15、云计算中QoS增强的能源感知任务调度模型

云计算中QoS增强的能源感知任务调度模型

1. 调度模型概述

在云计算环境里，用户能够向服务提供商提供的n台虚拟机（VMs）提交m个任务来执行。任务调度问题的目标在于把一组任务分配给虚拟机，从而让相关成本（像电力使用、处理时间和数据传输延迟等）降至最低。该任务调度问题的数学表示如下：
- 能源：最小化 $E_{Total}(L)$
- 完成时间：最小化 $T_{makespan}(L)$
- 数据传输时间：最小化 $DTT(L)$

2. 基于元启发式算法的优化资源调度

蚁群优化（ACO）技术的优势在于，它能够为包含多种变量组合集的情况找到最优解。通过模拟觅食蚂蚁的行为，ACO算法可以高效地分配稀缺资源。具体步骤如下：
1. 蚂蚁随机选择前往目的地的路线。
2. 到达目的地后，蚂蚁评估信息素值，以此判断其路线是否有效。
3. 当所有其他选项都被尝试后，选择适应度值高的路径作为最优路径。

2.1 适应度函数

可以借助适应度函数来评估解的质量。此工作依据资源调度技术，综合考虑成本最小化、能耗降低和执行时间最小化等目标。所提出的ACO方法使用的适应度函数如下：
$Fit(f) = min(f)$

2.2 信息素更新

蚂蚁依据信息素的强度来确定最佳路线。因此，对每条可能路径的所有潜在信息素值进行更新十分关键。信息素更新机制的公式如下：
$\gamma (x_i, y_j) = (1 - \alpha) \times \gamma (x_i, y_j) + \Delta\gamma (x_i, y_j)$
其中，