✅博主简介：本人擅长数据处理、建模仿真、论文写作与指导，科研项目与课题交流。项目合作可私信或扫描文章底部二维码。
（一）云计算任务调度中的群体智能算法研究与分析
- 群体智能算法的选择与实现
- 在云计算任务调度中，选取了蚁群算法、灰狼算法、鲸鱼优化算法、白鲸优化算法这四种具有代表性的群体智能算法进行研究和实现。这些算法都基于自然界中生物群体的行为模式和智能特征，具有各自独特的搜索机制和优化策略。蚁群算法模拟蚂蚁在寻找食物过程中的路径选择行为，通过信息素的积累和更新来引导任务分配到合适的虚拟机上。灰狼算法则借鉴了灰狼群体的狩猎行为，通过不同层次的灰狼个体协作来搜索最优解。鲸鱼优化算法模仿鲸鱼的捕食行为，包括包围猎物、泡泡网攻击等策略来进行任务调度优化。白鲸优化算法基于白鲸的社会行为和生存策略，在搜索空间中寻找最佳的任务分配方案。
- 对于这些算法的实现，需要根据其基本原理和数学模型，在云计算环境中进行相应的编程和配置。例如，在蚁群算法中，需要定义信息素的初始值、更新规则以及蚂蚁选择路径的概率公式等。在灰狼算法中，要实现灰狼个体的位置更新和等级划分等操作。通过准确的实现这些算法，使其能够在云计算任务调度中发挥作用。
- 任务与虚拟机排序算法的设计与影响分析
- 考虑到在传统搜索任务中，数据的预排序对算法性能有较大影响，而在云计算任务调度中，任务与虚拟机的预排序效果尚未明确。因此，设计了任务与虚拟机的排序算法。该算法旨在根据一定的规则对任务和虚拟机进行排序，以便更好地匹配和分配。例如，可以根据任务的优先级、长度、资源需求等因素对任务进行排序，同时根据虚拟机的性能、负载情况、可用资源等对虚拟机进行排序。
- 在完成任务与虚拟机预排序后，基于 Cloudsim 平台调用这四种算法，并对比它们在不同虚拟机数目和不同任务数目下的完工时间、系统负载平衡、完工费用等综合表现。通过大量的实验和数据分析发现，不对任务与虚拟机进行预排序，而是引入更多的合理随机性和适度扩张搜索范围，更有利于提高群体智能算法的任务调度性能。这是因为在云计算环境中，任务和虚拟机的状态是动态变化的，预排序可能会限制算法的搜索空间，使其难以适应实际的运行情况。而适当的随机性可以让算法更好地探索不同的任务分配方案，扩张搜索范围则有助于找到更优的解，从而提高算法的适应性和性能。
（二）免疫 - 蚁群优化算法（IMACO）的提出与改进
- 蚁群算法的问题分析与改进策略
- 蚁群算法在云计算任务调度中存在一些问题。容易导致系统负载不均，这是因为蚂蚁在选择路径时，可能会集中选择某些虚拟机，导致部分虚拟机负载过高，而其他虚拟机闲置，影响整个系统的性能和效率。此外，蚁群算法早期搜索效率低，在初始阶段，由于信息素积累不足，蚂蚁的搜索具有一定的盲目性，需要较长时间才能找到较好的解。
- 为了解决这些问题，提出了免疫 - 蚁群优化算法（IMACO）。引入负载监测启发因子，实时监测虚拟机的负载情况，根据负载的均衡程度调整蚂蚁选择虚拟机的概率。当发现某些虚拟机负载过高时，降低蚂蚁选择这些虚拟机的可能性，引导任务分配到负载较低的虚拟机上，从而实现系统负载的均衡。采用动态挥发和双重奖惩信息素更新策略，动态挥发可以避免信息素过度积累导致算法早熟，同时双重奖惩机制根据任务的完成情况和虚拟机的负载情况对信息素进行更新，奖励成功完成任务且负载均衡的路径，惩罚导致负载不均或任务完成时间长的路径，从而引导蚂蚁选择更优的路径。
- 免疫算法与蚁群算法的结合优势
- 利用免疫算法全局搜索能力强、解多样性高、不易陷入局部最优的优点来获得蚁群的初始信息素分布。免疫算法通过模拟生物免疫系统的识别、学习和记忆等功能，能够在搜索空间中广泛地探索不同的区域，找到多样化的解。在 IMACO 中，先利用免疫算法进行初步搜索，为蚁群算法提供一个较好的初始信息素分布。这样可以有效规避蚁群算法初始求解慢的缺陷，使蚁群算法在一开始就有一个相对较好的搜索起点，能够更快地找到优质解。通过这种结合，充分发挥了两种算法的优势，提高了算法的整体性能和效率。
- 基于 Cloudsim 平台的对比实验与结果分析
- 在 Cloudsim 平台上完成了 IMACO 与蚁群算法的对比实验。设置了不同的实验场景，包括不同的虚拟机数目和任务数目，以全面评估算法的性能。在完工时间方面，IMACO 相比蚁群算法能够更快速地完成任务调度，减少了任务的等待时间和执行时间。在系统负载平衡方面，IMACO 能够更好地平衡虚拟机的负载，避免了负载不均的情况，提高了系统的稳定性和可靠性。在完工费用方面，由于 IMACO 能够更合理地分配任务，减少了资源的浪费和额外的开销，降低了完工费用。综合来看，免疫 - 蚁群优化算法在云计算任务调度的多个方面都表现出了更优的性能，能够更好地满足云计算环境的需求。
（三）改进白鲸优化算法（IBWO）的提出与优势
- 引入模拟退火算法与准反向学习策略的改进思路
- 为了进一步提高云计算任务调度的性能，提出了一种新的改进白鲸优化算法（IBWO）。一方面，引入模拟退火算法，模拟退火算法具有一定概率接受次优解的特点。在白鲸优化算法的搜索过程中，当遇到一个次优解时，模拟退火算法会根据一定的概率决定是否接受这个解。这样可以避免算法过早地陷入局部最优解，协助算法跳出局部最优区域，继续探索更优的解空间。
- 同时，在鲸落步骤后加入准反向学习策略。传统的搜索算法往往是单向的，容易陷入局部最优。准反向学习策略通过生成当前解的准反向解，扩大了搜索范围。在白鲸优化算法中，当鲸鱼完成一次搜索后，通过准反向学习策略生成新的解，然后对这些解进行评估和选择，从而避免了单向搜索的局限性，增加了解的多样性，提高了算法找到全局最优解的可能性。
- 与多种算法的对比实验及优势体现
- 基于 Cloudsim 平台完成了 IBWO 与蚁群算法、灰狼算法、鲸鱼优化算法、白鲸优化算法及本文提出的 IMACO 的对比实验。在完工时间方面，IBWO 能够更快地完成任务调度，相比其他算法减少了任务的执行时间，提高了云计算系统的响应速度。在系统负载平衡方面，IBWO 能够更好地平衡虚拟机的负载，使得各个虚拟机的资源得到合理利用，提高了系统的整体性能和稳定性。在完工费用方面，IBWO 通过更优化的任务分配和资源利用，降低了完工费用，节约了云计算系统的成本。
- 综合表现更优的 IBWO 算法为云计算任务调度提供了一种更有效的解决方案。它能够更好地适应云计算环境中任务和资源的动态变化，提高了任务调度的效率和质量，满足了云计算系统对高性能任务调度的需求，为云计算的广泛应用提供了更好的支持。
