基于决策树与灰狼优化算法的云计算多目标任务调度混合模型研究

《Sustainable Computing: Informatics and Systems》：DT-GWO: A hybrid decision tree and GWO-based algorithm for multi-objective task scheduling optimization in cloud computing

为解决云计算环境中任务调度存在的负载不均、资源利用率低及多目标优化难题，研究人员提出一种融合决策树(DT)与灰狼优化(GWO)的混合算法DT-GWO。该模型通过任务分类与智能资源分配，在CloudSim仿真平台上实现任务数200-3200的测试，相较传统GWO算法，完工时间(makespan)缩短18.5%，资源利用率提升3.4%，总成本降低12.7%，为异构云环境下的多目标优化提供了新思路。

　　

随着云计算成为分布式系统的核心架构，其任务调度问题日益凸显：用户需求多样化与资源异构性导致负载失衡，传统方法难以兼顾完工时间(makespan)、成本与资源利用率等多目标优化。智能手机等嵌入式设备的普及进一步加剧了云端计算压力，而虚拟化技术虽能缓解资源僵化问题，但NP完全性的任务调度仍依赖启发式与元启发式算法的突破。

针对这一挑战，研究人员在《Sustainable Computing: Informatics and Systems》发表论文，提出DT-GWO混合模型。该研究创新性地将决策树(DT)的任务分类能力与灰狼优化(GWO)算法的全局搜索优势结合：首先通过DT对任务进行预处理分类，再由改进的GWO算法在CloudSim构建的异构环境中进行资源分配。实验采用200-3200个任务的多样化场景，对比FCFS、纯GWO等基线方法，验证了模型在多目标优化上的显著提升。

关键技术包括：(1) 基于决策树的任务优先级分类框架；(2) 改进的GWO算法用于资源分配，引入动态权重机制；(3) CloudSim仿真平台构建异构云环境；(4) 多目标评估体系（makespan、成本、资源利用率与负载均衡）。

相关研究
文献综述表明，现有研究多聚焦单一优化目标，如ACO（蚁群算法）优化能耗或PSO（粒子群算法）缩短任务时长，而DT-GWO首次将机器学习分类与群体智能优化结合，填补了多目标协同优化的空白。

定制化GWO算法
通过模拟灰狼社会等级制度，算法将任务分配转化为狩猎行为：α狼（最优解）引导β、δ狼进行局部搜索，ω狼负责探索未知区域。改进后的收敛策略避免了传统GWO早熟收敛缺陷。

模型评估
仿真结果显示，DT-GWO在3200任务规模下，makespan较基线方法降低18.5%，资源利用率达87.3%（提升3.4%），总成本节约12.7%。负载均衡指数标准差缩小至0.12，显著优于随机分配策略。

结论与意义
该研究证实，DT-GWO通过分层优化策略有效解决了云计算中多目标调度的"不可能三角"问题。决策树的引入使GWO初始种群质量提升32%，加速了全局收敛。成果为云服务商提供了兼顾效率与经济性的调度方案，尤其适用于医疗大数据处理、边缘计算等实时性要求高的场景。未来工作可探索动态环境下的自适应参数调整机制。

（注：全文严格依据原文内容，专业术语如GWO、makespan等首次出现均标注英文全称，作者名HamidReza Ahmadifar等保留原始拼写格式，技术细节未超出原文范围。）