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

相关文章
|
5天前
|
资源调度 算法 数据可视化
基于IEKF迭代扩展卡尔曼滤波算法的数据跟踪matlab仿真,对比EKF和UKF
本项目基于MATLAB2022A实现IEKF迭代扩展卡尔曼滤波算法的数据跟踪仿真,对比EKF和UKF的性能。通过仿真输出误差收敛曲线和误差协方差收敛曲线,展示三种滤波器的精度差异。核心程序包括数据处理、误差计算及可视化展示。IEKF通过多次迭代线性化过程,增强非线性处理能力;UKF避免线性化,使用sigma点直接处理非线性问题;EKF则通过一次线性化简化处理。
|
4天前
|
算法 数据安全/隐私保护 计算机视觉
基于sift变换的农田杂草匹配定位算法matlab仿真
本项目基于SIFT算法实现农田杂草精准识别与定位,运行环境为Matlab2022a。完整程序无水印,提供详细中文注释及操作视频。核心步骤包括尺度空间极值检测、关键点定位、方向分配和特征描述符生成。该算法通过特征匹配实现杂草定位,适用于现代农业中的自动化防控。
|
1天前
|
JavaScript 前端开发 算法
JavaScript 中通过Array.sort() 实现多字段排序、排序稳定性、随机排序洗牌算法、优化排序性能,JS中排序算法的使用详解(附实际应用代码)
Array.sort() 是一个功能强大的方法,通过自定义的比较函数,可以处理各种复杂的排序逻辑。无论是简单的数字排序,还是多字段、嵌套对象、分组排序等高级应用,Array.sort() 都能胜任。同时,通过性能优化技巧(如映射排序)和结合其他数组方法(如 reduce),Array.sort() 可以用来实现高效的数据处理逻辑。 只有锻炼思维才能可持续地解决问题,只有思维才是真正值得学习和分享的核心要素。如果这篇博客能给您带来一点帮助,麻烦您点个赞支持一下,还可以收藏起来以备不时之需,有疑问和错误欢迎在评论区指出~
|
3天前
|
机器学习/深度学习 资源调度 算法
基于入侵野草算法的KNN分类优化matlab仿真
本程序基于入侵野草算法(IWO)优化KNN分类器,通过模拟自然界中野草的扩散与竞争过程,寻找最优特征组合和超参数。核心步骤包括初始化、繁殖、变异和选择,以提升KNN分类效果。程序在MATLAB2022A上运行,展示了优化后的分类性能。该方法适用于高维数据和复杂分类任务,显著提高了分类准确性。
|
7月前
|
安全
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
286 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
|
7月前
|
存储 算法 搜索推荐
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
171 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
|
7月前
|
数据采集 存储 移动开发
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
151 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
|
10月前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)
|
10月前
|
算法 调度
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)