import random
# 虚拟机数量和任务数量
num_vms = 5
num_tasks = 10
vm_performances = [random.randint(50, 200) for _ in range(num_vms)]
# 蚁群算法相关参数
alpha = 1.0 # 信息素重要程度因子
beta = 2.0 # 启发式因子重要程度
rho = 0.5 # 信息素挥发系数
q = 100 # 信息素增强系数
num_ants = 10 # 蚂蚁数量
# 信息素矩阵初始化
pheromone_matrix = [[1.0 for _ in range(num_vms)] for _ in range(num_tasks)]
# 蚁群算法的任务分配函数
def ant_colony_allocation():
task_assignments = []
for ant in range(num_ants):
assignment = []
for task in range(num_tasks):
# 计算选择每个虚拟机的概率
probabilities = []
for vm in range(num_vms):
pheromone = pheromone_matrix[task][vm]
heuristic = 1.0 / task_execution_times[task][vm]
probability = (pheromone ** alpha) * (heuristic ** beta)
probabilities.append(probability)
total_probability = sum(probabilities)
probabilities = [p / total_probability for p in probabilities]
# 根据概率选择虚拟机
selected_vm = random.choices(range(num_vms), weights=probabilities)[0]
assignment.append(selected_vm)
task_assignments.append(assignment)
return task_assignments
# 计算完工时间
def calculate_makespan(assignments):
vm_loads = [0 for _ in range(num_vms)]
for task, vm in enumerate(assignments):
vm_loads[vm] += task_execution_times[task][vm]
return max(vm_loads)
# 信息素更新函数
def update_pheromones(assignments, makespan):
for task, vm in enumerate(assignments):
pheromone_matrix[task][vm] = (1 - rho) * pheromone_matrix[task][vm] + q / makespan
# 模拟退火算法相关参数（假设值）
initial_temperature = 1000.0
cooling_rate = 0.95
min_temperature = 1.0
# 模拟退火算法的接受概率函数
def acceptance_probability(old_makespan, new_makespan, temperature):
if new_makespan < old_makespan:
return 1.0
else:
return math.exp(-(new_makespan - old_makespan) / temperature)
# 免疫 - 蚁群优化算法（IMACO）
def immune_ant_colony_optimization():
# 初始化免疫算法的种群（这里简单假设随机生成）
immune_population = [[random.randint(0, num_vms - 1) for _ in range(num_tasks)] for _ in range(20)]
# 评估免疫算法的种群
immune_fitnesses = [calculate_makespan(population) for population in immune_population]
# 选择最优的个体作为蚁群算法的初始信息素分布
best_immune_individual = immune_population[immune_fitnesses.index(min(immune_fitnesses))]
for task in range(num_tasks):
for vm in range(num_vms):
pheromone_matrix[task][vm] = 1.0 + (best_immune_individual[task] == vm) * 10.0
# 执行蚁群算法
while True:
# 蚂蚁分配任务
ant_assignments = ant_colony_allocation()
# 计算完工时间
ant_makespans = [calculate_makespan(assignment) for assignment in ant_assignments]
# 找到最佳的蚂蚁分配
best_ant_index = ant_makespans.index(min(ant_makespans))
best_ant_assignment = ant_assignments[best_ant_index]
best_ant_makespan = ant_makespans[best_ant_index]
# 更新信息素
update_pheromones(best_ant_assignment, best_ant_makespan)
# 检查终止条件（这里简单假设达到一定的迭代次数）
if iteration >= max_iterations:
break
iteration += 1
