Efficient task scheduling in cloud computing environment using opposition-based firebug tunicate optimization

doi:10.1007/s10586-026-06561-4

2026-10-03

PRE

Chirag Chandrashekar

Pradeep Krishnadoss

Arun Kumar Sivaraman

Vijayakumar Kedalu Poornachary

Kong Fah Tee *

Janakiraman Nithiyanantham

DOI：10.1007/s10586-026-06561-4

原文链接

原文求助

摘要

En 中文

云计算中的任务调度是直接影响系统效率的关键组成部分，特别是在工时、资源利用率和运营成本方面。然而，现有的元启发式算法往往在探索与开发之间难以取得良好平衡，导致过早收敛和次优解。这些挑战源于云环境的动态特性、任务异构性以及不同的服务质量（QoS）要求。为克服这些局限性，本文提出了一种新的算法，命名为基于对立学习的萤火虫海鞘优化算法（OFTO）。该方法结合了萤火虫群优化算法（FSO）强大的局部搜索能力和海鞘群优化算法（TSO）稳健的全局搜索能力。该混合方法进一步通过对立学习（OBL）进行增强，通过对每次迭代中的当前和相反候选解进行评估来增加种群多样性。这种集成确保了对搜索空间的全面探索，同时保持开发效率，有助于避免局部最优并加速收敛。此外，所提出的算法专门设计用于优化关键服务质量（QoS）参数，通过最小化执行成本、减少工时和加速收敛，使该算法成为具有截止时间敏感的任务调度器（DSTS）。这种对截止时间敏感的调度能力使其能够在有限时间内将任务分配给最合适的虚拟机，同时确保计算资源的最小消耗。广泛的实验模拟与多种最先进算法进行了比较，包括容错信任基础的哈里斯鹰深度强化学习算法（FTTHDRLA）、基于修改转移函数的二进制粒子群优化算法（MTF-BPSO）、骑士杜鹃优化算法（RCOA）、海鞘群优化算法（TSO）和萤火虫群优化算法（FSO）。结果表明，OFTO在整体性能上分别实现了7.96%、14.98%、18.50%、24.75%和31.71%的改进。此外，包括T检验、威尔科克森符号秩检验和弗里德曼检验在内的统计显著性测试进一步证实了所提出算法在多个指标上实现卓越性能的稳健性和可靠性。

Keyword:

Cloud computing

Convergence-rate

Exploration

Exploitation

Firebug tunicate optimization

Swarm intelligence