云计算中基于粒子群算法的负载平衡技术的研究

沙特国王大学学报一种基于粒子群算法Arabinda Pradhan，Sukant Kishoro Bisoy计算机科学与工程系，C.V.拉曼全球大学，Bidya Nagar，Mahura，Janla，Bhubaneswar，Odisha 752054，印度阿提奇莱因福奥文章历史记录：收到2020年2020年9月29日修订2020年10月18日接受2020年10月22日在线提供保留字：云计算粒子群算法负载平衡资源利用率最大工作时间A B S T R A C T在云计算环境中，任务在具有不同长度、开始时间和执行时间的虚拟机（VM）之间分配。因此，在VM之间平衡这些负载是一个关键因素。负载平衡必须以这样的方式进行，即所有VM都应该平衡，以实现其能力的最佳利用并提高系统性能。在本文中，我们提出了一种负载平衡技术，使用改进的PSO任务调度（LBMPSO）调度任务的可用云资源，最大限度地减少完工时间和最大限度地提高资源利用率。这是通过在数据中心内的任务和资源之间具有适当的信息来实现的。我们提出的调度算法是通过使用CloudSim模拟器实现的仿真结果表明，该调度算法在减少最大完工时间和提高资源利用率方面都优于现有的调度算法。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放获取CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍如今，云计算已经成为众所周知的商业计算范例。它可以以虚拟机为资源单元，通过互联网向用户提供各种计算服务，如存储、应用、网络和服务器（Panda et al.，2018年）。用户或客户可以根据服务水平协议和用户付费的要求获得这些资源他们在特定的持续时间内消费服务（Xue等人，2016年）。云资源具有不同的参数，例如存储、内存、网络和处理速度，可以作为服务提供给用户。在云环境中，每个数据中心由多个主机组成，每个物理主机可以堆叠至少一个虚拟机，目标是客户端可以自由运行应用程序（Liu和Wang，2012）。它变成了一个麻烦的活动，以管理整个请求从客户端在最有限的反应时间和满意的性质管理.云服务提供商（CSP）的责任是以适当地使用这些资源并保持这些资源之间的负载平衡。应将资源分配给沙特国王大学负责同行审查制作和主办：Elsevier电子邮件地址：arabindapradhan1@gmail.com（A. Pradhan）传 入 请 求 取 决 于 资 源 信 息 、 任 务 信 息 和 适 当 调 度 算 法 的 属 性（Kumar和Sharma，2017 b）。负载平衡是云计算中具有挑战性的概念（Jena等人，2020年）。很难在云中安排这些资源，因为云中的工作负载可能会随时间而波动根据用户要求（Ahmad和Khan，2019）。负载均衡是通过任务调度在不同机器之间分配请求的过程，以便在更短的时间内执行大量作业并监视VM的性能。负载均衡技术的中心目标是减少最大完工时间（最高执行时间），同时增加云资源的使用率（Kumar和Sharma，2017 a）。在任务调度中，虚拟化资源可以在指定的时间量内分配它可以通过使用任务调度算法来完成，该算法由云资源代理处理任务调度显示即将到来的任务将在最短的时间内执行。CSP不断地获取虚拟机的运行状态，以便为即将到来的任务发现更优的资源。之后，它执行负载平衡操作以维护所有VM的负载（Kumar和Sharma，2017 b）。云计算环境下任务调度是一个NP难的组合优化问题，任务数量增加，任务长度变化快。建立任务与资源之间的映射是困难的因此，我们需要一种熟练的任务调度技术，可以更好地处理任务并解决NP难题（Jacob和Pradeep，2019; Agarwal和Srivastava，2019）。