云計算資源的動態隨機擾動的粒子群優化策略

喻德曠，楊 誼，錢 俊

(南方醫科大學 生物醫學工程學院，廣州 510515)(*通信作者電子郵箱yiyang20110130@163.com)

0 引言

云計算通過虛擬化技術將網絡計算資源整合在一起，組成一個龐大的計算節點池，用戶通過瀏覽器按需獲得資源，完成數據處理任務[1]。網絡計算資源龐大且分散，要根據用戶請求將資源動態地分配給各個任務，就需要進行合理的資源調度。任務調度策略對用戶任務的執行效率、系統資源的使用效率、任務執行成本、負載均衡、系統穩定性等均有直接的影響[2]。云計算環境中的資源具有動態性和異構性，對大規模任務進行資源分配和調度時，不僅需要最小化完成時間和提高系統使用率，而且要考慮資源負載均衡、服務質量，是一個非確定性多項式(Non-deterministic Polynomial, NP )問題[3]。

針對云計算資源調度問題，國內外學者進行了大量的研究，提出了許多調度策略，根據算法原理可分為三大類。第一類是靜態資源調度策略[4]，如數學規劃、專家系統、神經網絡和模糊邏輯策略，這類方法的優點是規則嚴密、邏輯清晰，但是規則較為復雜，只適合小規模資源的靜態調度。第二類是傳統動態資源調度策略，包括基于貪心思想的策略(Min-min算法、Max-min算法、Sufferage算法等)[5]和基于操作系統調度的策略，如FIFO(First In First Out)算法、公平調度算法、計算能力調度算法等[6]。這些策略可以實現資源動態調度，但由于參與操作的因子很多，用于大規模任務調度計算復雜度太高。第三類是啟發式策略，主要包括遺傳算法和粒子群算法[7]。例如，文獻[8]提出了一種基于模擬退火思想的改進遺傳算法，在退火過程中以一定概率接受劣質解從而避免調度早熟現象；文獻[9]在遺傳算法基礎上,提出了一種考慮多維約束的任務調度算法MCGA(Multiple Constraints based on Genetic Algorithm)，在算法的編碼與解碼、適應度函數、交叉變異等操作環節上進行了改進；文獻[10]建立了多目標優化模型，并結合最新的徑向基函數(Radial Basis Function,RBF)神經網絡和粒子群優化(Particle Swarm Optimization, PSO)算法對其求解；文獻[11]改進了PSO的搜索方向、適應度函數等方面；文獻[12]將粒子群算法和差分遺傳算法結合求解；文獻[13]設計了雙向搜索的改進粒子群算法等。

1 動態隨機擾動PSO策略的基本思路

從以上分析可知，相對于傳統任務調度策略，啟發式任務調度策略在求解NP類問題時具有更高的自適應性和靈活性：實驗表明，模擬退火算法體現了貪心(Greedy)策略，在搜索到局部最優解后，會進行擾動，以一定的概率接受一個比當前解要差的解，進而有可能跳出局部最優解，找到一個比當前解更好的解。但貪心策略往往不能達到全局最優解，擾動幅度和時機不容易控制，并且在并行性方面較弱。PSO算法具有參數設置少、全局搜索能力強等優點，其并行性和分布式的特點能夠處理海量數據，較為適合作為云計算資源調度策略。但PSO在迭代后期隨著種群多樣性的降低，往往陷入局部最優而錯失全局最優解。遺傳算法(Genetic Algorithm, GA)從問題解集開始搜索，而不是從單個解開始，通過對不同解的組成進行交叉或修改，能夠有效地提高解的組成的多樣性，利于全局擇優，且具有并行優勢，覆蓋面大。GA采用概率規則來指導搜索方向，比確定性規則具有更好的自適應和自學習性，但是概率篩選規則存在機會風險，獲得的解是不穩定的。從這些分析可以知道，采用單一算法處理大規模計算資源分配，得到的結果往往不是最優或穩定的。本文利用PSO與遺傳算法本身的優點和對大量資源調度的適應性，將二者結合起來，設計了基于隨機擾動的優化技術的群體智能混合策略，來提高云計算任務調度的綜合效率，減少任務執行時間、降低計算成本，并改善負載平衡。

