深入解析：2025年SEVC SCI2区，基因改造多种群粒子群算法+云环境工作流调度，深度解析+性能实测

目录

• • 1.摘要
  • 2.架构模型
  • 3.基因改造多种群粒子群算法GMPSO
  • 4.结果展示
  • 5.参考文献
  • 6.代码获取
  • 7.算法辅导·应用定制·读者交流

---

1.摘要

云计算已成为处理大规模应用的主流模式，但在动态资源环境中，高效调度具复杂依赖关系的工作流任务并合理分配虚拟执行单元，仍面临严峻挑战。传统启发式算法在解决此类多目标优化疑问时，往往难以兼顾收敛速度与解的多样性。针对这一疑问，本文提出了一种基因改造多种群粒子群算法（GMPSO），以建立工作流调度中工期与能耗的协同优化。GMPSO依据基于适应度的子种群划分，结合遗传算法的全局搜索与粒子群优化的局部精细搜索，并设计了负载感知的初始化机制、差异化的多种群搜索策略以及自适应遗传扰动算子，从而显著提升搜索效率与解的质量。

2.架构模型

本文总体架构模型如图所示，主要由三部分组成：工作流模型、调度执行模型以及云资源模型。多目标优化模型（综合考虑工期与能耗需求）被嵌入到调度模型中，用于指导任务排序与资源分配。

资源模块由多种类型的虚拟机（VM）实例构成，每个虚拟机在同一时刻只能执行一个任务，并按队列顺序依次处理待执行任务。在资源模块中，经过排序的任务会被映射到相应的虚拟机上，最终执行结果返回至应用层。

工作流模型

工作流被建模为有向无环图（DAG），节点表示任务，边表示依赖关系。任务需在前驱完成后才能执行，初始任务无前驱，结束任务无后继，可存在多个入口与出口。

云资源模型

云环境由不同类型虚拟机组成，每台虚拟机一次仅能执行一个任务。任务与虚拟机通过整数编码映射，不同虚拟机的计算能力与带宽决定任务执行时间与通信开销。

调度模型

工期（Makespan）

在计算工作流任务的工期时，必须考虑任务之间的依赖关系。设$T_s$和$T_f$分别表示任务的最早开始时间和最早完成时间，则任务$t_i$在虚拟机$r_a$上的最早开始时间$T_S(t_i,r_a)$定义如下：
$$T_S(t_i,r_a)=\max \{T_F(t_j,r_a)+T_C(t_j,t_i)\}$$

其中，$t_j$是$t_i$前驱任务，$T_S(t_i,r_a)$等于所有前驱任务的最晚完成时间与其通信时间之和。

任务$t_i$在$r_a$上的最早完毕时间记为：
$$T_F(t_i,r_a)=T_S(t_i,r_a)+T_E(t_i,r_a)$$

根据前述 DAG 结构，工作流序列的工期为：
$$\varphi =T_F(t_{exit},r_a)$$

能耗（Energy Consumption）

在 IaaS 云环境中，处理器能耗通常占据整体能耗的关键部分。根据任务是否在虚拟机上运行，处理器分为运行状态和空闲状态，其能耗分别为：
$$E_R=\sum _{a=1}^m\sum _{i=1}^n[U_{i_a}\cdot T_E(t_i,r_a)\cdot Q_{R_a}]$$

$$E_I=\sum _{a=1}^m\{\varphi -\sum _{i=1}^n[U_{i_a}\ast T_E(t_i,r_a)]\ast Q_{I_a}\}$$

其中，$U_{ia}$ 表示任务 $t_i$是否运行在虚拟机$r_a$上（取值为 0 或 1）；$Q_{Ra}$ 和 $Q_{Ia}$分别表示虚拟机$r_a$在运行和空闲状态下的能耗。总能耗：
$$\psi =E_R+E_I$$

3.基因改造多种群粒子群算法GMPSO

基于负载感知的初始化

为满足任务的优先级约束，本文采用拓扑排序生成初始任务序列，并在此基础上设计了负载感知的任务—虚拟机映射策略。不同于传统的随机初始化，该手段充分考虑任务数据量与虚拟机性能的异构性：将数据量大于平均值的任务分配至高性能 VM 组，将数据量较小的任务分配至低性能 VM 组，并在组内优先选择当前负载最轻的 VM，从而提升资源利用率，避免关键任务被低算力 VM 拖慢执行进度或高性能 VM 长时间空闲。通过该机制，初始化阶段即可获得质量更高的调度方案，为后续优化提供良好起点，实用缓解算法过早收敛和局部最优的问题。

遗传算子

在调度问题中，遗传算子分为交叉与变异两类，均作用于任务序列与映射序列。

• 交叉：任务序列交叉需保持任务依赖关系，采用基于拓扑序的方法生成新个体；映射序列交叉则无约束，只需交换片段即可。
• 变异：任务序列变异受依赖约束，采用局部交换策略在前驱与后继范围内调整任务位置；映射序列变异不受约束，通过随机更改虚拟机编号搭建。

差异化多种群框架

在GMPSO 中，个体按适应度分为优良、一般和劣质三类，并采用差异化算子：优良子种群以小概率交叉保持精英质量并防止早熟收敛；劣质子种群以高概率变异增强多样性、拓展搜索空间；一般子种群则兼顾交叉与变异，在全局探索与局部收敛间起到平衡作用。随着演化推进，交叉与变异概率由 Sigmoid 函数动态调节，以保证稳定收敛至帕累托前沿。

4.结果展示

5.参考文献

[1] Zhang P, Gao J, Tan L, et al. Genetically-modified multi-population particle swarm optimization for workflow scheduling in cloud environment[J]. Swarm and Evolutionary Computation, 2025, 98: 102113.

6.代码获取

xx

7.算法辅导·应用定制·读者交流

xx