针对这一问题，许多研究者将其https://doi.org/10.1016/j.jksuci.2020.10.0161319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comA. Pradhan和Sukant Kishoro Bisoy沙特国王大学学报3989.Σ研究了启发式、元启发式和混合启发式搜索策略。目前，群智能算法 被 很 好 地 用 于 解 决 这 类 问 题 。 粒 子 群 优 化 算 法 （ PSO ） 是Kennedy和Eberhart（Kennedy and Eberhart，1995）提出的最流行的群智能优化技术但是当问题不断扩展时，现有的PSO算法并不是对所有场景都有效的技术。本文提出了一种改进的粒子群算法LBMPSO来解决负载均衡和任务调度问题。LBMPSO任务调度方法是基于粒子群优化算法，利用适应度函数来评价每个粒子的理想排列。适应度函数计算每个VM的执行时间，并返回最高的执行时间作为每个PSO粒子的适应度值（F）。本文的其余部分安排如下：第2节显示了相关的工作和第3描述的问题公式。在第4节中，我们描述了标准的PSO技术。第5描述了LBMPSO的模型结构第6显示了所提出的技术。第7节展示了仿真工具和实验结果。第8给出了本文的结论和未来的工作。2. 相关工作近年来，人们提出了许多任务分配模型、资源分配、负载均衡和任务调度技术以减少完工时间，提高资源利用率，维持机器间的负载。不同的任务调度机制由（Agarwal和Srivastava，2019; Ahmad和Khan ， 2019;Ebadifard 和 Babamir ， 2017;Gomathi 和Krishnasamy，2013; Huang等人，2019; Jacob和Pradeep，2019;Liu和Wang，2012;HDD-PLB框架，可以优化虚拟机的利用率，具有均匀的负载分布，并减少完工时间和成本。Shrimali和Patel（2017）使用MOOA算法提供节能资源分配 Mishra等人（2018）提出了一种负载平衡技术，根据完工时间和能耗参数评估系统性能。3. 问题公式化3.1. 任务调度在云计算环境中，将所有任务映射到可用虚拟机并找到最优解决方案并不是一件容易的事情。在这种情况下，我们需要一个有效的任务调度算法来平衡虚拟机的负载，并将所有用户的任务分配到合适的资源上。本文描述了该框架的结构、任务和资源的直接意义。提出的技术（LBMPSO）的基本目标是最优地调度所有传入的任务到可用的虚拟机，以便它可以减少完工时间和提高机器利用率在云计算。每个任务只能分配给一个VM。表1显示了术语和含义用于所提出的算法。假设云数据中心由x个任务组成，例如：T1;T2;·· ·;Txg和y个异构虚拟机，例如：VM1;VM2;···;VMy，但执行这些任务的条件是x>y：每个任务的长度为T1，并作为MI（百万指令）进行通信。第y个虚拟机的执行速度显示为每秒百万指令（MIPS）（Mishra等人，2018年;Kong等人，2019年; Zhong等人，2016年）。为了实现我们的目标，我们使用等式来计算VM的服务率（一）.y y yMoganarangan等人，2014; Panda等人，2018; Saleh等人，二〇一九年;Zhong等人， 2016年）。 Huang等人， （2019）提出的L-PSO任务X虚拟机内存容量1/4X虚拟机内存容量1调度算法，使平均完工时间减少19.12%，第1页第1页第1页相对于引力搜索技术、人工蜂群算法和启发式搜索技术，其正确率分别为21.42%和15.14%。 Ramezani等人的预计执行时间（EET）的任务T i;其中i<$f1; 2;···;xg执行对虚拟机器VMj;其中，j^f1; 2;：：;yg可以表示为等式（二）、（2013）提出了TBSLBPSO算法来调整负载移动xy从过载的虚拟机中删除额外的任务，而不是将整个EETi;j¼XTl×XVMsr2.0虚拟机过载TBSLB-PSO算法既限制了任务的执行时间，又限制了任务的传输时间。