return best_ant_assignment, best_ant_makespan
# 改进白鲸优化算法（IBWO）相关参数（假设值）
a = 2.0
b = 1.0
l = random.uniform(-1, 1)
# 白鲸位置表示任务分配（假设）
whale_positions = [[random.randint(0, num_vms - 1) for _ in range(num_tasks)] for _ in range(20)]
# 改进白鲸优化算法（IBWO）
def improved_beluga_whale_optimization():
while True:
# 包围猎物阶段
for i in range(len(whale_positions)):
for j in range(num_tasks):
r1 = random.random()
r2 = random.random()
A = 2 * a * r1 - a
C = 2 * r2
if abs(A) < 1:
# 选择当前最优解
D = abs(C * best_whale_position[j] - whale_positions[i][j])
whale_positions[i][j] = best_whale_position[j] - A * D
else:
# 选择随机解
random_index = random.randint(0, len(whale_positions) - 1)
random_whale_position = whale_positions[random_index]
D = abs(C * random_whale_position[j] - whale_positions[i][j])
whale_positions[i][j] = random_whale_position[j] - A * D
# 泡泡网攻击阶段（这里简单假设与包围猎物阶段类似的更新方式）
for i in range(len(whale_positions)):
for j in range(num_tasks):
r3 = random.random()
r4 = random.random()
A = 2 * a * r3 - a
C = 2 * r4
if abs(A) < 1:
# 选择当前最优解
D = abs(C * best_whale_position[j] - whale_positions[i][j])
whale_positions[i][j] = best_whale_position[j] - A * D
else:
# 选择随机解
random_index = random.randint(0, len(whale_positions) - 1)
random_whale_position = whale_positions[random_index]
D = abs(C * random_whale_position[j] - whale_positions[i][j])
whale_positions[i][j] = random_whale_position[j] - A * D
# 鲸落阶段
for i in range(len(whale_positions)):
# 生成准反向解
quasi_opposite_positions = []
for j in range(num_tasks):
qo = (num_vms - 1) - whale_positions[i][j] + random.uniform(-1, 1)
quasi_opposite_positions.append(int(max(0, min(num_vms - 1, qo))))
# 评估原解和准反向解
original_fitness = calculate_makespan(whale_positions[i])
quasi_opposite_fitness = calculate_makespan(quasi_opposite_positions)
# 选择更好的解
if quasi_opposite_fitness < original_fitness:
whale_positions[i] = quasi_opposite_positions
# 更新最优解
for whale_position in whale_positions:
fitness = calculate_makespan(whale_position)
if fitness < best_whale_fitness:
best_whale_position = whale_position
best_whale_fitness = fitness
# 模拟退火操作
temperature = initial_temperature
while temperature > min_temperature:
new_whale_positions = [[whale_position[j] + random.uniform(-l, l) for j in range(num_tasks)] for whale_position in best_whale_position]
new_fitness = calculate_makespan(new_whale_positions)
if new_fitness < best_whale_fitness or random.random() < acceptance_probability(best_whale_fitness, new_fitness, temperature):
best_whale_position = new_whale_positions
best_whale_fitness = new_fitness
temperature *= cooling_rate
# 检查终止条件（这里简单假设达到一定的迭代次数）
if iteration >= max_iterations:
break
iteration += 1
return best_whale_position, best_whale_fitness
# 主函数
def main():