基于正交自适应鲸鱼优化的云计算任务调度

针对任务调度中存在的任务完成时间长、系统执行任务成本高且系统负载不均衡等问题,提出了一种基于正交自适应鲸鱼优化算法(OAWOA)的云计算任务调度方法。首先,将正交试验设计(OED)应用于种群初始化和全局搜索阶段,以提升和维持种群的多样性,避免算法过早陷入局部收敛状态;然后,利用自适应指数递减因子和双向搜索机制,来进一步加强算法的全局搜索能力;最后,对适应度函数进行优化,从而使算法实现多目标优化。通过仿真实验将所提的算法与鲸鱼优化算法(WOA)、粒子群优化(PSO)算法、蝙蝠算法(BA)以及其他两种改进的WOA进行比较。实验结果表明,在任务规模为50和500时所提算法都取得了更好的收敛效果,并且得到的系统执行任务的总时间和总成本均低于其他几种算法,同时负载均衡度仅低于BA。可见,所提算法在降低系统执行任务的总时间和总成本以及提高系统负载均衡方面均表现出了显著的优势。

混沌扰动w_BAPSO算法在任务调度中的应用

为提高云计算任务调度效率,减少任务调度的成本和时间,改进算法容易陷入局部最优的缺陷,提出基于混沌扰动的w_BAPSO算法。在云计算环境下,通过引入带有logistics混沌扰动的线性递减惯性权重,在PSO算法更新过程中结合蝙蝠算法脉冲速率、脉冲响度等参数,将带有混沌扰动的w_BAPSO算法用于云计算任务调度过程中。通过Cloudsim云计算仿真软件进行实验验证,分别测试不同任务规模下w_BAPSO算法效能。实验结果表明,基于混沌扰动的w_BAPSO算法不仅能够提高算法的收敛速度和搜索精度,而且减少了云计算任务调度的成本和时间,还提高了任务调度效率。