Agarwal和Srivastava（2019）提出了基于PSO的任务调度机制，可以减少30%的完工时间，并将资产使用率提高20%。 Panda等人， 2018年拟议临时秘书处算法表11/1第1页估计两个不同组的任务之间的租用时间的算法G1至G2），并尽量缩短停留时间。Moganarangan等人（2014）提出了结合蚁群算法和布谷鸟搜索算法的混合算法来优化能量和最大完工时间。Saleh等人（2019）引入了IPSO算法来分配云计算环境中的大量任务，通过聚类方法实现。该算法在得到每个簇的最优解后，得到最终的分配图。各种负载平衡算法由（Alhammadi和Vasanthi，2020; Devi和Uthariaraj，2016; Jena等人，2020; Kaur和Kaur，2019; Kong等人 ， 2019; Kumar 和 Sharma ， 2017 ， 2019; Mishra 等 人 ， 2018;Ramezani等人，2013;Shrimali和Patel，2017）。Jena等人（2020）提出了QMPSO算法，该算法结合了改进的粒子群优化（MPSO）和改进的Q学习算法。它通过在虚拟机之间平衡负载来提高机器的性能，最大化虚拟机的吞吐量。Kumar和Sharma（2017）提出了一种技术，可以动态平衡负载，适当使用云资产，减少任务的完工时间，保持虚拟机之间的负载。它遵循任务迁移方法，而不是利用虚拟机迁移方法。Kaur和Kaur（2019）提出表示术语和含义。项含义VMsr虚拟机虚拟机每秒mips数百万条虚拟机中央处理器EETi任务iTl任务长度Ttotalfilesize任务文件总大小单个任务文件大小任务依赖性TTs任务传输速度TTt任务转移时间CTi;j通信时间ETi执行时间DVi;j决策变量马克斯潘号巡洋舰资源利用率资源平均利用率F适应度函数WT等待时间虚拟机使用资源使用虚拟机可用资源资源选择VMc虚拟机容量VMLj虚拟机负载A. Pradhan和Sukant Kishoro Bisoy沙特国王大学学报3990ð ÞXðP×i联系我们>我我S ¼单个VM包含一个或多个任务。如果VM包含更多的任务，则总文件大小计算为单个文件大小和任务依赖性的组合，如等式所示。（三）、Ttotalfilesize 1/4Tindiv idualfilesize×T dependency当任务从一个VM移动到另一个VM时，可能需要一些传输时间。为了减少完工时间我们必须提高任务传输速度并减少任务传输时间。任务传输速度TTs i;j取决于传输单个文件的大小和VM的带宽容量。任务传输速度由等式计算。（四）、VM2和VM3分别为1、1和0.92。人们倾向于假设所有的任务都被分配给虚拟机，从而减少了完工时间并扩大了使用。3.2. 虚拟机可用性当可用资源的数量如等式12所示。（十三）、X虚拟机使用情况T i2012年1/1XyTTs 1/4XTindiv idualfilesize=XVM带宽1/1第1页VMa值 虚拟机总数的1/4-虚拟机使用率为13%，任务传输时间是在虚拟机之间传输任务文件大小所花费的时间。因此，任务传输时间TT（ t i;j）表示任务i传输到虚拟机j的时间，并且任务i在机器j上的通信时间由等式（1）计算（五）、CTi;j¼Ttotalfilesize=TTt5最后，在任何VMj上的所有任务的总执行时间是预期任务执行时间和任务传输时间的总和，如等式所示。（六）：3.3. 虚拟机选择分配给VM的任务取决于任务到达时间。这意味着那些具有最早到达时间的任务首先被选择VM来执行任务取决于即将到来的任务长度、VM的现有工作负载和VM的容量，其通过使用等式（1）来计算（十四）、虚拟机容量是确定的-EET¼EETEET公司简介视频DVð6Þ通过其可用的处理速度、内存、CPU和带宽其中，DV i;j是二元决策变量（Mishra等人，2018;Saleh等人， 2019年）、RTi;lωVMLjVMj;cð14ÞDVx;y1;如果Ti是 分配 至VMj0;否则ð7Þ所有时间调度程序都希望将所有任务分配给可用的VM，但这取决于该特定时间VM的负载。