本文提出動態隨機擾動的PSO(Dynamic Random Distribution PSO, DRDPSO)策略如下：首先建立云計算資源調度模型；改進PSO算法，將其慣性權重常數修改為變量，使得求解過程的搜索不是勻速而是可控變速的；在每次迭代中以局部范圍代替全局范圍，減少盲目搜索操作；在PSO算法內引入遺傳算法的選擇操作，篩選出更優質的個體并傳遞到下一代，并引入變異操作實現隨機擾動，試圖改善粒子組成，提高粒子多樣性；結束條件體現了多重約束的合理運用。

1.1 建立云計算資源模型

云計算的系統資源是有限的，如何為用戶任務合理地分配資源，使各個計算節點達到負載均衡，是整個服務過程中需要考慮的問題。為了突出調度問題而減少其他因素干擾，本文約定：所有任務都具有原子性(不再可分)；多個任務可以同時在數據中心的計算節點(虛擬機)上執行；每個計算節點都可分配給任何一個任務(任務沒有計算特殊性)；根據計算能力一個計算節點可以只接受一個任務或同時接受多個任務；不考慮任務切換、傳輸等時間耗費。對模型參數進行如下定義：

1)任務集合T={t1,t2,…,tm}，由m個相互獨立的原子任務組成。

2)計算節點集合CN={cn1,cn2,…,cnn}，由n個計算節點組成，每個計算節點采用如下屬性線性表形式描述：cni={CPU,MEM,DISK,…}，CPU表示內核數，MEM表示內存大小，DISK表示磁盤空間大小，可根據需要增加或刪除屬性元素。

3)決策矩陣D={dij},i=1,2,…,m,j=1,2,…,n,dij∈{0,1}，dij=1 表示第i個任務在第j個計算資源上執行；dij=0 表示第i個任務不在第j個計算資源上執行。

4)執行時間矩陣ExeTime={etij},i=1,2,…,m,j=1,2,…,n,etij表示第i個任務在第j個計算資源上完成所需要的時間。

5)計算成本矩陣CalCost={calcij},i=1,2,…,m,j=12,…,n,calcij表示第i個任務在第j個計算資源上完成所消耗的資源成本(CPU、內存、外存)。

6)總時間成本(Execute Time Cost, ETC)和總計算資源成本(Calculate Resource Cost, CRC)。

(1)

(2)

云計算資源調度目標包括：所有任務完成時總的執行時間最小，總的資源占用最少，即使得式(1)和/或式(2)取最小值。實際應用中，式(1)、(2)同時獲得最小值的概率較小，可以根據實際需要賦予總時間成本和總計算成本以不同的權重如式(3)：

TotalCost=μ1ETC+μ2CRC

(3)

如側重時間成本，則μ1取較大值；若側重計算成本，則μ2取較大值，目標是綜合代價TotalCost最小。

在本文實驗中，云計算資源模擬環境下ETC和CRC為同一數量級，如果在其他應用場景下這兩個變量不是同一數量級，則應當進行歸一化處理后再加權累加。

1.2 動態隨機擾動PSO策略

PSO算法初始化為一群隨機粒子，代表隨機解。所有的粒子都具有速度屬性，在每一次迭代中，每個粒子通過跟蹤兩個值來更新自己的速度和位置：一個是粒子本身所找到的最優解lBest，另一個是整個種群目前的最優解gBest。每個粒子根據適應度函數來判斷自己當前是否到達最優解的位置。粒子之間利用信息共享進行從無序到有序的演化，從而獲得全局最優解。

1.2.1 簡化的編碼設計

通常粒子群算法和遺傳算法可以采用兩種編碼方法：實數編碼法和二進制編碼法。前者表示形式容易理解，解碼簡單；后者能夠表示多樣化的種群，但占用存儲空間較大，解碼過程難以理解。為了提高策略可讀性和一致性，本文采用實數編碼法對粒子進行編碼。每個粒子表示任務與資源的對應關系，如粒子{(1,3)，(2,2)，(3,4)，(4,3)，(5,1)}表示任務1分配到資源(計算節點)3上、任務2分配到資源2上、任務3分配到資源4上等。在同一時間窗口內的任務的數量決定了編碼的長度，上例中的粒子的長度為5。

1.2.2 改進的粒子更新策略為“前快后慢”

設群體粒子集合(即解的集合)為X={x1,x2,…,xs}，s為解空間規模，粒子xi(i∈[1,s])在t時刻的位置為pi(t)，此時單個粒子的最佳位置為lbest_p(t), 當前群體的最佳位置為gbest_p(t)，粒子xi運動的速度公式為：

vi(t+1)=w×vi(t)+c1×(lbest_p(t)-pi(t))+

c2×(gbest_p(t)-pi(t))

