[論文レビュー] Hybrid Ant Colony Algorithm Clonal Selection in the Application of the Cloud's Resource Scheduling

Jianbiao Lin, Yukun Zhong+3 more|arXiv (Cornell University)|Nov 10, 2014

Artificial Immune Systems Applications参考文献 10被引用数 6

ひとこと要約

本稿では、クラウドリソーススケジューリングの改善を目的として、クローン選択法（CSA）およびリバース変異を組み込んだハイブリッドアンチコロニー最適化（ACO）アルゴリズムを提案する。CSAのグローバル収束性と多様性維持機能をACOのフェロモンに基づく経路選択と統合し、リバース変異戦略を導入することで、収束速度を向上させ、局所最適解の回避を実現し、CloudSimシミュレーションにおいてタスク実行時間を短縮するとともにリソース利用効率を向上させる。

ABSTRACT

In this paper, thinking over characteristics of ant colony optimization Algorithm, taking into account the characteristics of cloud computing, combined with clonal selection algorithm (CSA) global optimum advantage of the convergence of the clonal selection algorithm (CSA) into every ACO iteration, speeding up the convergence rate, and the introduction of reverse mutation strategy, ant colony optimization algorithm avoids local optimum. Depth study of the cloud environment ant colony clonal selection algorithm resource scheduling policy, clonal selection algorithm converges to solve optimization problems when sufficient condition for global optimal solution based on clonal selection algorithm for various applications such as BCA and CLONALG algorithm, using these sufficient condition to meet and simulation platform CloudSim achieve a simulation by extending the cloud. Experimental results show that this task can be shortened fusion algorithm running time cloud environment, improve resource utilization. Demonstrate the effectiveness of the method.

研究の動機と目的

• 標準ACOにおける収束が遅く、局所最適解に陥りやすいという限界を解消すること。
• クローン選択法（CSA）のグローバル収束性と集団の多様性を活用し、ACOの最適化性能を向上させること。
• ハイブリッドメタヒューリスティック統合により、動的で多様なクラウド環境におけるスケジューリング効率を向上させること。
• CloudSimシミュレーションプラットフォームを用いて、提案手法の有効性を検証すること。

提案手法

• 各反復においてアンチコロニー最適化（ACO）プロセスにクローン選択法（CSA）を統合し、収束を加速させるとともに、解の多様性を維持する。
• 有望な解を摂動させるためにリバース変異戦略を適用し、局所最適解からの脱出を助け、探索能力を向上させる。
• フェロモン濃度 $\tau_j(t)$ とヒューリスティック情報 $\eta_j$ を用いてタスクからリソースへの割り当てを指導致し、$p_{jk}^i$ はタスク $k$ をリソース $j$ に割り当てる確率を表す。
• クローン、ハイパーミューテーション（CRHO演算子を用いる）、老化、選択を含む一般化されたCSAフレームワークを採用し、世代間で最適解を維持する。
• CloudSimを拡張し、DataCenterBroker、Cloudlet、VmSchedulerなどのクラスを修正して、ハイブリッドアルゴリズムの実装とテストを実施する。
• 生成回数または収束基準に基づく終了条件を採用し、アルゴリズム実行を制御する。

実験結果

リサーチクエスチョン

• RQ1 クローン選択法（CSA）をアンチコロニー最適化（ACO）と統合することで、クラウドリソーススケジューリングにおける収束速度と解の品質が向上するか。
• RQ2 リバース変異およびハイパーミューテーション戦略の導入が、アルゴリズムの局所最適解回避能力に与える影響は何か。
• RQ3 ハイブリッドACO-CSAアルゴリズムは、標準ACO、ラウンドロビン、MACOと比較して、タスク実行時間およびリソース利用効率の面でどの程度優れているか。
• RQ4 提案手法は、動的クラウド環境ですら、世代間で最適解を維持できるか。

主な発見

• CloudSimシミュレーションにおいて、ハイブリッドACO-CSAアルゴリズムは、ラウンドロビンおよび標準ACOアルゴリズムと比較して、平均タスク実行時間を顕著に短縮した。
• CSAのグローバル最適化能力とリバース変異による探索強化のおかげで、収束が著しく速くなった。
• フェロモンとヒューリスティック情報に基づくタスクの最適リソースへの効率的割り当てにより、リソース利用効率が向上した。
• 老化と選択メカニズムのおかげで、高親和性の解が消失しないため、世代間で最良の解を維持できた。
• すべてのテスト環境において、ラウンドロビンおよび標準ACOを上回る性能を示したが、特に高負荷条件下での改善が顕著であった。