陈暄

摘要：针对移动云计算中的任务调度效果低，消耗时间长等问题，提出了一种改进的果蝇算法和人工蜂群算法融合的算法（Improved Fruit Fly optimization algorithm- Artificial Bee Colony，简称IFOA-ABC算法）进行处理。首先，根据移动云任务调度特点，构建任务调度模型，其次，采用正交数组和量化技术对果蝇种群进行初始化，算法的边界问题进行处理，探索步长进行动态调整，最后，使用人工蜂群算法对果蝇个体进行全局优化；仿真实验中， IFOA-ABC算法相比其他智能算法在移动云任务调度的时间和能量消耗上对比中具有一定的優势，说明算法能够有效地提高云计算调度效率。

关键词：移动云计算；任务调度；果蝇算法；人工蜂群算法

中图分类号： 文献标识码：A

文章编号：1009-3044（2019）10-0218-03

开放科学（资源服务）标识码（OSID）：

移动云计算下的任务调度是近年来研究的新的方向[1]，如何解决移动云计算下的任务调度出现的调度时间长，能量消耗大的问题成了当前学者研究的热点。目前，国内从事移动云计算的文献数量不多，选择具有代表性的进行阐述，文献[2]构建了一种新的任务调度的模型，并采用了基于模拟退火算法的任务调度方法进行了系统性的对比实验，具有较好的调度效果；文献[3]提出了一种任务联合执行策略（Task Collaborative Execution Policy，TCEP），采用遗传算法来处理优化问题，仿真验证了所提策略及算法的性能。

本文在此研究的基础上，提出以任务时间和能量消耗为主的调度模型，并采用基于果蝇算法和人工蜂群算法融合用于任务调度，仿真实验说明该算法取得了较好的效果。

1 移动云计算下任务分配调度模型

移动云计算与一般的云计算的任务调度优化的目标不同，它主要最大限度地能够实现任务的最少完成时间，较为充足的带宽资源，较高的存储容量和较低的能量消耗。在这些指标中任务所需要的完成时间是最重要的，其次是移动端的容量大小和资源带宽，而移动云的能量消耗主要来自无线传输过程中的不稳定因素造成。因此，将文献[2]中的移动云下的任务调度模型作为本文的任务调度模型。主要参数见表1所示。

从图1、图2中发现四种算法下的完成时间和能量消耗的对比效果，图1中显示了四种算法随着任务数量不断的增多而出现逐渐递增的趋势，从图中的曲线来看，本文算法的波动是最小的，且消耗时间是最少的，这说明本文算法相比于其他三种算法具有一定的优势；图2中显示了四种算法的能量消耗，从图中发现由于移动云计算的任务调度的特点使得能量消耗波动比较大，因此4种算法的曲线都是呈现震荡趋势，当从整体上看，本文算法的波动是最小的，且整体过程平缓。从以上两个图说明本文算法中的局部优化改进是具有效果的，尤其是种群的初始化操作，使得种群最优解尽可能来自更大的解空间，提高了种群的多样性；通过边界处理使得果蝇个体溢出的可能性降低，有效地保护了种群；探索步长的改进使得探索的范围得到了控制，有利于算法的稳定；通过人工蜂群算法的融合使得果蝇算法的具有更好的全局最优解。

4 结束语

根据移动云任务调度特点，构建了任务调度模型，通过对种群初始化，边界问题处理，步长的调整以及果蝇个体的全局优化使得算法的性能得到了提高，仿真实验表明本文算法相比其他智能算法在移动云任务调度的时间和能量消耗上对比中具有一定的优势，说明算法能够有效地提高云计算调度效率。

参考文献：

[1] 崔勇，宋健，缪葱葱.移动云计算研究进展与趋势[J].计算机学报，2017，40（2）：273-288.

[2] 胡海洋，刘润华，胡华.移动云计算环境下任务调度的多目标优化方法[J].计算机研究与发展，2017，54（9）：1909-1919.

[3] 柳兴，李建彬，杨震.移动云计算中的一种任务联合执行策略[J].计算机学报，2017，40（2）：364-377.

【通联编辑：朱宝贵】