(4)

位置公式為：

pi(t+1)=pi(t)+vi(t+1)

(5)

其中:w為慣性權重常數;c1和c2為常系數。

在實驗中發現，由于速度更新率即式(4)中的慣性權重c1和c2設置為常數，使得求解過程中收斂速度保持不變。而實際的解搜索往往需要在早期進行快速的大致定位，在后期放慢速度在確定的候選區域內進行比較仔細的搜索，因此本文將慣性權重修改為變量，根據經驗設計如下：

(6)

其中:IterNum為算法的總迭代次數;IterNow為當前迭代次數;k1和k2為常數，一般取值在1～2，其比例關系為1∶1;fit(t)為t時刻群體的適應度函數值。慣性權重的初始值默認為1。

式(6)體現了對粒子運動變化速率的合理控制，慣性權重變化受到兩個因素的影響：

一是迭代次數。迭代過程中粒子的更新速度應當是前快后慢，這是由于起始點是隨機解，應當盡快收斂到全局最優解可能處在的小區域中，所以收斂速度要快；而后期則應當在確定的小區域內進行較為細致的搜索，所以收斂速度要慢。按照經典算法，收斂速度一直是常量，將不利于提高收斂速度，也不利于在最可能產生最優解的區域細致搜索。

二是適應度(綜合代價TotalCost)。根據前面分析的云計算資源調度目標和所涉及的衡量指標，本文策略的適應度函數主要由式(3)決定，即同時考慮總的執行時間和總的資源開銷。此外，各臺服務器節點的負載平衡度不應差異過大，否則會造成某些節點壓力重，容易出現瓶頸，而某些節點的資源得不到有效利用，因此本文定義了負載均衡指標。云平臺中某個計算節點j的負載均衡因子LBj定義為：

(7)

其中μ1和μ2為權重參數，其他參數含義同前面介紹。

負載均衡度反映了調度策略對計算資源利用的公平性和均衡性。定義負載均衡度τ為：

(8)

由于τ和適應度函數值TotalCost在數值上往往不是同一數量級，在不同類型的任務中也難以歸一化，所以解的優良性的判斷規則為兩個：優先依據TotalCost選擇局部最優解；如果存在多個局部最優解，則根據負載均衡度τ判斷，取τ最小的解。也就是說在綜合代價最小的前提下兼顧負載均衡。

1.2.3 縮小搜索范圍

由于粒子在上一時刻的最佳位置直接影響到下一時刻的最佳位置的選擇，不必每次迭代都重新搜索整個種群，所以本文用t-1時刻gbest_p(t-1)粒子的若干個鄰居中的最佳位置(鄰居數量NeighNum根據經驗設置，通常為總粒子數量的1/3)，取代t時刻整個種群的最佳粒子位置作為gbest_p(t)的值，從而減少大量無效的搜索和比較，降低計算代價，提高計算效率。如果最佳位置確實需要發生大的偏移，則可以通過適應度函數控制，函數值的改變能夠調整粒子運動的范圍(發散或收斂)，越靠近當前最佳位置的粒子下一步的搜索范圍應當收斂，反之應當發散。

1.2.4 引入遺傳算法的選擇和變異操作

遺傳算法也屬于搜索啟發式算法，從完全隨機個體的種群開始，選擇多個適應度較高的個體，通過選擇、交叉和突變產生新的生命個體，構成下一代種群。選擇運算的作用是把優質的個體基因直接遺傳到下一代；交叉運算則交換兩個個體的若干基因，產生新的個體；變異運算是對個體的某些基因位點作修改，產生新的個體。迭代結束時，以進化過程中所得到的具有最大適應度個體作為最優解輸出。

資源調度求解的搜索過程中也會出現某些時刻粒子的相似度高，而不利于發現更優解的現象。因此本文在改進的PSO過程中引入遺傳算法的選擇和變異操作。在每一代中選擇一定比例的優質粒子，即Ntop個適應度最高的粒子即優質粒子(Ntop根據經驗設置為粒子總數的1/10)，直接進入下一代。對于其他的粒子則執行隨機變異操作，具體做法是對t時刻隨機選取的非優質粒子xi的第j個分量xij(t)按照隨機概率φ(i,j,t)進行隨機變異，變異率定義如下：

