运营实践[J]. 电信科学, 2021, 37(5): 160-169.
[9]	许剑,靳莉. 一种可量化的云计算平台安全评估模型[J]. 电信科学, 2020, 36(7): 163-167.
[10]	雷波, 刘增义, 王旭亮, 杨明川, 陈运清. 基于云、网、边融合的边缘计算新方案：算力网络[J]. 电信科学, 2019, 35(9): 44-51.
[11]	高永梅,程冠杰. 基于边缘计算的数据密集型服务部署[J]. 电信科学, 2019, 35(7): 87-99.
[12]	鲁泽霖,李强治. 电子商务平台的演化逻辑和运营机理[J]. 电信科学, 2019, 35(7): 152-158.
[13]	黄志兰,樊勇兵,樊宁,陈楠,吴林泽,林宝洪. 云资源池集成虚拟防火墙方案及关键技术[J]. 电信科学, 2019, 35(5): 140-148.
[14]	朱友康,乐光学,杨晓慧,刘建生. 边缘计算迁移研究综述[J]. 电信科学, 2019, 35(4): 74-94.
[15]	乐光学,戴亚盛,杨晓慧,朱友康,游真旭,刘建生. 边缘计算多约束可信协同任务迁移策略[J]. 电信科学, 2019, 35(11): 36-50.

基于改进蚁群算法的云计算用户任务调度算法

Improved ant colony algorithm based cloud computing user task scheduling algorithm

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 4

参考文献 7

相关文章 15

Metrics

推荐阅读 0