DOC《     》

反之,为逆指标,即成本型指标.在本模型中,完成时间、费用、负载为逆指标,可靠性为正指标.对于正指标,无量纲化处理方法为 (2.9) 对于逆指标,采用如下方法 (2.10) 其中,为节点i的第j个指标的值,,

.处理后的数据范围在[0,1]闭区间. (2)建立规范化矩阵. (2.11) 其中,子目标权重向量,分别为完成时间、费用、负载和可靠性权重.该权重由任务类型和用户Qos需求确定. (3)计算每个节点到最优点和最劣点的欧氏距离和. 定义 最优点,即完成时间、费用及负载均最低,可靠性最高;

最劣点,即完成时间、费用及负载均最高,可靠性最低. 于是得到欧氏距离计算公式 (2.12) (2.13) (4)计算每个节点对理想点的相对贴近程度,即要求节点与最优解近,离最劣解远. (2.14) 因此,值最小的节点即为任务最适宜分配的节点. 仿真实验 本文通过仿真实验,对传统的min-min算法和本文带有资源评价的调度算法进行了比较.Min-min算法的调度目标是得到最小的调度长度,即每次从任务集中选取估计完成时间最早的任务,调度到相应计算节点上.本文通过评价算法进行任务分配,实验选取3种类型的任务为例,即各子目标权重分别为:1)算法E1: =(1,0,0,0);

2)算法E2: =(0.25,0.25,0.25,0.25);

3)算法E3:=(0,0,0,1). 图3.1为针对不同数量的任务集和节点集,min-min算法和本文算法调度长度的实验结果.由于云计算环境下资源数量大,计算节点往往远远多于待调度的任务,因此实验主要考虑节点数比任务数大的情况.取节点数100,任务数为[10,80].将一批任务分配到多个节点上并行执行,最终完成时间取决于计算时间最长的节点,因此定义调度长度: (3.1) 其中表示节点上所有任务的完成时间. 图3.1 调度长度比较 Fig.3.1 Comparison of Makespan 由图3.1可知,算法E1,即当完成时间子目标的权重最大时,在调度长度上取得了比min-min算法略好的效果.随着该权重的减小,算法E

2、E3的调度长度在逐渐增大.由于本文算法着重考虑云环境下计算节点多于任务的情况,因此,当任务数增加并接近节点数时,本文算法的优势逐渐变小. 图3.2为min-min与本文算法系统利用率的实验结果比较.定义系统利用率为执........