(9)

其中，σ取值范圍是(0,1)，一般取[0.6,0.8]。例如，σ取值為0.7，對于粒子{(1,3)，(2,4)，(3,4)，(4,3)，(5,1)}，某個時刻的j=3的分量的變異概率rand為0.8，變異后的新的對應資源編號為資源集合中的隨機值(假設計算得到1)，如果編號1的資源能夠滿足任務3的需求，則實施變異為{(1,3)，(2,4)，(3,1)，(4,3)，(5,1)}，否則不執行變異操作。通過變異操作，改變粒子的基因組成，從而有可能將適應度較低的粒子進行優化，但是也不排除變異操作導致粒子的適應度降低的情況。以上的變異操作實質上也是一種隨機擾動技術，可以防止算法過早地陷入局部最優解。

遺傳算法中的交叉操作也能夠提高基因的多樣性，減少陷入局部最優的可能，但粒子之間基因的交叉可能導致多個任務需求與資源的連鎖不匹配，而判斷更新后的任務和資源是否匹配，會大大增加算法的復雜性，所以本文沒有盲目采用遺傳算法的交叉操作，而是用隨機變異的擾動技術來達到目的。

1.2.5 算法結束條件綜合考慮多個指標

本文把分配成功的指標(TotalCost，運行時間少，計算資源占用少)和計算公平指標(τ，節點的負載均衡度)結合起來，這使得本文策略的綜合性能更好。實際上這些指標不可能同時達到最優，因為它們之間存在相互沖突性。在解決實際問題時，往往達到需要的綜合最優就可以了。結束條件表示為：當t時刻粒子集的適應度函數與上一時刻相比不再增加(近似)，或者迭代次數到達了一個上限，就令算法結束。形式化設置為：(presumption1)t時刻的適應度(綜合代價)TotalCost與t-1時刻相比，增加率小于閾值εc，且t時刻的負載均衡度τ與t-1時刻相比，降低率小于閾值ετ；(presumption2)達到最大迭代次數IterNum。

1.2.6 DRDPSO策略流程

Step1 初始化種群，隨機生成符合任務-資源約束條件的粒子編碼，設置最大迭代次數、解規模等參數的初值。

Step2 初始化粒子局部最優和全局最優值。

Step3 根據式(3)、(6)，更新式(4)、(5)，即更新所有粒子的速度和位置。

Step4 根據適應度函數式(3)計算各個粒子的適應度和群體適應度(群體搜索范圍控制在NeighNum而不是所有粒子)，根據式(8)計算負載均衡權值。

Step5 若滿足結束條件(presumption1)，則輸出當前解，并結束；否則，若滿足條件(presumption2)，則輸出當前解，并結束；若不滿足條件(presumption1)，也不滿足條件(presumption2)，轉到Step6。

Step6 對當前群體Ntop個適應度最高的優質粒子直接進入下一代。按照式(9)概率對非優質粒子進行選擇和隨機變異操作，生成下一代群體；轉到Step3。

1.2.7 算法復雜度分析

經典PSO算法每一次迭代中的粒子數量不變，記為Nc。設第i次迭代中粒子的數量為Ni(i= 1, 2, …,m) ，m為最大迭代次數，則有Ni=Nc。設每個粒子每一次迭代需要的運算時間為Ti，則經典PSO算法總的運行時間為O(Nc*Ti*m)。本文DRDPSO策略將群體搜索范圍控制在NeighNum而不是所有粒子(NeighNum根據經驗設置，通常為總粒子數量的1/3)，即搜索范圍縮小至原來的1/3，且隨著迭代的進行，后期符合條件的粒子的數量還會逐漸減少(非單調)。設每個粒子每一次迭代需要的運算時間為Ti，則本文DRDPSO策略總的運行時間為O(Ni*Ti*m)，其中Ni≤1/3Nc。比經典PSO算法增加的計算式(6)、(8)、(9)均為常數級計算，對時間復雜度帶來的增量遠遠小于搜索范圍帶來的減量，可以忽略。本文DRDPSO策略改進的效果在運行時間方面主要體現在:每一次迭代中的搜索范圍大大減少,參與下一步運算的粒子數大大減少，使得運行時間減少。而增加的計算部分使得對資源調度的評估標準更合理，解的多樣性更好。

