云环境中使用飞蛾火焰和萨尔普群算法组合的工作流调度(Matlab代码实现)

简介: 云环境中使用飞蛾火焰和萨尔普群算法组合的工作流调度(Matlab代码实现)

💥1 概述

本文介绍了云环境中的工作流调度,并研究了具有不同数量异构虚拟机(VM)的不同服务器。为此,该文提出一种结合蛾焰优化(MFO)和Salp Swarm算法(SSA)的多目标工作流调度方法,提出一种具有不同目标(制造时间、吞吐量、资源利用率和可靠性)的MFSSA方法。MFSSA算法的主要目标是根据目标函数的最小化找到最优的服务器和虚拟机,从而为每个工作流任务获得最佳虚拟机。


📚2 运行结果

部分代码:

%Define problem parameters
search_agents_number=50; % Number of search agents
maxLoop=100; % Maximum numbef of iterations
%-------------------------------------------------------------------------%
% MIPS (Millions of Instructions Per Second)
% Expect Complete Time (ECT) 
% A cloud server(Node) can execute several separate VM samples, and each VM sample includes various resources such as CPU and memory
% the CPU (cpu_i (t)) and memory (mem_i (t))) usage of the cloud server are between [0, 100], i.e.  0鈮pu_i (t), mem_i (t)鈮�100
% ECT (k,j) represents the expected time of execution of task T(k,1) on vm(:, j)
Node1=randi([0 100],2,3);%vm1, vm2, vm3----> each vm incloud 2 feature(cpu capacity(mips), memory)...0鈮pu_i (t), mem_i (t)鈮�100
Node2=randi([0 100],2,4);%vm1, vm2, vm3, vm4----> each vm incloud 2 feature(cpu capacity(mips), memory)...0鈮pu_i (t), mem_i (t)鈮�100
Node3=randi([0 100],2,5);%vm1, vm2, vm3, vm4, vm5----> each vm incloud 2 feature(cpu capacity(mips), memory)...0鈮pu_i (t), mem_i (t)鈮�100
Node4=randi([0 100],2,6);%vm1, vm2, vm3, vm4, vm5, vm6, vm7----> each vm incloud 2 feature(cpu capacity(mips), memory)...0鈮pu_i (t), mem_i (t)鈮�100
Node5=randi([0 100],2,8);
Node6=randi([0 100],2,10);
Node7=randi([0 100],2,9);
Node8=randi([0 100],2,12);
%-------------------------------------------------------------------------%
failure_Rate1 = [9e-5, 7e-5, 8e-5, 6e-5, 5e-5, 6e-5]; %failure_Rate of each processor(deadline failure rate of the tasks at time t)
num_core = [15, 10, 15, 20, 25, 20]; %number of cores
for jj=1:size(Node1, 2)
    s=randi(size(failure_Rate1, 2));
    Node1(3, jj)=failure_Rate1(1, s);
    Node1(4, jj)=num_core(1, s);%number of cores
    Node1(5, jj)=num_core(1, s)*Node1(2, jj);% capacity of the VM instance
end
for jj=1:size(Node2, 2)
    s=randi(size(failure_Rate1, 2));
    Node2(3, jj)=failure_Rate1(1, s);
    Node2(4, jj)=num_core(1, s);
    Node2(5, jj)=num_core(1, s)*Node2(2, jj);% capacity of the VM instance
end
for jj=1:size(Node3, 2)
    s=randi(size(failure_Rate1, 2));
    Node3(3, jj)=failure_Rate1(1, s);
    Node3(4, jj)=num_core(1, s);
    Node3(5, jj)=num_core(1, s)*Node3(2, jj);% capacity of the VM instance
end
for jj=1:size(Node4, 2)
    s=randi(size(failure_Rate1, 2));
    Node4(3, jj)=failure_Rate1(1, s);
    Node4(4, jj)=num_core(1, s);
    Node4(5, jj)=num_core(1, s)*Node4(2, jj);% capacity of the VM instance
end
for jj=1:size(Node5, 2)
    s=randi(size(failure_Rate1, 2));
    Node5(3, jj)=failure_Rate1(1, s);
