许向阳，张芳磊

(河北科技大学 信息科学与工程学院，河北 石家庄 050000)

0 引言

云计算环境下任务调度算法的执行效率直接影响到用户对服务质量的体验，而多数传统的优化算法已经不能满足现在的需求，因此许多研究学者提出了蚁群算法、遗传算法等启发式智能类的算法。本文主要研究的是智能算法中的粒子群优化(Particle Swarm Optimization，PSO)算法。粒子群算法的模型就是在一块区域里让距离食物最近的一只鸟去寻找食物，减少寻找时间，提高速率。PSO算法由于具有参数少、计算效率高、搜索快速、编程容易且应用广泛等特点，从而被许多学者应用于云计算环境下任务调度算法的研究上。

许多专家和学者不断分析和研究影响任务调度的因素，已经在此算法上研究出许多有价值的方案。文献[1]通过分析粒子飞行轨迹提出广义和狭义中心粒子的双中心粒子群优化算法，改善粒子算法的精度和收敛速度。文献[2]在满足用户多任务服务质量的要求下，提出一种多QoS约束离散粒子群的优化算法。文献[3]将混合粒子群算法结合Pareto最优工作流调度解集合，解决冲突的三目标优化问题。文献[4]提出一种反向学习和局部学习的粒子群优化算法，通过反向学习增加种群粒子的多样性，降低算法局部最优的情况。文献[5]通过自适应地调整惯性权重来平衡算法的全局收敛性和收敛速度，提高算法性能。

优化粒子群算法通常也会与其他粒子群算法相结合。文献[6]利用遗传算法中交、变异的特点，将遗传算法与改进的粒子群算法相混合，增强了粒子的变异能力，又提高了粒子的搜索精度，大大降低了任务完成时间。……