在空間存儲方面，本文DRDPSO策略比經典PSO算法在每次迭代中增加了常量數量級的中間變量如fit(t)、τ、φ(i,j,t)等，以及與之相關的臨時變量的存儲，但每次迭代搜索范圍相比經典算法縮小至原來的1/3，使得臨時粒子的保存量也大為減少，所以空間復雜度有所降低。

需要明確的是，本文策略屬于啟發式搜索算法，這一類算法所獲得的解都并不是理論上的最優解。對于諸多 NP-hard 問題，使用確定性算法時間復雜度的代價極大，到不能接受的程度(運行時間很長)，有時候需要保存的中間變量數量也很大，導致空間復雜度也較高。而求解實際問題往往并不需要理論上的最優解，只需要一個滿足一定條件、符合工程需求的次最優解就能解決問題。

2 實驗結果與分析

本文采用云計算仿真工具CloudSim 進行實驗仿真，首先創建數據中心、用戶代理和計算節點(虛擬資源)，其次將用戶代理與計算節點進行映射，生成云任務集合，在此基礎上使用不同的調度策略將任務分配給計算節點。文獻[8] 的模擬退火遺傳算法(Simulated Annealing Genetic Algorithm, SAGA)和文獻[12] 的GA+PSO算法分別對云計算的資源調度問題對標準遺傳算法和標準PSO算法作了有特色的改進，并提供了較詳細的實現過程，因此作為本文策略的對照算法。在相同環境和條件下將本文DRDPSO策略與SAGA、GA+PSO進行對比實驗。計算機仿真實驗環境的配置為：Windows 7操作系統，CPU 4核，內存16 GB，硬盤2 TB。

2.1 任務規模單變量實驗結果

在任務類型相同的條件下，以任務規模為單變量，分別生成m=100,200,…,1 000個模擬的用戶任務，計算資源n取50。本文DRDPSO策略中的參數初始化為：種群規模Size(即粒子的個數，或候選解的個數)初始化為100，Ntop=Size/10=10，NeighNum=Size/3=33，最大迭代次數IterNum=2 000。μ1=4，μ2=1，表示本文更重視總執行時間的優化，而把資源成本放在較次要的位置。c1=c2=1，k1=k2=1，σ=0.7。為了挖掘最優值，體現每次迭代與上一次的細微改變，設置為較小的門限值：εc=0.01，ετ=0.01(實際運行時，根據具體問題域的變化幅度不同，或者為了避免迭代次數過多，總是超過上限，可以根據經驗調整為小于等于0.05的值)。SAGA和GA+PSO的公共參數與本文算法相同，其各自的局部變量大部分按原文獻設置參數值，但為了在本實驗中獲取最好的結果，對部分參數值作了適當調整。三種算法在處理不同任務規模下的CPU型任務的性能如圖1所示。由于本文算法中多處使用了隨機技術，所以同樣參數的實驗多次運行結果在數值上不完全相同，但是多次實驗結果反映出的規律是基本一致的。

圖1 不同算法在不同任務規模下的性能比較Fig．1 Performance comparison of different algorithms under different task scales

從圖1(a) 可以看出，在任務規模比較小的情況下(規模為100)，本文算法DRDPSO比SAGA、GA+PSO 的最優調度方案所需的總執行時間略大。而隨著任務規模的增加，三種調度策略的總執行時間都有增加，本文DRDPSO策略的增加率明顯小于GA+PSO，而GA+PSO則略小于SAGA。DRDPSO的總執行時間比SAGA少13.7%～37.0%，比GA+PSO少13.6%～31.6%。上述結果表明本文調度方案能夠適應大規模任務調度，在較短的時間內完成用戶任務。

由圖1(b)可以看出，本文DRDPSO策略與SAGA 在任務規模增加時，資源耗費近似于線性增長，表明這兩種策略在任務-計算節點匹配的適應性和穩定性均較好，而GA+PSO的資源耗費波動較大。在大多數情況下DRDPSO的資源耗費比其他兩種算法少，隨任務規模不同，本文DRDPSO策略的資源耗費比SAGA少9.8%～17.1%，比GA+PSO少0.6%～31.1%。

