基于混合GSCOA算法的绿色云计算多目标任务调度优化研究：提升能效与减少碳排放的创新策略

本文提出混合灰雁-沙猫群优化算法（GSCOA），通过整合沙猫群算法（SCSOA）的局部开发能力与灰雁优化算法（GGOA）的全局探索机制，实现绿色云数据中心（GCDC）任务调度中能耗、碳排放与系统性能的多目标协同优化。实验基于NASA-IPSC和HPC2N真实工作负载验证其优越性，为动态资源管理提供新范式。

　　

Section snippets

Related works

早期研究提出了多种降低能耗的任务调度技术。例如Alkaam等人[21]开发的HGHHC方法，通过融合哈里斯鹰优化（HHO）与全面对立学习（COBL）提升调度效率，但未能充分解决动态负载适应性问题。现有方法多局限于静态场景，缺乏对实时资源波动的响应能力，且常忽视任务依赖关系与硬件约束（如DVFS引发的系统稳定性问题）。深度学习方案虽被探索，但其训练能耗违背绿色计算（GCC）初衷。

System model and problem formulation

本研究构建基于GSCSOA的绿色云任务调度体系，包含三大核心模块：GSCOA算法、资源监控器与任务管理器。数据中心监控器持续采集服务器功耗、资源利用率及SLA违约数据，以CPU使用率为宿主利用率指标，动态协调任务分配与资源供给。

Proposed methodology

GSCOA是一种面向绿色云计算（GCC）的多目标混合调度算法，综合考量资源利用率、成本效益、完成时间（makespan）、碳排放、电能使用效率（PUE）、数据中心能效比（DCEP）及能耗指标。通过融合沙猫群优化（SCSO）与灰雁优化（GGOA），有效规避局部最优并提升性能。GGOA灵感源于雁群迁徙中的领导力动力学与V型编队策略，而SCSO模拟沙猫狩猎行为的高效勘探特性，二者协同实现全局探索与局部开发的平衡。

Result and discussion

实验将所提算法与多种元启发式调度方案（包括MOPTSA3C[27]、优先级猫群优化PCSO[28]、HGHHC[29]及经典SCSOA[30]、GGOA[31]）进行对比。通过七项性能指标（如能耗、碳排放、资源利用率等）在真实工作负载下的评估，证明GSCOA在动态环境中的显著优越性。

Conclusion

随着企业业务向云数据中心迁移，能耗与碳排放问题日益严峻。本研究提出的GSCOA智能任务调度框架，通过融合GGOA与SCSOA技术，增强收敛性并规避局部最优，实现了资源利用最大化与能耗碳排双降目标。