基于粒子群优化的工业互联云平台数据中心资源调度＊

李世强,詹鑫毅

（工业互联网创新中心（上海）有限公司，上海 201303）

1 引言

研究工业互联云平台数据中心资源调度方法，在促进工业信息化管理和工业大数据的优化挖掘方面具有重要意义[1]，相关的工业互联云平台数据中心资源调度算法研究受到人们的极大关注。

构建工业互联云平台数据中心资源调度模型，采用在线访问设计方法，建立工业互联云平台数据中心资源管理和数据库融合模型，提高工业互联云平台数据中心资源调度能力。传统方法中，对工业互联云平台数据中心资源调度方法主要有模糊参数融合方法、特征访问控制方法和Hash 数据编码控制方法，文献[2]提出一种基于SDN的AP负载感知的切换算法，以减少网络中频繁切换并使AP 间负载相对均衡。文献[3]提出云计算要成功实现其主要功能，离不开资源分配和任务调度两项基本技术。基于此，在分析传统Map-Reduce 调度模型的基础上，设计了一种并行Map-Reduce资源分配算法，实现了良好的能量控制效果和运行效果。文献[4]指出工业物联网（IIoT）是将参与者和基于制造或服务的工业系统的物理和网络资源连接在一个云支持的整体数据交换系统。IIOT环境的处理节点之间的数据交换网络是在一个软件定义的网络基础上建立的。然后对一系列在制品订单及其所需的加工操作、几个制造企业和相关的物理物流以及用于数据和控制信息共享的云IIoT网络基础设施进行仿真。但传统方法对工业互联云平台数据中心资源调度的模糊度较高，自适应性不好[5]。

针对传统方法存在的问题，本文提出基于粒子群优化的工业互联云平台数据中心资源调度模型。首先建立工业互联云平台数据中心资源演化特征分布模型，采用粒子群寻优算法实现对工业互联云平台数据中心资源的分区块聚类处理，然后结合分布式网格区块聚类分析方法进行工业互联云平台数据中心资源自适应调度和共享，提高工业互联云平台数据中心资源的检索和调度能力。最后进行仿真测试分析，展示了本文方法在提高工业互联云平台数据中心资源调度能力方面的优越性能。

2 工业互联云平台数据结构和融合处理

2.1 工业互联云平台数据结构分析

建立工业互联云平台数据中心资源演化特征分布模型，采用大数据信息融合方法进行工业互联云平台数据中心资源的动态分析和融合处理，采用模糊相关性融合调度方法进行工业互联云平台数据中心资源自适应共享设计[6]，构建工业互联云平台数据中心资源的存储结构节点分布模型，如图1所示。

图1 工业互联云平台数据中心资源的存储结构节点分布模型

在图1所示的工业互联云平台数据中心资源的内存结构中，Pi为存储结构中心节点，Pj和Pk均为工业互联云平台数据中心资源的存储结构节点，ε为自适应调度参数。构建工业互联云平台数据中心资源的自适应调度参数合并集，结合空间结构映射和线性特征重组方法，进行工业互联云平台数据中心资源数据分片处理，结合分布式网格区块聚类分析方法进行工业互联云平台数据中心资源数据融合[7-8]，得到一个4 元组Ek模型表示工业互联云平台数据中心资源的相似度特征量，采用统计分析方法，得到工业互联云平台数据中心资源的特征分布属性A，对工业互联云平台数据中心资源进行线性重组，得到内存分布融合值，得到一个反馈于本地工业互联云平台数据中心资源池的节点为i，在聚类中心中实现对工业互联云平台数据聚类，得到模糊聚类函数：

式中，xi表示工业互联云平台数据中心资源分布的关联特征分量，ui表示工业互联云平台数据中心资源的模糊度观测量，提取工业互联云平台数据中心资源内存关联熵，建立工业互联云平台数据中心资源演化特征分布集，得到特征匹配的元组合为B。构建工业互联云平台数据中心资源信息的内存特征量表示为：

其中，ci为数据中心资源池节点i处的内存特征量。在特定窗函数中，进行工业互联云平台数据中心资源数据融合和决策树模型构建，得到工业互联云平台数据中心资源内存数据结构分析结果，采用联合特征分析方法，进行资源集成和融合处理。

2.2 工业互联云平台数据信息融合

在上述建立工业互联云平台数据中心资源演化特征分布模型和数据结构分析的基础上，提取工业互联云平台数据中心资源的关联信息，构建度量函数，得到工业互联云平台数据中心资源池的优化访问控制函数为：

式中，l 为工业互联云平台数据中心的集成时间分布序列的长度，数据结构子模型中，得到输出的自相关特征匹配元系数为K。提取工业互联云平台数据中心资源的互信息和熵特征量[9]，得到稀疏特征分布项qi，根据样本选择的概率密度函数分布，得到模糊概率密度分布集为：bi=(bi1，bi2，…，bij)，则输出的检测统计特征量：

其中，g(qi，bij)为工业互联云平台数据中心资源稀疏特征关联熵，f(bij)为模糊概率密度分布集检测输出频率。建立分布式工业互联云平台应用集成环境，确定资源融合的时间窗口t0，并在数据分布排序规则表上给出最优解：

