背景资料：

随着数据时代的到时，海量数据不断产生,单计算机无法按时、高效完成用户提交的任务，在此背景下，产生了云计算系统^[6]。云计算，是一种以互联网为基础的计算，它为计算机或其他设备提供共享处理资源和数据，是一种按需访问的可配置的计算资源。它是一种模式,实现了无处不在的、方便的、按需的网络访问、共享可配置的计算资源池(如网络、服务器、存储、应用和服务),可快速配置和发布，以最少的管理工作获得与服务供应商的互动^[3]。分布式系统通过一定的技术将分散计算资源组合在一起，从而可以处理大任务,有效提高了数据和信息的处理能力。在云计算系统中,资源处理能力有一定差异，可以执行任务规模和类型不同^[6]。它是一种新兴的按需分配计算资源与存储资源的商业化模式，鉴于它的低成本、虚拟化技术支持、多样化服务等优势，已经得到大规模的飞速发展并被广泛地应用^[2]。

目的和意义：

计算数据中心的计算机集群存储着云计算的软硬件资源，并具有完善的应用服务及专业化的管理^[2]。同时在云计算系统中,资源处理能力有一定差异，可以执行任规模和类型不同。因为资源有限，调度方案不合理，易导致一些资源上任务过多,无法在用户规定时间内完成。面对数据中心不断增大的规模和动态变化的需求，如何对其中的虚拟资源进行动态的管理并及时有效地分配给需要的用户是一个必须解决的问题。

资源调度是一个目标规划问题，不合理的资源调度制约着云计算的发展。由于资源调度问题而引起的: (1) 并发任务较多时，由于资源之间的竞争而引起的提交的任务不能及时完成，等待时间长,用户体验差; (2) 数据中心大量的资源浪费引发数据中心能耗大大增加，不节能环保; (3) 创造的经济收益由于系统的性能下降而减少[3]。目前主要从负载均衡角度通过对启发式算法进行改进，得到满足要求的资源调度方案。遗传算法通过自适应的调整以及概率化的搜索方式得到最优解，具有良好的全局搜索能力,应用最广泛。但不足之处在于算法中各项参数是通过 NWS 等服务得到的一些提前预测值, 因此在参数随时间剧烈变化的网格环境下,GA的计算时间会显得很长, 因而得到的调度策略也很不合理。然而萤火虫优化算法(Glowworm SwarmOptimization, GSO)是一种新型的群智能优化算法。该算法模拟自然界萤火虫的发光特性,通过比较荧光素值的大小达到交流信息的目的,从而实现问题的优化。该算法具有参数较少、操作简单且稳定性较好等优点。所以本课题是基于萤火虫的遗传算法对云计算资源调度进行研究。

国内外的研究现状分析：

云计算具有十分广阔的应用前景，然而，云计算应用的快速发展依赖于关键技术的研究。其中，最核心技术是资源管理，包括异构资源统一管理、资源合理调度与分配等。近几年在资源管理方面进行了较多研究，其中当前主要的几个研究方向有：以降低数据中心能耗为目标的资源分配和调度研究、以提高系统资源利用率为目标的资源管理与调度研究、基于经济学的云资源管理模型研究、其他相关研究。

文献[1]以低能耗为目标，强化该调度过程中的各个功能，将原有的功能模块进行改进后称为能耗测量监控平台、虚拟机管理器、能耗调度器。再分别对它们的功能进行解释，并对能耗测量监控平台中的测量方式以及能耗的计算模型进行研究,得到基于简单化与精确化准则的测量方式与计算模型;对于需要关闭的物理机，虚拟机管理器通过对关闭开启节能技术的研究，提出一种满足低能耗要求的关闭时间判断方法，主要是对超时时间计算方法的改进;能耗调度器与测量监控平台、虚拟机管理器实时通信，并根据本文遗传算法得到的最佳资源调度方案进行调度。

文献[2]提出了一种主要从低能耗和高资源利用率两个目标进行改进的算法。首先,对树型编码方式进行研究,并在种群初始化中设定负载阈值，根据它进行高资源利用率的资源分配; 再在适应度函数中引入负载均衡思路，并根据它的衡量标准设计衡量公式; 然后对各个遗传算子按照算法稳定性和执行效率的要求进行优化; 最后在遗传终止条件中选择能耗最低的方案。

文献[4] 提出了一种基于模拟退火思想的改进遗传算法.改进算法基于任务平均完成时间和负载均衡的双适应度函数和自适应的交叉变异概率函数，允许算法在退火过程中以一定概率接受劣质解从而避免早熟现象的发生,将虚拟资源上任务分配数的标准差作为选择个体的依据来实现节点的负载均衡。