基于麻雀搜索的云计算任务调度研究.pdf

基于麻雀搜索的云计算任务调度研究

摘要

随着云计算的迅速发展，任务规模化和云架构复杂化对云服务的性能和能耗

提出了挑战。云计算任务调度往往涉及资源异构性、任务动态性、优化目标和用户

需求多样性等复杂因素，因此需要通过研究算法和建模，寻求更智能、更高效的云

任务调度和资源分配方案。麻雀搜索算法具有结构简单、参数少等优点，但在求解

复杂调度问题时，仍面临早熟收敛、局部搜索能力不足等挑战。本文针对这些问题，

提出了两种算法，并根据任务调度模型，将其应用于解决云计算任务调度问题。本

文主要研究内容如下：

（1）本文提出了一种反射回溯麻雀搜索算法。该算法创新性地引入了镜面反

射学习策略，通过增强种群多样性来避免早熟收敛；同时利用回溯搜索策略对当前

最优解进行扰动，跳出局部最优，提高全局搜索能力。在52个基准测试函数上进

行实验，结果表明提出算法在收敛速度和精度方面优于原算法及其他对比算法。将

其应用于求解以最小化任务完成时间为目标的云计算任务调度问题，结果表明在

随机数据集上其较同类算法平均缩短了26.96%的任务完成时间，提高了45.44%的

系统吞吐量和13.32%的资源利用率。

（2）本文提出了一种改进多目标麻雀搜索算法。该算法创新性地融合了快速

非支配排序和基于参考点的环境选择策略，在加速收敛的同时维持了解的多样性。

通过在16个多目标测试函数上的实验，验证了该算法能够获得更加收敛且分布更

均匀的帕累托解集。并将其用于解决最小化任务完成时间，同时满足负载均衡的云

计算任务调度问题。采用提出算法对建立的模型进行求解，从任务的完成时间、不

平衡度、资源利用率和吞吐量等指标与其他多目标优化算法进行对比，结果表明在

云任务数据集上该算法平均缩短了22.50%的任务完成时间，降低了47.72%的负载

不均衡度，提高了35.22%的吞吐量和25.03%的资源利用率。

关键词云计算；任务调度；麻雀搜索算法；多目标优化；

-I-

ResearchonCloudComputingTaskSchedulingBasedon

SparrowSearchAlgorithm

Abstract

Withtherapiddevelopmentofcloudcomputing,taskscalingandcloudarchitecture

complexitychallengetheperformanceandenergyconsumptionofcloudservices.Cloud

computingtaskschedulingofteninvolvescomplexfactorssuchasresourceheterogeneity,

taskdynamics,optimizationgoals,anduserdemanddiversity.Therefore,itisnecessary

toseeksmarterandmoreefficientcloudtaskschedulingandresourceallocationschemes

throughresearchalgorithmsandmodeling.TheSparrowSearchAlgorithmhasthe

advantagesofasimplestructureandfewparameters,butitstillfaceschallengessuchas

prematureconvergenceandinsufficientlocalsearchcapabilitywhensolvingcomplex

schedulingproblems.Inthisarticle,weproposetwoalgorithmstoresolvetheseproblems

andapplythemtocloudcomputingschedulingproblems