将工业互联云平台数据中心资源的统计平均分布概念集S进行特征分解μ，得到云平台数据的融合输出为：

其中，ω 表示工业互联云平台数据中心资源的关联维，综上所述完成工业互联云平台数据结构和融合处理，根据云平台数据融合结果，结合PSO算法进行寻优控制。

3 资源调度优化

3.1 粒子群寻优算法

建立工业互联云平台数据中心资源的调度模型，构建工业互联云平台数据中心资源的强语义对齐二元特征组，得到工业互联云平台数据中心资源关联规则特征量的演化特征分布模型为：

其中，pi，j(t)为演化特征函数。结合周期性的样本参数估计和信息拟合控制的方法，进行工业互联云平台数据中心资源调度和特征分离控制，得到工业互联云平台数据中心资源调度的模糊状态方程。采用多维信息熵融合的方法，得到工业互联云平台数据中心资源调度的模糊状态寻优控制模型可表达为：

其中，keyi为关键节点。根据工业互联云平台数据中心资源信息采样结果，结合相空间重组，得到数据中心资源的特征嵌入维数为m，工业互联云平台数据中心资源调度的独立随机解分布集合为n，采用源域与目标域的迁移控制的方法，建立PSO粒子群寻优模型θ(xi)，得到工业互联云平台数据中心资源调度的PSO粒子群寻优传递函数为：

根据PSO粒子群的个体显著差异性，通过适应度函数构建，得到工业互联云平台数据中心资源调度的码元序列满足xt概率密度函数：

即工业互联云平台数据中心资源的数据特征分布序列xt只与它的前n个元素有关，xtB。定义工业互联云平台数据中心资源在线调度的维度为，PSO 寻优控制的个体最优位置i1经过i2，i3状态变换，得到in+1。根据上述分析，结合PSO寻优控制方法，进行资源调度和优化控制。

3.2 工业互联云平台数据中心资源调度优化实现

采用粒子群寻优算法实现对工业互联云平台数据中心资源的分区块聚类处理，结合分布式网格区块聚类分析方法进行工业互联云平台数据中心资源自适应调度和共享，提取工业互联云平台数据中心资源的关联规则特征集Ek={e1，e2，…，ek}，得到相似度特征集，采用应用集成数据库，实现工业互联云平台数据中心资源重组和优化存储，得到存储输出为：D={D1，D2，…，Dn}，在独立随机分布集中，根据内存结构的分块化特征匹配σ，得到工业互联云平台数据中心资源调度的控制函数为，建立工业互联云平台数据中心资源内存结构重排和融合模型：

根据上述分析，结合特征聚类分析结果，得到工业互联云平台数据资源调度的输出可靠性特征值：

根据上述分析，得到云平台数据中心资源调度的模糊参数分布集Uj，k，表示为：

式中，γ为工业互联云平台数据中心资源的检测阈值，结合PSO参数寻优结果，实现资源调度优化控制。

4 仿真测试分析

通过仿真实验验证本文方法在实现工业互联云平台数据中心资源调度和信息检索中的应用性能，实验工具为Visual C++仿真工具，在SPSS数据分析软件中实现对工业互联云平台数据中心资源调度的统计分析，工业互联云平台数据中心资源分布的概念规格为800×800，数据采样的长度为1200，工业互联云平台数据中心资源的分布规模见表1。

表1 工业互联云平台数据中心资源的分布规模

根据表1的数据参数设定，进行工业互联云平台数据中心资源仿真，通过对比本文方法与文献[8]基于群体智能算法和文献[10]深度学习算法，在不同的工业互联云平台服务器数量和调度内容数量下的数据分布式调度结果，对比结果如图2所示。

图2 工业互联云平台数据中心资源调度输出结果

分析图2得知，本文方法进行工业互联云平台数据中心资源调度的输出稳态性较好，这是由于本文建立工业互联云平台数据中心资源内存结构重排和融合模型，结合特征聚类分析结果，得到工业互联云平台数据资源调度的输出可靠性特征，提高输出稳定性。测试资源调度的时延，得到结果如图3所示。

图3 调度时延测试

分析图3得知，本文方法进行工业互联云平台数据中心资源调度的时延较小，这是由于本文采用粒子群寻优算法实现对工业互联云平台数据中心资源的分区块聚类处理，结合分布式网格区块聚类分析方法进行工业互联云平台数据中心资源自适应调度和共享，节约了工业互联云平台数据中心资源调度时间。

5 结束语

采用信息化的数据处理平台，实现对工业互联云平台数据中心资源调度和信息化管理，本文提出基于粒子群优化的工业互联云平台数据中心资源调度模型。通过大数据信息融合方法进行工业互联云平台数据中心资源的动态分析和融合处理，提取工业互联云平台数据中心资源的关联信息，构建工业互联云平台数据中心资源的强语义对齐二元特征组，采用粒子群寻优算法实现对工业互联云平台数据中心资源的分区块聚类处理，结合PSO参数寻优结果，实现资源调度优化控制。研究得知，本文方法进行工业互联云平台数据中心资源调度的延时较小，可靠性较高。