全文总字数：2457字

1. 研究目的与意义及国内外研究现状

云计算是近年来发展迅速的计算模型，伴随着分布式计算、网格计算和并行计算等技术发展而兴起。云计算是一种计算模型，可以实时快捷地按需求从可配置计算资源共享池中得到资源，这类资源包括服务器、存储、网络、服务、应用等，资源的供应和释放都可以在较短的时间内完成，从而将资源管理的负载和服务提供商的交互降低到最低的限度。云计算的基本原理是通过网络将大量用户上报的任务分解成较小任务，经过以网络相连的多个计算机进行查询、运算、合并结果并返回给用户。

云计算面临的用户数目十分巨大，导致任务量十分繁重，因此云计算的计算资源分配和任务调试是十分关键的节点，目前研究较多的先进先出调度算法、计算能力调度算法和公平调度算法等都存在一定不足，此外基于免疫算法、蚁群算法、遗传算法的云计算任务调度也成为研究热点，但是任何算法都存在其特有优势和固有不足：例如遗传算法具备全局搜索能力和快速随机性，但是过程参数设置较多，实现算法普遍较为复杂，而且很容易进入局部最优值；蚁群算法寻优能力较好，但由于算法开始时信息素较少导致收敛速度低；而粒子群算法有较快的收敛速度，性能优于遗传算法，而且算法初期收敛较快，但后期收敛速度较慢，局部搜索能力较弱。

国内外研究现状

近年来,国内外学者在蚁群算法的模型改进和应用方面做了大量的工作,其共同目的是在合理时间复杂度的限制条件下,尽可能提高蚁群算法在一定空间复杂度下的寻优能力,从而改善蚁群算法的全局收敛性,并拓宽蚁群算法的应用领域。

2. 研究的基本内容

蚁群算法是一种基于群体的自适应搜索算法, 是对蚂蚁群落食物采集过程的模拟。因其并行分布性、扩展性、易实现、鲁棒性强等优点, 在动态环境下也表现出高度的灵活性和健壮性, 成功解决了许多组合优化问题。任务调度问题本质上从资源分配给任务的多种组合中选出性能比较好的一种动态组合方式, 从解决问题角度看, 蚁群算法非常适合解决云环境中的资源调度问题。

本文研究了目前云计算发展的趋势和关于任务调度的研究现状，介绍了任务调度和资源分配的有关技术。在分析了虚拟机任务调度特点之后，总结出了任务调度模型和传统蚁群算法的优点和缺点。把蚁群算法的原理和云计算任务调度相结合，提出了利用改进蚁群算法进行任务调度的思想，在传统的蚁群算法中加入信息素调节参数。最后，在cloud sim模拟系统上实验，结果得出改进的蚁群算法在任务时间跨度以及负载均衡度上都有很好的改善。

3. 实施方案、进度安排及预期效果

2017.12.20-2017.12.31选定选题，检索文献并完成任务书。

2018.01.01-2018.01.14查阅资料，了解国内外有关云计算和蚁群算法的研究，对其有了初步的了解并完成开题报告。

2018.01.15-2018.02.28对研究方案的探讨以及与导师的问题答疑，建立初步的研究模型。

4. 参考文献

[1]段海滨.蚁群算法原理及其应用[m].北京:科学出版社,2005.

[2]查华英,杨静丽.改进蚁群算法在云计算任务调度中的应用[j].计算机工程与设计,2013. [3]李世勇,陈永强,李研.蚁群算法及其应用[m].哈尔滨:哈尔滨工业大学出版社,2004. [4]祝家钰,肖丹.云环境下基于路径优先级的任务调度算法[j].计算机工程与设计,2013.[5]张纪会．一种新的进化算法—蚁群算法[j].系统工程理论与实践,1999,19(3):84—87.[6]杨海,王洪国,徐卫志.蚁群算法的应用研究与发展[j].科学和技术信息学报,2007(28):13-14.[7] m.dorigo, l.m.gambardella. ant colony system ：a cooperative learning approach to the traveling salesman problem[j]. ieee transactions on evolutionary computation，1997，1(1)：53-66.

[8]dorigo m，bonabeau e，theraulaz g．ant algorithms and stigmergy[j]．future generation computer systems，2000，16(9): 851—871．