面向异构云环境的自适应导向变异蛇优化算法在预算约束工作流调度中的应用

本文提出了一种新型元启发式算法——自适应导向变异蛇优化器（AOM-SO），用于解决异构云环境中预算约束下的工作流调度难题。该算法通过平衡随机变异（AOM）与方向性策略，有效避免局部最优陷阱，在保证100%可行解成功率的同时，将工作流完成时间（makespan）平均降低43.03%，显著优于现有算法（如OSAM、MG-PRO）。研究为云计算资源调度提供了兼具高效性与鲁棒性的创新解决方案。

　　

亮点

本研究创新性地将蛇优化器（Snake Optimizer, SO）引入云计算领域，通过自适应导向变异（Adaptive-Oriented Mutation, AOM）机制，巧妙解决了预算约束下工作流调度的"探索-开发"两难问题。如同为算法装上了智能导航系统，AOM-SO既能避免随机游走的盲目性，又能防止过度定向导致的局部最优，最终在科学工作流测试中实现"双百"表现——100%可行解捕获率与43.03%的平均工期压缩率。

相关研究

云计算工作流调度研究主要聚焦三大方向：

1. 1.

   预算约束调度：如Li团队提出的猫头鹰搜索算法（OSA）改进版OSAM，通过变异策略增强全局搜索能力

2. 2.

   时间优化调度：典型代表AEFT算法专注于工期最小化

3. 3.

   多目标调度：平衡成本、时间、能耗等多维指标

模型构建

研究建立包含云资源、工作流、成本的三维模型，重点刻画：

• •

  虚拟机（VM）性能与租用成本的正相关关系

• •

  任务间依赖关系的DAG（有向无环图）表征

• •

  预算约束下的优化目标函数

AOM-SO算法架构

算法核心由三大模块构成：

1. 1.

   初始化模块：生成蛇群（候选解集）

2. 2.

   解更新模块：模拟蛇类捕食行为的温度敏感搜索策略

3. 3.

   AOM模块：动态调节变异强度的高维适应机制

   特别设计的多维位置偏移策略，有效应对大规模工作流的高维挑战。

实验验证

对比OSAM、MG-PRO等算法，AOM-SO展现出：

? 更快的收敛速度

? 更稳定的求解质量

? 对Montage、CyberShake等科学工作流的强适应性

结论与展望

当前研究为云工作流调度提供了新范式，未来可延伸至：

• •

  动态环境下的实时调度

• •

  多目标帕累托前沿优化

• •

  与深度学习方法的融合创新