那么，当在数据中心成功地执行它还产生了影响，我们计算VM的负载和VM的容量，如等式2所示。 （15）和（16）。系统吞吐量。Makespan指定了每个任务的总完成时间，可以通过公式计算（八）、最大完工时间（MS）是ETi的最大值（Kumar和Sharma，2017），即，VMLTx TlVMi¼1ð15Þ其中i = 1，2，3，.. . ，x个任务MS¼max fETi g≤8μ m下一个优化目标是提高资源利用率VMc¼VMsrVMbwð16Þ在Eq中存在的（九）、资源利用率是通过所有任务的总执行时间除以最高执行时间或完工时间来计算的平均利用率如等式所示（十）、3.4. VM状态每个虚拟机有三种状态：过载、欠载和平衡RETiMS. Py Ruð9Þ状态根据（Kumar和Sharma，2017），如果使用率低于其能力的25%，则虚拟机负载不足，如果使用率超过其能力的80%，则虚拟机否则它会保持平衡-出现在EQ中。（十七）、任务从上转移Ravgu¼第1页yð10Þ使VM负担欠载的VM，直到整个负载平衡。在这里，任务从过载的VM迁移到欠载的VM现在我们定义LBMPSO算法的适应度函数（F）为当量（11）根据最优解，粒子得到一个较好的位置。WT =等待时间。这是等待任务在不同VM上分配的时间。VM.我们提出的算法使用的任务迁移的方法，而不是利用虚拟机迁移的方法。8>RujVMc×25%j;欠载F¼WT双金属管，直径11mm让我们以一个场景为例，在三个VM上调度六个任务，如表2所示。所有任务都被任意分配给机器，另外还显示了每个VM执行任务所需的时间。表4和表5显示了两个任务调度示例。协议-虚拟机¼Ruj虚拟机c×80%j;超负荷<：Ru¼ jVMcj;平衡4. 标准PSO（SPSO）ð17Þ在Eq。（8）和（9）计算两个表的最大完工时间和资源这里，不进行任务转移，因为所有机器都没有过载，并且决策变量的值为1.在表3中，最大完工时间为15 s，因为这是最高的扩展时间。VM 1、VM 2和VM 3的利用率分别为0.87、0.93和1。在表4中，makespan为12 s。VM1的使用PSO是Kennedy和Eberheart（Kennedy and Eberhart，1995）提出的一种元启发式算法。PSO在虚拟机初始化后开始工作它检查资源的可用性，如果资源可用，则将其分配给任务，并计算总执行时间以及资源利用率（Goddu和Reddi，2020）。在这个过程中，每个粒子.¼SrSi;ji;jA. Pradhan和Sukant Kishoro Bisoy沙特国王大学学报3991表2VM上任务的执行时间机器任务1任务2任务3任务4任务5任务6VM 11086423VM 23579116VM 312963108表3任务调度示例1.机器分配任务执行时间（ET）资源利用率（Ru）VM 1T1、T6十加三=十三13/15 = 0.87VM 2T2、T45 + 9 = 1414/15 = 0.93VM 3T3、T5五加十=十五15/15 = 1表4任务调度示例2.机器分配任务执行时间（ET）资源利用率（Ru）VM 1T1、T510 + 2 =十二12/12 = 1VM 2T2和T35 + 7 = 1212/12 = 1VM 3T4、T63 + 8 = 1111/12 = 0.92表5表示PSO的术语和含义。术语含义i粒子m维t迭代w权重因子Pbest个人最佳Gbest全球最佳X位置V速度c1和c2认知和社会学习因素r1andr2随机数在他们各自的位置上表现得像一个解决方案然后改变粒子的速度，重新计算每个粒子的位置在这一点上，我们找到了每个粒子的新位置该过程继续进行，直到找不到高级优化解决方案。1.一、给出了SPSO算法的流程图5. LBMPSO模型在本节中，我们提出了一个模型，最大限度地提高资源分配，而不影响执行时间，如图2所示。