在云计算工作流系统中，采用改进的最早结束时间算法 HEFT（Heterogeneous Earliest Finish Time）和局部优化的模拟退火算法 SAA（Simulate Anneal Algorithm）与提出的改进的粒子群算法MPSO进行对比。
HEFT算法没有进行优化，在算法运行过程中，只设置了任务的最早完成时间，作为判断的特殊情况。模拟退火算法在算法运行的过程中可以实现局部的任务最优调度，但不能考虑全局的优化调度，MPSO算法则改进了经典的粒子群算法中的适应度函数，实现了全局随机优化调度。
以上三种算法在云数据中心的任务调度策略中得到普遍应用，为了寻求任务的最优调度，实验从三种算法的执行时间、执行费用上进行比较。
表6-1和表6-2的实验结果分别为采用HEFT算法、SAA算法时工作流任务在调度执行时的时间对比情况。
表6-1 HEFT算法执行时间（ms）
表6-2 SAA算法执行时间（ms）
表6-3、表6-4分别为运用MPSO算法，并且种群选择概率为40%和60%时工作流任务执行的时间情况。
表6-3 MPSO（40%）执行时间（ms）
表6-4 MPSO（60%）执行时间（ms）
由表6-1～表6-4的数据可以看出，在相同的开始时间，MPSO算法相较于HEFT算法和SAA算法的用时更短，并且在任务的调度过程中，由于改进了编码和遗传操作，MPSO算法本身在执行过程中，对各个节点的调度分配更加灵活，提高了任务调度效率。
设定不同资源数，采用HEFT算法、SAA算法以及提出的改进的粒子群算法 MPSO（选择概率为 40%和 60%）时，云计算工作流系统任务执行的总费用、时间对比如图6-4、图6-5所示。
由图6-4、图6-5可知，由于改进的粒子群算法MPSO其优化效率高，对于资源的调度更有效，在给予执行任务相同的资源时，在利用三种算法的执行费用比较中，HEFT算法最高，MPSO算法费用最低，并且随着系统提供的资源占系统总资源的比例增加，任务执行的费用降低，而MPSO算法执行的费用仍然最低。(www.xing528.com)
同时，当选择概率为60%时，算法的优化能力增加，任务调度过程不断优化，使得工作流中任务执行的效率提升，任务执行消耗的资源减少，费用随之降低。与此同时，执行的过程中，随着资源量的不断增加，对于寻优能力强的算法，其对任务的调度优化过程的优势更明显，促使任务的执行期不断缩短，任务执行时间明显减少。
图6-4 三种算法的执行费用
图 6-5 三种算法的执行时间
6.4.2.2 面向负载感知的任务调度算法实验结果分析
从CPU、内存以及磁盘利用率进行比较，实验结果如图6-6、图6-7、图6-8所示。
实验选取系统工作流任务执行60分钟的情况，利用有负载感知的任务调度算法执行时，任务开始执行到20分钟时，系统的CPU利用率较低，但仍处于上升的趋势。当多个任务进入系统后，系统需要进行合理的资源分配，执行任务的调度。此时，有任务处于等待状态，系统的CPU利用率增长缓慢。等待前期任务被调度完毕，系统的任务执行进入良好的较为稳定的执行状态，此时对应的CUP的利用率从较高的水平趋于平稳。
图6-6 CPU利用率对比图
图6-7 内存利用率对比图
图 6-8 磁盘利用率对比图
在 60分钟执行过程中可知，选用有负载感知的任务调度算法时，系统的内存利用率、磁盘利用率增加，符合工作流中任务调度的特点，同时，表明利用有负载感知的任务调度算法能根据多数据中心的负载情况，优化任务调度，有效降低负载，因而减少了任务等待时间，保证了任务高效执行。在同样的时间段内，选取无负载感知的任务调度算法运行时，内存利用率以及磁盘利用率降低，系统任务调度不稳定，资源利用率波动较大。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
