云计算中的DAG任务多目标调度优化算法

"这篇论文研究了在云计算环境中针对DAG（有向无环图）任务的多目标调度算法，旨在同时优化任务执行效率和执行代价。该算法采用Pareto最优解集合的概念来构建多目标最优化问题的模型，并利用启发式方法求解。通过hypervolume方法评估多目标均衡解的质量，以解决不同目标之间的冲突。实验结果表明，与单目标算法和多目标启发式算法相比，提出的算法具有更高的求解质量和更好的均衡性，更适应实际云计算环境中的资源管理和工作流调度需求。此研究得到了国家自然科学基金和江苏省高校自然科学研究项目的资助。" 本文主要探讨了在云计算背景下，如何高效地调度DAG任务以达到性能和成本的最佳平衡。DAG任务通常表示为依赖关系复杂的任务集，其中每个任务可能依赖于其他一个或多个任务的完成。多目标优化是解决这类问题的关键，因为它需要同时考虑多个相互冲突的目标，如最小化执行时间、最大化资源利用率和降低执行成本。 该研究提出了一个创新的多目标调度算法，其核心是将问题转化为寻找满足Pareto最优的解集。Pareto最优是指在无法同时改进所有目标的情况下，找到一个解决方案集，使得没有其他解能在不恶化至少一个目标的情况下改善另一个目标。通过启发式方法，算法能够有效地探索庞大的解决方案空间，找到接近Pareto前沿的解。 为了量化这些解的质量，论文引入了hypervolume指标。hypervolume是一种衡量多目标优化问题中解集覆盖目标空间的能力的度量，它可以有效地评估不同目标之间的权衡。通过这个评估机制，算法能生成冲突目标之间的均衡调度解。 实验部分，研究人员模拟了云环境，包括三种人工合成工作流和两种实际的科学工作流，对比了所提算法与其他算法的性能。结果显示，新算法在求解质量和解的均衡性上均表现出优越性，这反映了它更好地适应了现实云环境的动态性和复杂性，以及工作流调度的实际需求。 此外，该研究还涉及了亚马逊弹性计算云（Amazon EC2），这是云计算服务的一个实例，它提供了按需计算资源，为实现这种复杂的调度策略提供了平台支持。论文的贡献在于提供了一个有效且适应性强的多目标调度算法，对于提升云计算环境中的任务执行效率和资源管理具有重要的理论和实践价值。