吕计英

（西山煤电集团信息中心，山西 太原 030053）

云计算不仅要面向大量的用户群，还要处理海量任务与数据，因此任务调度就成为了云计算中的重点与难点。现有的常见任务调度算法有3种：FIFO调度算法、公平调度算法（Fair Scheduler）和计算能力调度算法（Capacity Scheduler）。它们都存在一些不足：FIFO调度算法会忽略不同用户的不同作业需求，使交互性的用户作业长期处于等待状态，影响系统效率；公平调度算法会造成计算资源的部分浪费，影响资源利用效率；计算能力调度算法容易使作业处于长期等待状态，陷入局部最优。为了解决这些算法的不足，一些借鉴遗传算法、蚁群算法等智能算法的云环境任务调度算法相继被提出。基于改进的蚁群算法的云环境任务调度算法[1]，避免了蚁群优化算法陷入局部最优，缩短了任务平均运行时间，提高了资源利用效率。针对云计算的编程模型框架，提出了一种具有双适应度的遗传算法的任务调度算法[2]，不仅能够快速确定完成所有任务的时间，而且还能保证该调度策略的任务平均完成时间也较短。这增加了问题搜索空间，避免了局部最优。

本文利用免疫算法中的克隆选择算法，将其应用于云计算环境中的任务调度问题。根据抗体与抗原之间亲和力的大小，获取优秀抗体，并对抗体进行不同程度的变异，最终找出优秀的抗体种群，得出问题的最优解。通过仿真实验，验证其算法的有效性，并能够快速确定任务调度最优策略，提高了系统的整体性能与资源利用效率。……