從圖1(c)可以看出，在達到收斂所需的迭代次數方面，文本算法DRDPSO明顯少于其他兩個算法，且不易受任務規模變化的影響，而另外兩種算法在任務規模增大時迭代次數也顯著增加，直到任務規模增大到一定程度才停止大幅增加。DRDPSO的迭代次數比SAGA少15.7%～60.2%，比GA+PSO少1.4%～54.7%。文本算法DRDPSO迭代次數出現波動的原因主要來自于φ(i,j,t)的值和每次實驗隨機產生的任務序列的情況(子任務大小、子任務出現順序等)，由于適應度函數和負載均衡度等多種指標的共同制約，使得迭代次數較少。同時也看到，在大部分情況下，本文DRDPSO策略的時間耗費沒有與迭代次數的減少幅度成線性關系，是每次迭代中增加了用于改進的多個計算導致的。

從圖1(d)可以看出，在不同的任務規模條件下，本文算法DRDPSO的負載均衡度總體來看最小，比SAGA減小8.1%～18.5%，大部分情況下比GA+PSO減少2.7%～15.3%，且變化最小。GA+PSO雖然有時獲得比DRDPSO更好的負載均衡度，但它的整體性能不夠穩定，而SAGA的負載均衡度偏大，表明其對計算節點的利用不夠均衡。

2.2 任務類型單變量實驗結果

為了比較對不同類型任務的處理效果，將任務劃分為三類：1)CPU型任務，占用CPU的比例遠大于IO比例(比值大于3∶1)；2)混合型任務，占用CPU和IO比例大致相當(比值介于3∶1和1∶3之間)；3)IO型任務，占用CPU的比例遠小于IO的比例(比值小于1∶3)。實驗結果表明，三種算法各自在相同任務規模下的性能基本保持一定的規律。以任務規模500為例，三種算法對三種類型任務的平均總執行時間、平均總的資源成本、平均迭代次數和平均資源負載均衡度如表1所示。

從表1可以看出，在總執行時間方面，三種調度策略表現相似，都是對于CPU型任務的總執行時間最多，混合型任務次之，IO型任務最少，顯然，這是由于本文定義的適應度函數為綜合代價TotalCost，而TotalCost只考慮執行時間和資源占用情況，未考慮任務傳輸時間(而實際應用也往往不計入任務傳輸時間，或者認為任務可以預傳輸，傳輸時間為常量)。在總執行時間方面，本文策略DRDPSO表現最好。類似的，在占用資源數量方面，三種調度策略對于三種類型任務的總資源成本也呈現與總執行時間相似的規律。在收斂迭代次數方面，本文算法DRDPSO在各類型任務都是最少的，GA+PSO算法適合快速求解混合型任務，SAGA則適合快速求解IO型任務。在負載均衡度方面，本文算法DRDPSO和GA+PSO算法的負載均衡度對于三種類型的任務的表現相似，即處理CPU型任務的均衡性最弱，處理IO型任務的均衡性最好，而SAGA則適合于混合型任務的均衡調度。

多次實驗結果表明，本文DRDPSO策略在大部分情況下在多個指標上比其他兩種算法均有更好的表現。但由于算法的隨機性本質，不能保證在每次運行時在各個方面(執行時間、資源成本、迭代次數)都優于對比算法。

表1 在任務規模500條件下,三種算法對三種類型任務的性能比較Tab. 1 Performance comparison of three algorithms for three types of task under task scale of 500

以上實驗結果表明，本文DRDPSO策略有較為顯著的效果：將慣性系數由常量修改為變量，使得過程前期搜索速度快而后期搜索精度高，實現對迭代過程的合理控制；以局部最優位置代替全局最優位置，減少了大量的無效搜索；引入遺傳算法的選擇操作，篩選出優質個體并傳遞到下一代；引入變異操作實現隨機擾動，改善非優質粒子的組成，提高了全局最優解出現的概率；綜合約束條件使得結束點更為合理。這些改進操作都促進了總的執行時間、資源成本、迭代次數的降低，資源-任務匹配度升高,以及資源負載均衡度減小。

3 結語

基于云計算的資源調度目標和要求，本文通過對現有調度策略的總體分析得出群體智能算法具有較好的處理能力。本文結合兩種表現較為突出的群體智能算法PSO與遺傳算法優勢，并加入了多種改進方式，形成了混合式群體智能調度策略DRDPSO。在CloudSim 平臺上進行了兩類仿真測試，大量實驗統計結果表明，與對比算法SAGA和GA+PSO相比， DRDPSO能夠較為明顯地縮短總的任務執行時間，提高了不同類型任務下的資源利用率，并適當兼顧計算節點的負載均衡，能夠較好地解決云計算資源的動態調度問題。