在这个模型中，映射是用粒子群算法来完成的，集中在资源分配策略上，资源的管理方式是没有任务留在缓冲区，总的执行时间是最优化的。整个模型被划分为不同的缓冲区，其中包含了各种任务和资源的信息，以便最大完工时间和资源分配策略可以优化。该模型根据适应度值调度与可用云资源数量对应的即将到来的任务数量。然后计算每个粒子的适应度值P最佳值和G最佳值在其执行期间被更新该算法根据每个粒子当前的适应度值和自身的P最佳值，识别出每个粒子的最佳位置。类似地，它将整个种群的当前适应度值放在一起，并确定最佳适应度值，并表示为G最佳位置。资源管理器定期检查虚拟机的状态，并将信息传递给任务调度器。然后图1.一、SPSO算法流程图任务调度器将判断是否将任务分配给VM，并维护VM中的负载平衡这个亲-A. Pradhan和Sukant Kishoro Bisoy沙特国王大学学报3992.Σ.Σ图二. LBMPSO系统。根据自适应负载平衡方法，持续调度直到所有任务都被调度到可用VM5.1. 任务信息这 个 阶 段 收 集 关 于 提 交 任 务 的 基 本 数 据 ， 如 预 期 执 行 时 间（EET），任务传输速度（TT）。这些数据将帮助调度程序管理任务的执行objective.每个虚拟机都包含内存、带宽、CPU和MIPS等信息。这些信息将被传递到模型的下一阶段进行进一步处理，并有助于找到最佳解决方案。此阶段的目标是在VM之间平衡负载，其中负载平衡器负责找到最合适的VM，然后基于所提出的技术将任务分配给该VM。下面给出了VM Sta- tus的伪代码与预定义的参数一起，可以生成。下面给出任务分配的伪代码。任务分配算法输入：任务设置为T¼ ft1;t2;···;txg;VM设置为VM¼VM1;VM2;···;VM y、任务长度、文件大小和通信时间输出：将所有任务分配给VM，并占用最少的执行时间1. 对于T = 0至x-1和VM = 0至y-12. 而（t x！（1）3. 将ti分配给VMj//任务按随机顺序分配4. 通过应用等式计算VMj处的任务ti的执行时间（六）、5. 首先以最少的执行时间完成任务6. 结束时7. 结束for5.2. VM信息此阶段负责收集完成任务所需的可用资源或虚拟机、主机和数据中心的数据，虚拟机状态输入的伪代码：虚拟机设置为VM¼VM1;VM2;···;VM y ;任务集为T<$ft1;t2;···;txg，速度、CPU、内存和带宽输出：VM状态1. 对于T = 0至x-1和VM = 0至y-12. 为每个到达任务3. 通过应用等式2，求出每个VM的负载和容量（15）和（16）。4. 使用公式计算VM利用率 （九）、5. 如果（VMLi;jVMc）<负载平衡操作是可能的其他操作是不可能6. 如果结束7. 如果Ru>VMc的80%机器过载否则，如果Ru为VMc的25%机器负载不足其他机器平衡8. 如果结束9. 结束forA. Pradhan和Sukant Kishoro Bisoy沙特国王大学学报3993ð Þ ðþ Þ××.Σ××ð表6任务在VM上的位置。任务T1T2T3.. .T x机VM1VM2VM3.. .VM y5.3. 基于PSO为了搜索食物，粒子群算法中的粒子在高维搜索空间中飞行.每一个粒子的位置都因它自己的理解和它的邻居而改变。设X i∈t∈ t表示在迭代t时，任务中的粒子的位置。X i t的位置包括到它的速度V i t 1，即，在等式（1）中示出。（十八）、每个粒子的速度显示了社会交换的信息，如方程所示。（十九）、表5显示了PSO算法的术语和含义。Xit1XitVit118Vit1wVitc1r1Pbest-Xitc2r2Gbest-Xit19在LBMPSO算法中，每个任务被表示为一个粒子，每个任务被分配给VM表示为位置，交换的信息表示为速度。表6显示了任务的位置在分配VM到任何任务之前应用PSO技术，之后，通过计算容量和负载来管理所有VM。为了将任务分配给负载最低的虚拟机，我们提出的算法不断地检查每个虚拟机的当前负载状态。