云计算多工作流调度的动态分布式粒子群优化方法研究

With the rapid development of cloud applications, cloud workflow has emerged as an important technique for flexible organization and efficient management of cloud applications. One of the most crucial issues in workflow technique is workflow scheduling. But the complex characteristics in the cloud environment such as multiple users, various applications, and time-varying resources and workloads, make cloud workflow scheduling a very challenging task. Facing this intractable problem, this project aims to propose a novel approach to dynamic scheduling of multiple cloud workflows using particle swarm optimization (PSO) algorithms. First, based on the distributed resource scheduling architecture of cloud computing, the distributed cloud workflow scheduling model will be studied. Accompany with this model, a distributed PSO workflow scheduling algorithm is intended to develop, aiming at using the multi-swarm strategy and distributed implementation of PSO to deal with the problem of scheduling multiple large-scale workflows simultaneously and efficiently. In addition, in order to address the time-varying characteristic in cloud environment, a dynamic PSO scheduling algorithm will also be studied by introducing a heuristic-based encoding scheme. The project will finally develop a dynamic and distributed PSO approach to the scheduling problem of multiple cloud workflows in the time-varying cloud environment. This project is significant for both PSO research and workflow scheduling research. For PSO research, this project faces the most cutting-edge research topics in PSO - - distributed implementation and dynamic optimization . For workflow scheduling research, this project intends to provide a new and efficient approach to make workflow scheduling become feasible in the cloud environment.

随着云计算应用的日益复杂化，工作流技术已成为对云计算应用实施灵活组织和有效管理的重要手段。围绕云工作流技术的核心问题- - 工作流调度问题，针对云计算环境下多用户、多应用、资源及负载动态时变等复杂特性对工作流调度所提出的挑战，开展基于粒子群优化方法的云计算多工作流动态调度方法研究。针对大规模、多工作流的调度难题，依据云计算的分布式资源调度架构建立分布式的云工作流调度模型，并提出分布式的粒子群调度算法，通过多种群技术及分布式执行策略突破大规模、多工作流调度的效率瓶颈；针对云计算环境的动态时变特性，研究动态环境下的粒子群调度算法，利用基于启发信息的编码策略提高算法对动态环境的适应能力。最终，本项目将给出基于分布式、动态粒子群算法的新型云计算多工作流动态调度方法。在粒子群优化研究层面，本课题是对分布式及动态粒子群算法的前沿探索；在工作流调度研究层面，本课题将为克服云计算的工作流调度难题提供有效途径。

随着云计算应用的日益复杂化，工作流技术已成为对云计算应用实施灵活组织和有效管理的重要手段。围绕云工作流技术的核心问题——工作流调度问题，针对云计算环境下多用户、多应用、资源及负载动态时变等复杂特性对工作流调度所提出的挑战，本项目开展基于粒子群优化方法的云计算多工作流动态调度方法研究，取得的主要进展包括：1）针对于大规模多工作流调度的效率问题，研究了面向大规模优化的群体智能算法，提出了分段学习和分层学习的策略，并基于分布式计算框架研究了群体智能算法的协同进化策略，以增大计算规模的方式提升了分布式工作流调度的效率；2）针对优化过程中出现的早熟收敛问题，研究了多峰值优化的群体智能算法，提出了基于概率分布的多峰优化方法以及基于进化路径的新型差分进化算法，提高了群体智能方法对复杂问题求解精度；3）针对多服务质量指标（QoS）的动态多工作流调度问题，建立了基于有向无环图的调度模型，研究了多目标的群体智能优化方法，其中包括面向排列优化的基于分解的集合型多目标粒子群优化算法，以及基于双档案的新型多目标优化进化计算方法；4）将上述研究与方法应用于动态云工作流调度问题，取得了良好的结果，进一步将此类算法在物流调度与路径规划、传感器网络优化等领域进行应用拓展和验证，取得了良好的优化效果。.围绕上述成果，本项目共发表学术论文33篇，其中包括国际期刊论文12篇（IEEE Transactions 论文10篇），国际会议论文21篇，申请发明专利5项；培养博士研究生8人，硕士研究生9人；项目负责人获邀5次在国外高校就本项目的研究成果进行学术报告和交流，并派遣12人次参与项目相关领域的国际学术会议。本项目的成果，一方面完善了群体智能算法的框架，以分段、分层和协同演化的新机制提高了算法求解大规模复杂优化问题的效率；另一方面利用群体智能算法实现了大规模、多工作流的高效调度，为求解工作流调度等基于排列的调度优化问题提供了新的思路和途径。