本发明涉及云计算和人工智能，具体涉及一种基于粒子群优化算法的算力资源调度系统及其实现方式和算法。
背景技术：
1、随着云计算技术的快速发展，算力资源的调度和管理已成为云计算平台运营中的关键环节。如何高效、合理地分配算力资源，以满足不同任务的需求，提高资源利用率，降低运营成本，成为当前亟待解决的问题。
技术实现思路
1、为了更加精准高效地实现云计算平台的算力资源调度和管理，针对不同的任务需求及时、合理地分配算力资源，提高资源利用率，降低运营成本，本发明提出了一种新的基于粒子群优化算法的算力资源调度系统，以及该系统的具体实现方式和算法。
2、具体地，本发明提供了一种基于粒子群优化算法的算力资源调度系统，如图1所示，本算力资源调度系统包括资源监控模块、任务管理模块、粒子群优化算法模块和调度执行模块；其中：
3、资源监控模块：用于实时监控云计算平台中各种算力资源的状态信息；
4、任务管理模块：用于接收并管理待处理的计算任务，任务管理包括任务的提交、排队、执行和结果返回；
5、粒子群优化算法模块：用于根据资源监控模块提供的信息和任务管理模块的需求，利用粒子群优化算法进行算力资源的调度优化；
6、调度执行模块：用于根据粒子群优化算法模块输出的最优调度方案，执行具体的算力资源调度操作。
7、进一步地，本发明基于粒子群优化算法的算力资源调度系统，资源监控模块中所述的云计算平台中各种算力资源的状态信息，包括但不限于：cpu使用率、内存占用率、网络带宽。
8、进一步地，本发明基于粒子群优化算法的算力资源调度系统，粒子群优化算法模块中所述的利用粒子群优化算法进行算力资源的调度优化，包括下述步骤：
9、s1.初始化粒子群
10、设定粒子群规模n，每个粒子代表一种算力资源调度方案，每种算力资源调度方案中均包括各种算力资源的分配情况；初始化每个粒子的位置和速度；
11、s2.定义适应度函数
12、根据资源监控模块提供的信息和任务管理模块的需求，定义适应度函数f(x)，用于评估每个粒子(即每种算力资源调度方案)的优劣；适应度函数f(x)定义过程中需结合任务完成时间、资源利用率、成本等因素，根据实际需求选择其具体的形式；
13、s3.计算适应度值
14、根据适应度函数f(x)，计算每个粒子的适应度值；适应度值越小，表示该粒子代表的算力资源调度方案越优；
15、s4.更新个体最优和全局最优
16、比较每个粒子的当前适应度值与其历史最优适应度值，若当前适应度值更优，则更新该粒子的个体最优位置和个体最优适应度值；同时，比较所有粒子的个体最优适应度值，找出全局最优位置和全局最优适应度值；
17、s5.更新粒子速度和位置
18、根据粒子群优化算法的速度和位置更新公式，结合个体最优位置和全局最优位置，更新每个粒子的速度和位置，速度和位置更新公式如下：
19、(1)
20、(2)
21、其中，表示第i个粒子在t时刻的速度，表示第i个粒子在t-1时刻的速度，表示第i个粒子在t时刻的位置，表示第i个粒子在t-1时刻的位置，w为惯性权重，c1和c2为学习因子，rand()为随机数函数，pbest[i]为第i个粒子的个体最优位置，gbest为全局最优位置；
22、s6.迭代优化
23、重复步骤s3-s5，直到满足终止条件；在每次迭代中，粒子群优化算法模块都会输出当前迭代次数下的最优调度方案。
24、进一步地，本发明基于粒子群优化算法的算力资源调度系统中利用粒子群优化算法进行算力资源的调度优化，步骤s1中所述的初始化每个粒子的位置和速度，包括：每个粒子的位置随机生成，每个粒子的速度均初始化为零或较小值。
25、进一步地，本发明基于粒子群优化算法的算力资源调度系统中利用粒子群优化算法进行算力资源的调度优化，步骤s2中所述的适应度函数f(x)定义为：
26、f(x)＝w1*任务完成时间+w2*(1-资源利用率)+w3*成本；
27、其中，w1、w2、w3分别为任务完成时间、资源利用率、成本的权重系数。
28、进一步地，本发明基于粒子群优化算法的算力资源调度系统中利用粒子群优化算法进行算力资源的调度优化，步骤s6中所述的终止条件，包括但不限于：达到最大迭代次数或适应度值达到预设阈值。
29、另一方面，本发明提供了一种基于粒子群优化算法的算力资源调度方法，如图2所示，包括下述步骤：
30、s1.获取算力资源状态信息
31、资源监控模块实时监控并获取云计算平台中各种算力资源的状态信息；
32、s2.初始化粒子群
33、设定粒子群规模n，每个粒子代表一种算力资源调度方案，每种算力资源调度方案中均包括各种算力资源的分配情况；初始化每个粒子的位置和速度；
34、s3.定义适应度函数
35、根据云计算平台中各种算力资源的状态信息和任务管理的需求，定义适应度函数f(x)，用于评估每个粒子(即每种算力资源调度方案)的优劣；适应度函数f(x)定义过程中需结合任务完成时间、资源利用率、成本等因素，根据实际需求选择其具体的形式；
