基于改进的灰狼算法在云计算资源调度中的研究

董倩，赵鹏，刘延萍

(廊坊燕京职业技术学院，河北 廊坊 065200)

0 引言

随着互联网技术的发展，产生了一种新的计算模式---云计算。云计算是新兴的技术，它借助互联网实现资源的共享，并进行信息处理。云计算融合了多种计算机网络技术，对海量数据进行处理。资源调度在云计算中是一个NP问题[1]，因此，提高资源调度效率是云计算的关键。近年来，许多学者把智能算法融入到云资源调度中。文献[2 ]采用粒子群算法对云计算资源进行优化，提高了资源利用效率；文献[ 3]的布谷鸟算法能够快速找到云计算资源调度的最佳方案。本文在总结智能算法应用于云资源调度基础之上，提出了改进灰狼算法在云计算资源调度中的应用。

1 灰狼算法的关键操作

灰狼算法是通过模拟大自然狼群搜捕猎物的一种智能优化算法[4]。狼群在捕猎过程中有着森严的等级制度，它们的社会等级分为四层，分别为α，β，δ，ω。α为狼群的首领，β狼和δ狼负责协助α狼进行捕猎，剩余ω狼处于最下层。

1.1 包围

狼群狩猎时首先要包围猎物，在这个过程中，给出以下数学模型。

其中，Xp(t)表示第t代目标位置向量；X(t)为第t代一只灰狼的位置向量；D为灰狼与猎物的距离；A和C为系数；α随着迭代次数的增加从2线性递减到0；r1和r2为[0,1]之间的随机数。

1.2 追捕

狼群根据α，β和δ个体的位置来确定猎物的方位，有。

2 改进的灰狼算法

灰狼算法具有控制参数少、易于实现、搜索能力强等优点。但是参数的线性递减，会导致全局搜索能力不足，同时也容易陷入收敛精度低等缺点。针对这些缺点，本文从两个方面对灰狼算法进行改进。

3 基于改进灰狼算法的云计算资源调度

3.1 基于改进灰狼算法的云计算资源调度策略的具体流程

①给出云计算资源调度的适应度函数，初始化参数，狼群规模为N，算法的最大迭代次数。②对狼群进行初始化，计算灰狼个体的适应度值，根据个体适应度值分别确定α，β，δ的位置。③依据公式(7)对灰狼个体进行位置更新，并更新相关参数。④采用贪心算法确定最优适应度值，及头狼α的位置。⑤若达到终止条件，则终止运算，输出最佳个体；否则迭代次数增加1，继续循环步骤c,d；⑥改进灰狼算法达到最大迭代次数，算法结束，输出云计算资源调度的最优解。否则，跳转至b。

3.2 实验仿真结果及分析

仿真实验采用CloudSim 平台，选择遗传算法GA[6]、粒子群算法PSO[7]算法进行对照实验，最后得到不同算法的云计算资源调度任务完成时间，如图1所示。从实验结果来看，随着任务数量的增多，本文算法所用时间缩短，效率得到了提高。

图1 不同算法的资源完成效率对比

4 结语

本文给出的改进灰狼算法应用于云计算资源调度，实验模拟结果表明，该算法能使完成任务时间缩短，成本变小，有效提高了资源调度效率。下一步工作是结合其它智能算法，进一步提高资源利用效率。