（续）LBMPSO算法的伪码2.5 执行时间=预期执行时间+任务传输速度+通信时间2.6 使用等式计算最大工作时间（八）2.7 Makespan Time =最大执行时间//用于负载均衡3. 使用公式计算VM的资源利用率、负载和容量。（9）、（15）和（16）3.1 资源利用率=执行时间/制造时间3.2 负载=（已分配任务总数×长度）/（MIPS× CPU）3.3 容量=（MIPS× CPU）+带宽3.4 如果（VMLi;jVMc）<负载平衡操作是可能的3.5 其他操作是不可能3.6 如果结束3.7 检查VM3.8 如果Ru>VMc的80%机器过载3.9 否则，如果Ru为VMc的25%机器负载不足3.10 其他机器平衡3.11 如果结束3.12 如果存在OL UL3.13 将任务从OL转移到UL6. 建议算法（LBMPSO）3.14将任务分配给虚拟机VML≤OLVML ≥UL. T i！ VM j直到我们提出的算法由三个重要步骤组成：虚拟机信息，任务信息和PSO映射。下面给出了所提出的算法的伪代码LBMPSO算法输入的伪代码：VM设置为VM¼VM1;VM2;···;VMy;TasksetasT<$ft1;t2;···;txg：输出：最小化完工时间，最大化资源利用率假设粒子任务分配给VM的位置任务Velocity任务传输速度Pbest执行时间Gbest最优解迭代t虚拟机属性MIPS、内存、CPU和带宽任务属性长度和文件大小1. 开始1.1 对于T = 0至x-1和VM = 0至y-11.2 为每个到达任务1.3 结束for//用于任务调度2. 计算预期的执行时间，任务传输速度和通信时间，通过应用方程。（2）、（4）和（5）。2.1 预期执行时间=长度MIPS CPU2.2 任务传输速度=文件大小带宽2.3 通信时间=总文件大小任务传输时间2.4 通过使用等式来计算VM上任务的执行时间（六）3.15 如果任何虚拟机仍处于OL状态，请3.16 如果结束//使用PSO4. 初始化w，c1，c2，种群大小，迭代次数，r1和r24.1 而ttmax）<4.2 计算每个粒子的适应度值（F），应用公式：（十一）4.3 比较当前的适应值与P最佳，并找到最佳值。4.4 如果F≤P最佳将当前F设置为新Pbest4.5 如果结束//从所有个人最佳适应性中评估全局最佳适应性4.6 找到G最佳8P最佳4.7 如果Pbest≤Gbest将P最佳分配为全局最佳4.8 其他将Gbest指定为全局最佳4.9 返回Gbest4.10 如果结束4.11 更新迭代4.12 t = t +14.13 根据方程改变粒子的位置和速度。（18）和（19）4.14 重复该步骤，直到所有负载都平衡并且任务都正确分配。4.15 迭代结束4.16 结束时5. 端A. Pradhan和Sukant Kishoro Bisoy沙特国王大学学报39947. 绩效评价建议LBMPSO技术进行评估，并与其他现有的技术进行比较。LBMPSO在Eclipse Java编程环境和CloudSim工具包上运行我们使用的PC配置为：英特尔（R）酷睿（TM）i3-7100处理器（2.40GHz）和4 GB RAM。操作系统是64位的Windows 10。用于模拟的参数如下所示。7.1. 实验装置驱动这项工作的灵感是减少最大完工时间和增加动态环境中资源的利用率。在测试中，我们考虑了非抢占式任务，这些任务本质上是免费的，如表7所示。任务被分配到数据中心中的多个异构VM，如表8所示。表9显示了PSO算法的各种属性在这一节中，我们比较了LBMPSO算法与三种群优化技术，即IPSO，G& PSO和动态负载平衡算法的性能。LBMPSO采用两种不同的测试规模：（1）3台虚拟机，10到50个任务;（2）5台虚拟机，10到50个任务。7.2. 结果与分析模拟结果如图1A和1B所示。三比六结果显示在Fig. 对于具有3个VM的任务调度，获得3，10到50个任务。从这个图中可以清楚地看出，我们提出的LBMPSO技术比其他元启发式PSO算法的完工时间更短，如表10所示。