一种基于改进的蚁群算法的云任务调度算法

针对云计算任务调度中的负载不均衡和任务完成时间优化问题，本发明提出一种改进的蚁群优化(ACO)算法。传统ACO算法在解决任务调度问题时存在收敛速度慢、易陷入局部最优以及忽略负载均衡等不足。本研究的创新点包括：动态启发式信息设计：结合任务长度和虚拟机实时负载，动态调整启发式信息，避免长任务集中分配到少数虚拟机。精英策略信息素更新：仅对每轮迭代中适应度最优的蚂蚁路径进行信息素增强，加速优质解的传播并减少无效探索。混合选择机制：采用确定性选择与轮盘赌相结合的策略，平衡算法的开发能力和探索能力。多目标适应度函数：同时优化任务完成时间(Makespan)和负载均衡系数(CV)，提升资源利用率。实验结果表明，改进后的ACO算法在CloudSim仿真环境中显著优于传统方法：任务完成时间平均缩短15％，负载均衡系数(CV)降低30％，且收敛速度提升40％。该算法为云计算环境下的高效任务调度提供了新的解决方案，具有重要的理论和应用价值。