云模型优化的QPSO算法在大数据云存储平台业务调度中的应用

于国龙 吴恋 崔忠伟 熊伟程 左羽

摘   要：QPSO算法作为最优秀的群体智能算法之一，有着较强的寻优能力，将QPSO算法用于云计算平台资源调度策略的寻优，有着明显的优势。通过对QPSO算法在云计算中的应用研究，为云计算平台效率的提升提供有效方法。文章对云模型优化的QPSO算法在大数据云存储平台业务调度中的应用进行分析与研究。

关键词：量子粒子群优化算法;云计算;任务调度;大数据

随着大数据的发展，云计算平台被广泛应用于大数据的云存储中。由于计算量大，平台的计算效率越来越受到重视，除了提升平台硬件性能外，软件系统的计算效率也大大制约了云计算平台整体性能，其中最受关注之一的是实现云计算平台的高效资源调度。同时，数据存储效率也成为一个关键的技术问题，目前较高效的手段是采用云平台，但往往因为数据量过大，存储效率不高。除了提升云存储平台的硬件性能之外，最有效的方法就是提升云存储系统的效率，其中，以改进云存储平台业务调度，来提升平台效率是一种被广泛使用的方法。

目前，粒子群算法已被广泛应用于资源调度、路径寻优、工业控制、数据分析等领域。在量子粒子群优化（Quantum Particle Swarm Optimization，QPSO）算法中，位于量子空间中的粒子可以以某一概率出现在搜索空间中的任意一点。粒子搜索过程中的量子行为使得QPSO算法的全局收敛能力大幅提升，并在智能计算领域，特别是复杂问题优化方面，得到了更广泛的应用[1-2]。其比传统的粒子群优化算法（Particle Swarm Optimization，PSO）有着更高的收敛速度，且只要有足够的迭代次数，就能以概率1收敛到最优解。本文选择QPSO算法来进行云存储平台任务的调度策略寻优，在应用QPSO算法时，利用建立粒子迭代次数与收缩—扩张系数云模型来计算其收缩—扩张系数，进而调节算法的收敛性能。本文将QPSO算法应用于云计算资源调度中，为提升云计算平台计算效率的研究提供一种新的思路和方法。

1     QPSO算法模型

QPSO算法是一种具有量子行为的PSO算法，若粒子寻优空间中有N个代表寻优解的粒子，第i个粒子在D维搜索空间的位置为Xi=（xi1，xi2，…，xiD），粒子i每次迭代局部最优位置为pbi=（ pbi1， pbi2，…，pbiD），整个粒子群的全局最优位置为gbi=（gbi1， gbi2，…， gbiD）。在量子空间中用波函数ψ（x）来确定粒子的状态，粒子在空间中某一位置出现的概率可以用|ψ（x）|2表示，假設粒子i第t次迭代时，在d维的势阱为pbid（t），则粒子i第t+1次迭代的波函数ψ（x）为[3]：

（1）

采用蒙特卡罗方法对粒子位置进行随机采样，可得到粒子在第t+1次迭代时，第i个粒子第d维的位置分量xid（t+1）。势阱特征长度Lid（t）的值由公式（2）计算：

（2）

其中，mb被称为平均最优位置，是粒子在所有维度上的个体最优值的平均值。α为收缩—扩张系数，决定了粒子的搜索能力。

2    基于云模型的收缩—扩张系数

云模型所表达概念的整体特性可以用云的数字特征来反映，主要有3个：期望Ex、熵En、超熵He，记作CE（Ex，En，He）。期望Ex是云滴在论域空间分布的期望，在本文中为粒子的收缩—扩张系数;熵En代表定性概念的可度量粒度，是迭代次数范围。超熵He是熵的不确定性度量，反映了同一次迭代收缩—扩张系数的模糊性和随机性的程度[4-5]，粒子的收缩—扩张系数云模型如图1所示。

在应用时，通过实验先利用逆向云发生器计算获得云滴的数字特征（Ex，En，He），然后生成收缩—扩张系数云模型。有了云模型，在迭代时就可以生成云滴，得到收缩—扩张系数α的值，α的值可以根据具体的应用来进行调整。

3    基于QPSO算法的云存储平台调度模型

设云存储平台中有m个计算资源，资源R={r1，r2，r3 ，..，rm};现有n个需要处理的计算任务集S，S={s1，s2，s3，…，sn}要合理地分配到资源R上，使得尽可能在云平台执行任务的时间最短，此时云储存平台就达到了最高效率。要实现该目的，就需要寻找到任务集S中的任务在资源池R中计算资源上的合理分配方案，即任务集S在资源池R上的最优调度策略，在此将采用上文提出的QPSO算法来对云计算平台最优任务调度方案进行寻优。在粒子搜索时，用tij表示任务si在资源rj上执行所花费的时间，tij=0表示任务si没有被调度到资源rj上执行。

要提高云存储平台的效率，就要使得在平台上执行的任务集合时间越短越好。构建一个粒子适应度函数F，如公式（3）所示，其中λi ，ξi为调节因子，F的值与任务执行总时间成反比关系：

，1≤i≤N （3）

在QPSO算法寻优最优调度策略时，可根据实际问题，通过λi和ξi调节因子来动态调整F的值大小，从而满足算法的需要。

4     结语

文中通过对QPSO算法的建模分析，选择了通过建立粒子迭代次数与收缩-扩张系数α的云模型，来计算算法的收缩—扩张系数，并建立了大数据云存储平台的任务调度模型。在任务调度模型中，采用了本文提出的QPSO算法，来对任务集在云存储平台上的调度策略进行寻优，最后给出了云存储平台任务调度算法的执行步骤。

[参考文献]

[1]辛菁，韩相帅，梁炎明，等.基于线性自适应QPSO整定的倒立摆模糊滑模控制[J].系统仿真学报，2017（11）：2909-2917.

[2]黄为勇，徐晓菊，潘晓博，等.量子粒子群优化算法的收缩—扩张系数控制策略研究[J].计算机应用研究，2016（9）：2592-2595.

[3]陈汉武，朱建锋，阮越，等.带交叉算子的量子粒子群优化算法[J].东南大学学报（自然科学版），2016（1）：23-29.

[4]杨健兵.基于云模型的船舶系統制造商筛选[J].舰船科学技术，2019（20）：208-210.

[5]时维国，闫小宇.基于云模型的改进粒子群PMSM参数辨识算法[J].大连交通大学学报，2019（1）：113-119.

Application of QPSO algorithm optimized by cloud model in task

scheduling of big data cloud storage platform

Yu Guolong， Wu Lian， Cui Zhongwei， Xiong Weicheng， Zuo Yu

（School of Mathematics and Computer Science， Guizhou Education University， Guiyang 550018， China）

Abstract：QPSO algorithm， as one of the best swarm intelligence algorithms， has a strong ability to find optimization， and it has obvious advantages to apply QPSO algorithm to the resource scheduling strategy of cloud computing platform. Through the research on the application of QPSO algorithm in cloud computing， it provides an effective method to improve the efficiency of cloud computing platform. This paper analyzes and studies the application of QPSO algorithm for cloud model optimization in business scheduling of big data cloud storage platform.

Key words：quantum particle swarm optimization algorithm; cloud computing; task scheduling; big data