CN114741955B 一种基于安全云的多目标优化任务调度方法 （华北电力大学）

号司H.Krishnaveni,etal..ModArtificialFishSwarmAlgorithmfor一种基于安全云的多目标优化任务调度方法本发明公开了一种基于安全云的多目标优优解的能力，保证了网络安全的实时性与有效2WeiLi,etal..Multi-ObjecH.Krishnaveni,etal..ModArtificialFishSwarmAlgorithmfor页.32)对人工鱼群算法进行优化，生成以执行成本代表第i个任41timecosttotalCostmax分别为任务完成时间与执行成本52.如权利要求1所述的基于安全云的多目标优化任务调度方法，其特征在于：步骤2)j步骤207：若算法连续迭代t次后，全局最优解未发生63.如权利要求2所述的基于安全云的多目标优化任针对以上对改进后的Tent映射特性的描述，结合安全云环境下的人工鱼群算法特征，4.如权利要求2所述的基于安全云的多目标优化任务调度方法75.如权利要求4所述的基于安全云的多目标优(F(Xi)＞F(Xj))，根据当前状态Xi与视野中所感知的下一个前往状态Xj的目标函数值大小对于人工鱼当前状态和所探索的下一个状态其中，dView为改进的视野，dStep为改进的步长，Xnext为当前人工鱼移动后的状态，6.如权利要求2所述的基于安全云的多目标优化任务7.如权利要求2所述的基于安全云的多目标优new)与最差状态F(Xworst)进行比较；8.如权利要求2所述的基于安全云的多目标优化任89[0001]本发明涉及一种基于安全云的多目标优化任务调度方法，属于人工智能技术领入研究。上述方法针对现有的安全云环境下的虚拟安全资源与调度任务之间的匹配问题，代表第ii的属性值可以表示为：fi＝{fi-length，j-bwj-ramj-pesNumberj-size[0022]106：分配在虚拟资源上的多个任务是串行处理的，而多个虚拟资源是并行运行[0032]其中，totalCost为总的处执行成本，exeCostij、transCostij、ramCostij、sizeCostij分别为虚拟资源rj完成任务fi所需的计算成本、带宽成本、内存成本与存储成该虚拟资源的性能，其中，η1、η2分别为虚拟资源的计算能力与带宽大小的权重系数，载均衡，totalTimemin、totalCostmin分别为任务完成时间与执行成本的最小值，[0049]上述步骤2)以步骤1)所提出的适应度函数F作为步骤2)人工鱼群算法的优化目[0060]人工鱼群算法在解决优化问题时，通常利用随机产生的鱼有较长的时间采用较大的视野和步长了解寻优空间的信息，跳出局部最优前往全局最其表达式如下：[0091]步骤207中，针对人工鱼群算法后期易陷入局部最优解的情况，引入交叉变异机操作，对当前迭代的所有解集合进行从优至差的排列，然后选取最优解Xbest与次优解2代表第ii的属性值可以表示为：fi＝{fi-length，j-bwj-ramj-pesNumberj-size[0131]106：分配在虚拟资源上的多个任务是串行处理的，而多个虚拟资源是并行运行[0141]其中，totalCost为总的处执行成本，exeCostij、transCostij、ramCostij、sizeCostij分别为虚拟资源rj完成任务fi所需的计算成本、带宽成本、内存成本与存储成该虚拟资源的性能，其中，η1、η2分别为虚拟资源的计算能力与带宽大小的权重系数，载均衡，totalTimemin、totalCostmin分别为任务完成时间与执行成本的最小值，[0167]人工鱼群算法在解决优化问题时，通常利用随机产生的鱼有较长的时间采用较大的视野和步长了解寻优空间的信息，跳出局部最优前往全局最其表达式如下：[0198]步骤207中，针对人工鱼群算法后期易陷入局部最优解的情况，引入交叉变异机操作，对当前迭代的所有解集合进行从优至差的排列，然后选取最优解Xbest与次优解个任务分配至各安全组件资源池内的虚拟安全组[0222]仿真实验创建了15个相互独立的虚拟资源，50-500个相互独立的任务(任务数量[0229]虚拟资源的CPU计算资源、内存和带宽等资源的定价在参考了阿里云的云服务器