    Node5(4, jj)=num_core(1, s);
    Node5(5, jj)=num_core(1, s)*Node5(2, jj);% capacity of the VM instance
end
for jj=1:size(Node6, 2)
    s=randi(size(failure_Rate1, 2));
    Node6(3, jj)=failure_Rate1(1, s);
    Node6(4, jj)=num_core(1, s);
    Node6(5, jj)=num_core(1, s)*Node6(2, jj);% capacity of the VM instance
end
for jj=1:size(Node7, 2)
    s=randi(size(failure_Rate1, 2));
    Node7(3, jj)=failure_Rate1(1, s);
    Node7(4, jj)=num_core(1, s);
    Node7(5, jj)=num_core(1, s)*Node7(2, jj);% capacity of the VM instance
end
for jj=1:size(Node8, 2)
    s=randi(size(failure_Rate1, 2));
    Node8(3, jj)=failure_Rate1(1, s);
    Node8(4, jj)=num_core(1, s);
    Node8(5, jj)=num_core(1, s)*Node8(2, jj);% capacity of the VM instance
end
% save vm_info.mat Node1 Node2 Node3 Node4 Node5 Node6 Node7 Node8;
%=========================================================================%
total_Node={Node1, Node2, Node3, Node4, Node5, Node6, Node7, Node8};
%=========================================================================%
total_vm=zeros(size(Node1, 1), size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2)+size(Node6, 2)+size(Node7, 2)+size(Node8, 2));
total_vm(:, 1:size(Node1, 2))=Node1(:, :);
total_vm(:, size(Node1, 2)+1:size(Node1, 2)+size(Node2, 2))=Node2(:, :);
total_vm(:, size(Node1, 2)+size(Node2, 2)+1:size(Node1, 2)+size(Node2, 2)+size(Node3, 2))=Node3(:, :);
total_vm(:, size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+1:size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2))=Node4(:, :);
total_vm(:, size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+1:size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2))=Node5(:, :);
total_vm(:, size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2)+1:size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2)+size(Node6, 2))=Node6(:, :);
total_vm(:, size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2)+size(Node6, 2)+1:size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2)+size(Node6, 2)+size(Node7, 2))=Node7(:, :);
total_vm(:, size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2)+size(Node6, 2)+size(Node7, 2)+1:size(Node1, 2)+size(Node2, 2)+size(Node3, 2)+size(Node4, 2)+size(Node5, 2)+size(Node6, 2)+size(Node7, 2)+size(Node8, 2))=Node8(:, :);
%=========================================================================%
% DAG
job_uses=row(:, 22); %task size
child_ref=text(:, 23);
child_parent=text(:, 24);
% child_parent1=child_parent;
% child_ref1=child_ref;
% index1 = find(contains(child_parent, 'ID00000'));
% index2 = find(contains(child_ref, 'ID00000'));
for jj=2:size(child_parent, 1)
    job_uses1(jj, 1)=cell2mat(job_uses(jj, 1));
end
B1=unique(child_parent);% hazf anasor tekrari
B2=unique(child_ref);
ff=zeros(size(B1, 1), size(B1, 1));