36、s4.计算适应度值
37、根据适应度函数f(x)，计算每个粒子的适应度值；适应度值越小，表示该粒子代表的算力资源调度方案越优；
38、s5.更新个体最优和全局最优
39、比较每个粒子的当前适应度值与其历史最优适应度值，若当前适应度值更优，则更新该粒子的个体最优位置和个体最优适应度值；同时，比较所有粒子的个体最优适应度值，找出全局最优位置和全局最优适应度值；
40、s6.更新粒子速度和位置
41、根据粒子群优化算法的速度和位置更新公式，结合个体最优位置和全局最优位置，更新每个粒子的速度和位置，速度和位置更新公式如下：
42、(1)
43、(2)
44、其中，表示第i个粒子在t时刻的速度，表示第i个粒子在t-1时刻的速度，表示第i个粒子在t时刻的位置，表示第i个粒子在t-1时刻的位置，w为惯性权重，c1和c2为学习因子，rand()为随机数函数，pbest[i]为第i个粒子的个体最优位置，gbest为全局最优位置；
45、s7.迭代优化
46、重复步骤s4-s6，直到满足终止条件；在每次迭代中，粒子群优化算法模块都会输出当前迭代次数下的最优调度方案；
47、s8.执行调度操作
48、当粒子群优化算法模块输出最优调度方案时，调度执行模块根据该方案执行具体的算力资源调度操作，将合适的算力资源分配给各个计算任务。
49、进一步地，本发明基于粒子群优化算法的算力资源调度方法步骤s1中所述的云计算平台中各种算力资源的状态信息，包括但不限于：cpu使用率、内存占用率、网络带宽；
50、步骤s2中所述的初始化每个粒子的位置和速度，包括：每个粒子的位置随机生成，每个粒子的速度均初始化为零或较小值；
51、步骤s7中所述的终止条件，包括但不限于：达到最大迭代次数或适应度值达到预设阈值。
52、进一步地，本发明基于粒子群优化算法的算力资源调度方法步骤s3中所述的适应度函数f(x)定义为：
53、f(x)＝w1*任务完成时间+w2*(1-资源利用率)+w3*成本；
54、其中，w1、w2、w3分别为任务完成时间、资源利用率、成本的权重系数。
55、另外，本发明还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现上述的基于粒子群优化算法的算力资源调度方法的步骤。
56、综上，本发明基于粒子群优化算法的算力资源调度系统和算力资源调度方法，通过全局搜索优化算法，能够快速找到较优的算力资源调度方案，提高了调度效率和资源利用率，降低了运营成本，适用于云计算平台的算力资源调度管理。本发明方法及系统具有以下优点：
57、(1)本发明通过粒子群优化算法的全局搜索能力，能够快速找到较优的算力资源调度方案，提高了调度效率和资源利用率。
58、(2)本发明中适应度函数综合考虑了任务完成时间、资源利用率和成本等多个因素，能够满足不同任务的需求。
59、(3)本发明系统结构清晰，模块之间耦合度低，易于维护和扩展。
60、(4)本发明中还可引入并行计算技术，同时处理多个粒子的适应度计算和更新操作，进一步提高调度效率。
1.一种基于粒子群优化算法的算力资源调度系统，其特征在于，所述算力资源调度系统包括资源监控模块、任务管理模块、粒子群优化算法模块和调度执行模块；其中：
2.根据权利要求1所述的基于粒子群优化算法的算力资源调度系统，其特征在于，资源监控模块中所述的云计算平台中各种算力资源的状态信息，包括：cpu使用率、内存占用率、网络带宽。
3.根据权利要求1所述的基于粒子群优化算法的算力资源调度系统，其特征在于，粒子群优化算法模块中所述的利用粒子群优化算法进行算力资源的调度优化，包括下述步骤：
4.根据权利要求3所述的基于粒子群优化算法的算力资源调度系统，其特征在于，步骤s1中所述的初始化每个粒子的位置和速度，包括：每个粒子的位置随机生成，每个粒子的速度均初始化为零。
5.根据权利要求3所述的基于粒子群优化算法的算力资源调度系统，其特征在于，步骤s2中所述的适应度函数f(x)定义为：
6.根据权利要求3所述的基于粒子群优化算法的算力资源调度系统，其特征在于，步骤s6中所述的终止条件，包括：达到最大迭代次数或适应度值达到预设阈值。
7.一种基于粒子群优化算法的算力资源调度方法，其特征在于，包括下述步骤：
8.根据权利要求7所述的基于粒子群优化算法的算力资源调度方法，其特征在于，步骤s1中所述的云计算平台中各种算力资源的状态信息，包括：cpu使用率、内存占用率、网络带宽；
9.根据权利要求7所述的基于粒子群优化算法的算力资源调度方法，其特征在于，步骤s3中所述的适应度函数f(x)定义为：
10.一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求7-9任一项所述的基于粒子群优化算法的算力资源调度方法的步骤。
