3、基于深度学习的云计算任务调度优化

基于深度学习的云计算任务调度优化

1. 现有技术概述

在云计算环境中，任务映射到虚拟机的现有技术已被广泛研究，并且使用各种参数来衡量服务质量。受自然启发的元启发式技术也被回顾，这些技术利用数据集关注性能指标、节能、响应时间和温度感知。不过，像遗传算法和大爆炸 - 大挤压（BB - BC）算法等现有寻找全局解决方案的方法存在缺点，它们在调度时间方面成本较高，且随着问题规模的增加，调度时间也会增加。

2. 提出的方法

2.1 整体架构

提出的算法基于大爆炸 - 大挤压优化和人工神经网络的基本原理。该模型以任务列表和虚拟机列表作为输入，主要分为以下几个阶段：
1. 初始化
2. 数据集准备
3. 模型准备
4. 训练
5. 反向传播
6. 任务调度

2.2 各阶段详细介绍

2.2.1 初始化

在这个模块中，定义所有参数，如输入层、隐藏层和输出层的数量，以及每层中的多个神经元。具体参数包括：学习率、突变率、种群大小、进化次数、输入层神经元数量、输出层神经元数量、隐藏层神经元数量、激活函数。这些参数定义了所提出模型的效率和准确性。

2.2.2 数据集准备

此阶段使用大爆炸 - 大挤压算法准备训练阶段的数据集，以平均虚拟机利用率、网络延迟和执行时间作为适应度函数，同时提高网络效率、电源效率和任务完成时间。具体操作步骤如下：
1. 输入任务列表（异构任务组合）和可用虚拟机列表。
2. 将输入提供给修改后的 BB - BC 算法。
3. 算法旨在以最少的进化和突变次数找