[论文解读] A new SSO-based Algorithm for the Bi-Objective Time-constrained task Scheduling Problem in Cloud Computing Services

Chia‐Ling Huang, Wei‐Chang Yeh|arXiv (Cornell University)|May 13, 2019

Cloud Computing and Resource Management参考文献 27被引用 4

一句话总结

本文提出了一种新型的双目标简化蚁群优化（BSSO）算法，以解决云计算中的时间约束双目标任务调度问题。通过改进先前的MOSSO算法并纠正其缺陷，BSSO在收敛性、多样性及非支配性方面均优于NSGA-II、MOPSO和MOSSO，无论是在临时非支配解还是真实非支配解中表现更优。

ABSTRACT

Cloud computing distributes computing tasks across numerous distributed resources for large-scale calculation. The task scheduling problem is a long-standing problem in cloud-computing services with the purpose of determining the quality, availability, reliability, and ability of the cloud computing. This paper is an extension and a correction to our previous conference paper entitled Multi Objective Scheduling in Cloud Computing Using MOSSO published in 2018 IEEE Congress on Evolutionary Computation. More new algorithms, testing, and comparisons have been implemented to solve the bi-objective time-constrained task scheduling problem in a more efficient manner. Furthermore, this paper developed a new SSO-based algorithm called the bi-objective simplified swarm optimization to fix the error in previous SSO-based algorithm to address the task-scheduling problem. From the results obtained from the new experiments conducted, the proposed BSSO outperforms existing famous algorithms, e.g., NSGA-II, MOPSO, and MOSSO in the convergence, diversity, number of obtained temporary nondominated solutions, and the number of obtained real nondominated solutions. The results propound that the proposed BSSO can successfully achieve the aim of this work.

研究动机与目标

• 解决先前基于SSO的算法在解决云计算中双目标时间约束任务调度问题时的局限性。
• 提升多目标优化在云任务调度中的收敛性和多样性。
• 纠正先前MOSSO算法中存在的错误，并通过改进的基于SSO的方法提升其性能。
• 在解的质量和稳定性方面，将所提出的BSSO与NSGA-II、MOPSO和MOSSO等成熟算法进行对比评估。
• 证明BSSO在时间约束下生成临时和真实非支配解的有效性。

提出的方法

• 基于SSO框架，提出一种新的双目标简化蚁群优化（BSSO）算法，用于求解双目标时间约束任务调度问题。
• 对原始SSO算法进行修改，以纠正识别出的错误，并提升多目标搜索中的收敛性和多样性。
• 采用基于种群的启发式方法，其中每个解代表一种潜在的任务调度方案，通过执行时间和成本两个目标进行评估。
• 使用非支配排序机制对解进行排序，并在帕累托前沿近似中保持多样性。
• 实施一种自适应机制，根据搜索空间中的个体最优和全局最优来更新解的位置。
• 通过基准实例对BSSO与NSGA-II、MOPSO和MOSSO进行大量实验，评估性能指标。

实验结果

研究问题

• RQ1 所提出的BSSO算法在时间约束的云任务调度中，是否能在收敛性和多样性方面优于现有多目标优化算法？
• RQ2 经过修正的基于SSO的方法在解的质量和稳定性方面，相较于先前的MOSSO算法有何改进？
• RQ3 BSSO在生成临时和真实非支配解方面，相较于NSGA-II和MOPSO的优越程度如何？
• RQ4 算法修正对大规模云环境中解的鲁棒性和可扩展性有何影响？
• RQ5 在双目标设置下，BSSO在收敛性、多样性及超体积等性能指标上的表现如何？

主要发现

• 所提出的BSSO算法在双目标时间约束任务调度问题中，收敛性表现优于NSGA-II、MOPSO和MOSSO。
• BSSO在帕累托前沿近似中展现出更强的多样性，表明非支配解的分布更均匀。
• 该算法生成了更多的临时非支配解，表明其具有更强的探索能力。
• BSSO获得了更多的真实非支配解，证实其在识别高质量、非支配调度方案方面的有效性。
• 结果验证了经修正的基于SSO的方法成功解决了先前MOSSO算法中的缺陷。
• 总体而言，BSSO在所有评估指标上均优于现有算法，证实其在云计算环境中实际部署的潜力。