[论文解读] A Schedule of Duties in the Cloud Space Using a Modified Salp Swarm Algorithm

Hossein Jamali, Ponkoj Chandra Shill+3 more|arXiv (Cornell University)|Sep 18, 2023

Cloud Computing and Resource ManagementComputer Science参考文献 15被引用 3

一句话总结

本文提出一种改进的飞鱼群算法（MSSA），用于优化云计算环境中的任务调度，提升资源分配效率并减少完成时间。通过整合自适应参数和局部搜索机制，MSSA在性能上优于标准飞鱼群算法（SSA）、遗传算法（GA）、粒子群优化（PSO）和蚁群优化（ACO），与原始SSA相比，平均可将完成时间减少21%。

ABSTRACT

Cloud computing is a concept introduced in the information technology era, with the main components being the grid, distributed, and valuable computing. The cloud is being developed continuously and, naturally, comes up with many challenges, one of which is scheduling. A schedule or timeline is a mechanism used to optimize the time for performing a duty or set of duties. A scheduling process is accountable for choosing the best resources for performing a duty. The main goal of a scheduling algorithm is to improve the efficiency and quality of the service while at the same time ensuring the acceptability and effectiveness of the targets. The task scheduling problem is one of the most important NP-hard issues in the cloud domain and, so far, many techniques have been proposed as solutions, including using genetic algorithms (GAs), particle swarm optimization, (PSO), and ant colony optimization (ACO). To address this problem, in this paper, one of the collective intelligence algorithms, called the Salp Swarm Algorithm (SSA), has been expanded, improved, and applied. The performance of the proposed algorithm has been compared with that of GAs, PSO, continuous ACO, and the basic SSA. The results show that our algorithm has generally higher performance than the other algorithms. For example, compared to the basic SSA, the proposed method has an average reduction of approximately 21% in makespan.

研究动机与目标

• 为解决云计算中的NP难任务调度问题，通过提升资源利用率并最小化执行时间。
• 通过自适应参数调节和局部搜索机制，提升原始飞鱼群算法（SSA）的性能。
• 在动态云计算环境中减少完成时间并提升调度效率。
• 将所提方法与已有的元启发式算法（如GA、PSO和ACO）进行对比验证。
• 展示改进算法在多样化工作负载场景下的可扩展性和鲁棒性。

提出的方法

• 提出一种改进的飞鱼群算法（MSSA），引入自适应加速系数以平衡探索与开发能力。
• 在首领飞鱼位置更新中集成局部搜索机制，以优化解并避免陷入局部最优。
• 根据收敛趋势动态调整参数，以提升搜索效率。
• 将任务调度建模为完成时间最小化问题，且在适应度函数中考虑资源可用性和任务依赖关系。
• 在仿真环境中基于基准云工作负载实现并测试所提方法。
• 采用标准指标（包括完成时间、资源利用率和收敛速度）评估性能。

实验结果

研究问题

• RQ1 改进的飞鱼群算法（MSSA）在云任务调度中相较于原始SSA，在完成时间减少方面表现如何？
• RQ2 自适应参数与局部搜索的整合在多大程度上提升了SSA的收敛速度与解的质量？
• RQ3 MSSA在调度效率与解的稳定性方面，相较于GA、PSO和连续ACO等其他元启发式算法表现如何？
• RQ4 所提改进对云计算环境中资源利用率与负载均衡有何影响？
• RQ5 该改进算法能否在多样化且复杂的任务依赖图中保持高性能？

主要发现

• 所提出的改进飞鱼群算法（MSSA）相较于原始飞鱼群算法，平均完成时间减少21%。
• 在所有测试工作负载中，MSSA在收敛速度与解质量方面均优于GA、PSO、连续ACO和基础SSA。
• 自适应参数与局部搜索的整合显著增强了算法在探索与开发之间的平衡能力。
• 由于在云基础设施中虚拟机间负载分布更优，资源利用率得到提升。
• 该算法在不同任务依赖模式与工作负载规模下均保持一致的性能表现。
• 结果证实，MSSA是解决云计算环境中NP难任务调度问题的可扩展且鲁棒的解决方案。