for k1=2:size(B1, 1)-1
    for k2=2:size(B2, 1)-1
    aa = find(contains(child_parent, B1(k1)));
    for i3=1:size(aa, 1)
        m1=child_ref(aa(i3, 1), 1);
        bb = find(contains(B2, m1));
        m2=child_parent(aa(i3, 1), 1);
        h1=strcmp(m1, m2);
        if h1==1
           ff(k1-1, bb)=-1;
        else
           ff(k1-1, bb)=job_uses1(aa(i3, 1), 1);
        end
    end
end
end
fff=ff;
for i=1:size(fff, 1)
    for j=1:size(fff, 2)
        if fff(i, j)==0
        fff(i, j)=-1;
        end
    end
end
fff=fff(1:size(fff, 1)-2, 2:size(fff, 2)-1);
%=========================================================================%
taskNum = size(B1, 1)-2; % 
% taskNum = size(fff, 1); % 
nvar = taskNum;
% nvar=size(DataSet, 1);    % number of tasks for scheduling.
nvms=size(total_vm, 2);  % number of virtual machine.
dim=nvar;
xmin=1;
xmax=nvms;
lowerBound=xmin;
upperBound=xmax;
%=========================================================================%
% ECT=zeros(nvar,nvms);
% for i1=1:nvar
%     for j1=1:nvms
%         ECT(i1, j1)=DataSet(i1,:)./total_vm(1, j1);
%     end
% end
%=========================================================================% 
DAG = FunctionClass; %produce the structure
DAG.E=fff;%Communication cost between Ti and Tj/set of those task dependencies
DAG.arrivalTime = 0;
%=========================================================================%
% for workflow with 6 tasks
taskNum = 6;
DAG.Wcet = randi([1 100],size(total_vm, 2), taskNum+1);%Computation cost of Ti on pj/the task execution time matrix
DAG.E = [-1 20 24 -1 -1 -1;-1 -1 -1 12 -1 -1;-1 -1 -1 -1 43 -1;-1 -1 -1 -1 -1 70;-1 -1 -1 -1 -1 93;-1 -1 -1 -1 -1 -1];  
%=========================================================================%
energy_Spec =abs(rand(size(total_vm, 2), taskNum));%(NUM Of PROCESSOR)x(num task)
%=========================================================================%
%MFO_SSA
%avg 30 runs
% for i=1:30% 30 Runs
[Resourse_utilization_MFSSA, Throughput_MFSSA, Reliability_MFSSA, Fitnes_value_MFSSA, MakeSpanMax_MFSSA, index_server_MFSSA, pos_best_MFSSA, Leader_pos_MFSSA] = forLoopFuc_MFSSA(taskNum, DAG, energy_Spec, search_agents_number, maxLoop, Node1, Node2, Node3, Node4, Node5, Node6, Node7, Node8, total_vm, nvar, dim, lowerBound,upperBound);
% end
%=========================================================================%
fprintf('1-Resourse_utilization_MFSSA is %f\n', Resourse_utilization_MFSSA);
fprintf('1-Throughput_MFSSA is %f\n', Throughput_MFSSA);%
fprintf('1-Reliability_MFSSA is %f\n', Reliability_MFSSA);%
fprintf('1-MakeSpanMax_MFSSA is %f\n', MakeSpanMax_MFSSA);%
fprintf('1-Fitnes_value_MFSSA is %f\n', Fitnes_value_MFSSA);
%========================================================================


🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。


[1]Taybeh Salehnia, Saeed Naderi, Seyedali Mirjalili, Mahmood Ahmadi (2023) A workflow scheduling in cloud environment using a combination of Moth-Flame and Salp Swarm algorithms


🌈4 Matlab代码实现

目录
打赏
0
0
0
0
78
分享
相关文章
基于免疫算法的最优物流仓储点选址方案MATLAB仿真
本程序基于免疫算法实现物流仓储点选址优化,并通过MATLAB 2022A仿真展示结果。核心代码包括收敛曲线绘制、最优派送路线规划及可视化。算法模拟生物免疫系统,通过多样性生成、亲和力评价、选择、克隆、变异和抑制机制,高效搜索最优解。解决了物流仓储点选址这一复杂多目标优化问题,显著提升物流效率与服务质量。附完整无水印运行结果图示。
基于免疫算法的最优物流仓储点选址方案MATLAB仿真
基于 pyflink 的算法工作流设计和改造
本文分享了硕橙科技大数据工程师程兴源在Flink Forward Asia 2024上的演讲内容,围绕工业互联网场景下的Flink应用展开。主要内容包括:为何选择Flink、算法工作流设计、性能优化实践、上下游链路协作思考及未来展望。团队通过Flink处理工业设备数据(如温度、振动等),实现故障预测与分析。文章详细探讨了性能优化路径(如批处理、并行度提升)、KeyBy均衡化、内存管理等技术细节,并介绍了数据补全方法和告警规则的设计。最后,对未来基于Flink的编码强化、CEP模式改进及工业数据归因目标进行了展望。
基于 pyflink 的算法工作流设计和改造
基于GA遗传算法的斜拉桥静载试验车辆最优布载matlab仿真
本程序基于遗传算法(GA)实现斜拉桥静载试验车辆最优布载的MATLAB仿真,旨在自动化确定车辆位置以满足加载效率ηq(0.95≤ηq≤1.05)的要求,目标是使ηq尽量接近1,同时减少加载车辆数量和布载耗时。程序通过迭代优化计算车辆位置、方向、类型及占用车道等参数,并展示适应度值收敛过程。测试版本为MATLAB2022A,包含核心代码与运行结果展示。优化模型综合考虑车辆总重量、间距及桥梁允许载荷密度等约束条件,确保布载方案科学合理。
基于GA遗传优化TCN时间卷积神经网络时间序列预测算法matlab仿真
本内容介绍了一种基于遗传算法优化的时间卷积神经网络(TCN)用于时间序列预测的方法。算法运行于 Matlab2022a,完整程序无水印,附带核心代码、中文注释及操作视频。TCN通过因果卷积层与残差连接学习时间序列复杂特征,但其性能依赖超参数设置。遗传算法通过对种群迭代优化,确定最佳超参数组合,提升预测精度。此方法适用于金融、气象等领域,实现更准确可靠的未来趋势预测。
基于生物地理算法的MLP多层感知机优化matlab仿真
本程序基于生物地理算法(BBO)优化MLP多层感知机,通过MATLAB2022A实现随机数据点的趋势预测,并输出优化收敛曲线。BBO模拟物种在地理空间上的迁移、竞争与适应过程,以优化MLP的权重和偏置参数,提升预测性能。完整程序无水印,适用于机器学习和数据预测任务。
111 31
基于LSB最低有效位的音频水印嵌入提取算法FPGA实现,包含testbench和MATLAB对比
本项目展示了一种基于FPGA的音频水印算法,采用LSB(最低有效位)技术实现版权保护与数据追踪功能。使用Vivado2019.2和Matlab2022a开发,完整代码含中文注释及操作视频。算法通过修改音频采样点的最低有效位嵌入水印,人耳难以察觉变化。然而,面对滤波或压缩等攻击时,水印提取可能受影响。该项目运行效果无水印干扰,适合实时应用场景,核心逻辑简单高效,时间复杂度低。
基于GA遗传算法的拱桥静载试验车辆最优布载matlab仿真
本程序基于遗传算法(GA)实现拱桥静载试验车辆最优布载的MATLAB仿真,旨在自动化确定车辆位置以满足加载效率要求(0.95≤ηq≤1.05),目标是使ηq尽量接近1,同时减少车辆数量和布载耗时。程序在MATLAB 2022A版本下运行,展示了工况1至工况3的测试结果。通过优化模型,综合考虑车辆重量、位置、类型及车道占用等因素,确保桥梁关键部位承受最大荷载,从而有效评估桥梁性能。核心代码实现了迭代优化过程,并输出最优布载方案及相关参数。
基于MobileNet深度学习网络的活体人脸识别检测算法matlab仿真
本内容主要介绍一种基于MobileNet深度学习网络的活体人脸识别检测技术及MQAM调制类型识别方法。完整程序运行效果无水印,需使用Matlab2022a版本。核心代码包含详细中文注释与操作视频。理论概述中提到,传统人脸识别易受非活体攻击影响,而MobileNet通过轻量化的深度可分离卷积结构,在保证准确性的同时提升检测效率。活体人脸与非活体在纹理和光照上存在显著差异,MobileNet可有效提取人脸高级特征,为无线通信领域提供先进的调制类型识别方案。
基于模糊神经网络的金融序列预测算法matlab仿真
本程序为基于模糊神经网络的金融序列预测算法MATLAB仿真,适用于非线性、不确定性金融数据预测。通过MAD、RSI、KD等指标实现序列预测与收益分析,运行环境为MATLAB2022A,完整程序无水印。算法结合模糊逻辑与神经网络技术,包含输入层、模糊化层、规则层等结构,可有效处理金融市场中的复杂关系,助力投资者制定交易策略。
基于BBO生物地理优化的三维路径规划算法MATLAB仿真
本程序基于BBO生物地理优化算法,实现三维空间路径规划的MATLAB仿真(测试版本:MATLAB2022A)。通过起点与终点坐标输入,算法可生成避障最优路径,并输出优化收敛曲线。BBO算法将路径视为栖息地,利用迁移和变异操作迭代寻优。适应度函数综合路径长度与障碍物距离,确保路径最短且安全。程序运行结果完整、无水印,适用于科研与教学场景。

热门文章

最新文章