[论文解读] 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 6

一句话总结

本文提出了一种结合克隆选择算法（CSA）和反向突变的混合蚁群优化（ACO）算法，以提升云资源调度性能。通过整合CSA的全局收敛性和多样性保持能力，结合ACO的信息素路径选择机制，并引入反向突变策略，该方法加速了收敛过程，避免了局部最优解，从而在CloudSim仿真中减少了任务执行时间并提高了资源利用率。

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.

研究动机与目标

• 为解决标准ACO在云资源调度中收敛速度慢和易陷入局部最优等局限性。
• 利用克隆选择算法（CSA）的全局收敛性和种群多样性，以增强ACO的优化性能。
• 通过混合元启发式算法的集成，提升在动态异构云环境中的调度效率。
• 利用CloudSim仿真平台验证所提出混合算法的有效性。

提出的方法

• 在蚁群优化（ACO）的每次迭代中集成克隆选择算法（CSA），以加速收敛并保持解的多样性。
• 应用反向突变策略对有前景的解进行扰动，帮助跳出局部最优，提升探索能力。
• 利用信息素浓度 $\tau_j(t)$ 和启发式信息 $\eta_j$ 指导任务到资源的分配，其中 $p_{jk}^i$ 表示将任务 $k$ 分配给资源 $j$ 的概率。
• 采用广义的CSA框架，包含克隆、高突变（使用CRHO算子）、老化和选择机制，以在代际间保持最优解。
• 通过修改CloudSim中的DataCenterBroker、Cloudlet和VmScheduler等类，扩展平台以实现并测试该混合算法。
• 采用基于代数数量或收敛准则的终止条件，以控制算法的执行过程。

实验结果

研究问题

• RQ1 将克隆选择算法与蚁群优化相结合，是否能提升云资源调度中的收敛速度和解的质量？
• RQ2 反向突变和高突变策略的引入，如何影响算法避免局部最优的能力？
• RQ3 在任务执行时间和资源利用率方面，该混合ACO-CSA算法相较于标准ACO、轮询（Round-Robin）和MACO算法的性能提升程度如何？
• RQ4 所提出的方法是否能在动态云环境中，保持代际间的最优解？

主要发现

• 在CloudSim仿真中，与轮询（Round-Robin）和标准ACO算法相比，混合ACO-CSA算法显著降低了平均任务执行时间。
• 由于CSA的全局优化能力以及反向突变带来的增强探索，该算法表现出更快的收敛速度。
• 通过基于信息素和启发式信息的智能任务分配，资源利用率得到提升。
• 通过老化和选择机制，算法在代际间保持了最优解，有效防止了高亲和力解的丢失。
• 在所有测试场景中，该方法均优于轮询和标准ACO算法，尤其在高负载条件下表现最为突出。