图4示出了具有5个VM和10到50个任务的任务调度的结果。在这个图中，很明显，我们提出的LBMPSO技术也比其他Meta启发式PSO算法花费更少的完工时间，如表11所示。图5示出了LBMPSO调度的资源利用率的增加与任务集为10到50并且在3个VM上执行的其他情况相比略微更多。同样地，图6表示与其他基于PSO的策略相比，LBMPSO中的资源利用率增加，其中任务集在5个VM上执行10到50个。然而，在所有情况下，当任务数量增加时，资源利用率都会增加，而与VM无关。表7任务属性。任务范围10长度1000-6000文件大小300表8VM属性。VM范围3处理速度（MIPS）250内存256-512CPU 1-5带宽1000VMM XEN表9粒子群算法性质。数量的颗粒30最大迭代100c1c 22r1 r2[0，1]X0.73图三. 为3个虚拟机和10到50个任务集获得的Makespan值。见图4。 为5个虚拟机和10到50个任务集获得的Makespan值。图五. 获得3个虚拟机的资源利用率。A. Pradhan和Sukant Kishoro Bisoy沙特国王大学学报3995引用表10见图6。 获得5个虚拟机的资源利用率。阿加瓦尔，M.，斯利瓦斯塔瓦，通用汽车公司，2019.一种基于PSO算法的云计算任务调度。Int. J. Appl. Metaheuristic Comput. 10（4），1-17.艾哈迈德，作案手法，Khan，R.Z.，2019.云计算环境下基于粒子群算法的自适应负载均衡任务调度算法。国际科学杂志Technol. Res. 8（11），457-462.Alhammadi，A.S.A.，Vasanthi，V.，2020.基于多元回归粒子群算法的主机过载和欠载检测。测试工程经理82，10253-10261。德维，华盛顿，Uthariaraj，V.R.，2016.云计算环境下基于改进加权轮询算法的非抢占依赖任务负载均衡。Sci.单词J，1-14Ebadifard，F.，Babamir，S.M.，2017年。一种基于PSO的云计算环境下的任务调度算法。并发计算：实践实验30（12），1-16。戈杜河Reddi，K.R.，2020.云计算环境下的群启发式任务调度策略。在：迪帕克，B.B.V.L.，Parhi，D.R.K.，耶拿（编），创新产品设计与智能制造系统。机械工程讲义。施普林格，pp. 743-751. https://doi.org/10.1007/978-981-15-2696-1_71。Gomathi，B.，Krishnasamy，K.，2013.云计算环境下基于混合粒子群优化的任务调度算法。J.西奥。 Appl. I n f . T e c h n o l . 5 5 （1），33-38。黄，X.，Li，C.，陈洪，安，D.，2019.基于时变惯性权值粒子群算法的云计算任务调度。.，1 -11 Jacob，T.P.，Pradeep，K.，2019.基于布谷鸟粒子群算法的云环境多目标任务优化调度。无线网络Commun. 109（1），315-331。最小和最大完工时间为不同的调度算法为3VM。英国耶拿，Das，P.K.，Kabat，M.R.，2020年。云计算环境下负载均衡的混合元启发式算法J. 沙特 国王大学考尔，A.，Kaur，B.，2019年。基于混合启发式算法的负载均衡优化表11最小和最大完工时间为不同的调度算法为5VM。调度算法最小最大生产时间https://doi.org/10.1007/s10723-019-09486-y。库马尔，M.，南卡罗来纳州夏尔马2017年a。云环境下基于时限约束的弹性动态负载均衡算法。Comput.电气工程师：1https://doi.org/10.1016/j.compeleceng.2017.11.018库马尔，M.，南卡罗来纳州夏尔马2017年b月。