基于PSO算法的医疗大数据任务调度策略_图文

1、 ·70· 通 信 学 报 第 35 卷 和位置。 步骤 5 检查是否达到最大迭代次数，若达到 则输出最优解，若未达到，则返回步骤 3。 步骤 6 结束。 基于改进适应度函数与自适应权重的粒子群 算法具体流程如图 2 所示。 4.2 仿真结果与性能分析 本文依照上一节所得到的仿真参数，得到规模 为 100，前置机为 50，总任务数为 50 情况下的医 生利用前置机查询信息的总完成时间和总完成成 本仿真。其仿真结果分别如图 3 和图 4 所示。 如图 3 和图 4 所示，当迭代次数小于 20 时， 一般的粒子群算法下医生查询医疗数据所用的总 完成时间与完成成本和改进粒子群算法

2、下相差不 大，但是随着迭代次数的逐渐增加，如图 3 和图 4 所示，改进粒子群算法相对传统粒子群算法下医生 查询信息的总完成时间上快了约 10 s，成本也少了 约 50。由此可见，改进粒子群算法的总完成时间与 总完成成本相对于一般粒子群算法来讲出现了明 显减少。 图 3 子任务总数 U=9 时任务的总完成时间 图 2 基于改进适应度函数与自适应权重的粒子群算法流程 4 仿真结果与分析 4.1 仿真参数设置 本文通过计算出 ETC 矩阵和 RCU 数组，针对 医疗数据查询任务调度， 分别用传统 PSO 算法和基 于自适应权重的 PSO 算法进行了仿真测试， 通过多 次仿真实验，可以在较短时间内获

3、取最优解。其具 体的参数如下。 粒子种群规模 P 设为 100， 前置机数量 M 设置 为 50，任务数 N 设为 50，未使用自适应权重的惯 性因子设置为 0.9， wmax 设置为 0.9， wmin 设置为 0.4， 学习因子 c1 设置为 2，c2 设置为 2，最大迭代次数 tmax 设置为 150。 图 4 子任务总数成本 U=9 时总任务的总完成成本 以上结果表明，如果只将医生查询信息的总完 成时间这一指标作为调度目标，而没有考虑总任务 完成成本这一要素，一般粒子群算法在迭代的过程 中丢失了一些潜在的优良粒子，这导致在云环境中 的迭代过程中使查询的结果过早地收敛于局部最 优解中，而

4、改进的粒子群算法将时间与成本作为调 度目标在云环境中实现了缩短总任务完成时间的 第 Z1 期 胡超等：基于 PSO 算法的医疗大数据任务调度策略 ·71· 同时兼顾成本最小的原则。 由此可见，本文采用的基于自适应权重的粒子 群算法明显优于传统的粒子群算法，在完成任务调 度问题是有良好的优化效果，在医疗系统中，医生 查询病人信息相对较频繁，采用本文提出的算法， 可以提高系统的收敛速度，明显地改善了工作效 率，节约时间。 scheduling algorithms in cloud computingJ. Int J Adv Comput, 2011, (102: 81-86.

5、 7 JIAYIN L I, QIU M, MING Z, et al. Online optimization for scheduling preemptable tasks on IaaS cloud systemsJ.Journal of Parallel and Distributed Computing,2012,72(2:666-677. 8 JEYARANI R, NAGAVENI N, RAM R V. Self adaptive particle swarm optimization for efficient virtual machine provisioning in

6、 cloudJ. International Journal of Intelligent Information Technologies, 2011, 7(2: 25-44. 5 结束语 9 MERKLE D, MIDDENDORF M, SCHMECK H. Ant colony optimization for resource-constrained project schedulingJ. IEEE Trans Evol 本文综合考虑医院院内各前置机的数据处理 能力及使用成本，提出了一种双适应度的自适应权 重粒子群算法，该算法能使医疗信息查询总时间和 总成本均能实现最优化。通过实时

7、调整粒子群算法 的惯性权重，进一步提升了粒子群算法的寻优能力 及收敛速度，并保证所求解可以兼顾医疗数据查询 时间及查询成本最优。在实验中通过 ETC 矩阵及 RCU 数组分别模拟医院院内各前置机的任务完成 时间及使用成本，分别用传统的粒子群算法及所提 出的双适应度自适应权重粒子群算法对大规模医 疗数据查询任务进行了最优调度求解，实验结果表 明，相较于传统的粒子群算法，所提出的算法不仅 使求解最优医疗数据查询任务调度方案的时间进 一步缩短，并提高了粒子群算法的寻优能力，使所 求的最优调度方案具有更短的完成时间及更少的 完成成本，提升了医疗信息共享平台中用户查询医 疗数据的效率，节约了前置机的使用

8、成本。 Comput, 2002,6(4: 333-346. 10 刘志雄, 梁华. 粒子群算法中随机数参数的设置与实验分析J. 控 制理论与应用, 2010, 27(11: 1489-1496. LIU Z X, LIANG H. Parameter setting and experimental analysis of the random number in particle swarm optimization algorithmJ. Control Theory & Applications, 2010, 27(11: 1489-1496. 11 段海滨, 马冠军, 王道波

9、等. 一种求解连续空间优化问题的改进蚁 群算法J. 系统仿真学报, 2007, 19(5: 974-977. DUAN H B, MA G J, WANG D B, et al.Improved ant colony algorithm for solving continuous space optimization problemsJ. Journal of System Simulation, 2007, 19(5: 974-977. 12 POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimizationJ. Swarm intell

10、igence, 2007, 1(1: 33-57. 作者简介： 胡超（1980-），男，湖南长沙人，中南 大学网络中心博士生，主要研究方向为网络 管理、教育信息化、区域医疗信息化等。 参考文献： 1 TRAVIS B, ALLAN S. The inevitable application of big data to health careJ. The Journal of the American Medicine Association, 2013, 309(13: 1351-1352. 2 LANG T. Advancing global health research through

11、 digital technology and sharing dataJ. Science,2011,331(6018:714-717. 3 HAUX R. Medical informatics: past, present, futureJ. International Journal of Medical Informatics,2010,79(9:599-610. 4 张振, 周毅, 杜守洪等. 医疗大数据及其面临的机遇与挑战J. 医 学信息学杂志, 2014, 35(6: 2-8. ZHANG Z, ZHOU Y, DU S H, et al.Medical big data and the fadng opportunities and challengesJ. Journal of Medical Informatics, 2014, 35(6: 2-8. 5 RAMESHKUMAR K, AMALARETHINAM D G. Applying nontraditional optimization techniques to task scheduling in grid computing-an overviewJ. Int J Res Rev Comput, 2010,4(1:33-38. 6 KAUR N, AULAKH T