动态负载均衡算法，最大限度地减少最大完工时 间 ， 有 效 地 利 用 云 环 境 中 的 资 源 。 国 际 计 算 机 应 用 108-117 。https://doi.org/10.1080/1206212X.2017.1404823网站。库马尔，M.，南卡罗来纳州夏尔马2019.基于粒子群优化的云计算QoS资源调度技术。在：神经计算和8. 结论和今后的工作本文提出了一种LBMPSO技术，该技术可以减少总的最大完工时间，提高资源利用率，并平衡各个虚拟机的负载 测试结果表明，在各种情况下，LBMPSO与PSOBTS，L-PSO和DLBA技术相比，减少了最大完工时间，提高了资源利用率。此外，当任务数量增加时，所有情况下的我们正在努力开发一种新的技术，可以提高QoS参数在不久的将来。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。Mishra，S.K.，Sahoo，B.，Parida，P.P.，2018.云计算中的负载平衡：一个大画面。沙特国王大学INF. Sci. 32（2），149-158。Moganarangan ， N. ， Babukarthik ， R.G. ， Bhuvaneswari ， S. ， 巴 沙 多 发 性 硬 化 症Dhavachelvan，P.， 2014. 一种新的降低网络能耗的算法云计算环境：Web服务计算approach.J.国王沙特大学-计算机信息科学28，55-67.熊猫，S.K.，南达，S. S.，Bhoi，S.K.，2018.云计算环境下基于配对的任务调度算法。J.King Saud University.信息科学，1-12 Ramezani，F.，卢，J，Hussain，F.K.，2013年。云中基于任务的系统负载均衡使用粒子群优化计算。国际并行编程杂志42（50），1-16。Saleh，H.，Nashaati，H.，Saber，W.，Harb，H.M.，2019.云计算环境下面向大规模数据的IPSO任务调度算法。IEEE Access 7，5412-5420。Shrimali，B.，帕特尔，H.，2017.面向多目标优化的策略，用于云环境中的性能和节能资源分配。 J. 沙特国王大学 INF. 科学，第1-10页薛，S.，施伟，徐，X.，2016.云计算环境下基于粒子群优化的启发式调度算法。国际J. u-和e-服务，Sci. Technol.9（1），349- 362.钟志，陈凯，翟某，Zhou，S.，2016.云计算环境下基于虚拟机的任务调度算法。清华科技大学Technol.21（6），660-667.L-PSO239.711194.3应用.施普林格，pp. 1-24. https://doi.org/10.1007/s00521-019-04266-x网站。TBSLB-PSO182.86899.42刘志，王，X.，2012年。一种基于PSO的虚拟机负载均衡算法DLBA115571云计算环境的机器在：第三届会议的议事录群智能进展国际会议（ICSI'12）。斯普林格，pp. 142比147调度算法最小完工时间最大生产周期信息科学，1https://doi.org/10.1016/j.jksuci.2020.01.012LBMPSO216.75917.73云环境下的元启发式技术 J. 沙 特 国王大学PSOBTS760.33230.3新闻资讯1-12. https://doi.org/10.1016/jksuci.2019.02.010网站。L-PSO477.92028.33肯尼迪，J.，Eberhart，R.C.，1995.粒子群优化算法载于：TBSLB-PSO357.151511.12IEEE神经网络国际会议。IEEE，第 1942-1948年。DLBA229970刚，L.，马佩图，J.P.B.陈先生，Z.，2019.启发式负载平衡基零云计算中的不平衡机制在：J网格计算. 斯普林格。LBMPSO108.87540.37PSOBTS380.51900.5