基于PSO算法的醫(yī)療大數(shù)據(jù)任務(wù)調(diào)度策略_圖文

1、 ·70· 通 信 學(xué) 報 第 35 卷 和位置。 步驟 5 檢查是否達到最大迭代次數(shù)，若達到 則輸出最優(yōu)解，若未達到，則返回步驟 3。 步驟 6 結(jié)束。 基于改進適應(yīng)度函數(shù)與自適應(yīng)權(quán)重的粒子群 算法具體流程如圖 2 所示。 4.2 仿真結(jié)果與性能分析 本文依照上一節(jié)所得到的仿真參數(shù)，得到規(guī)模 為 100，前置機為 50，總?cè)蝿?wù)數(shù)為 50 情況下的醫(yī) 生利用前置機查詢信息的總完成時間和總完成成 本仿真。其仿真結(jié)果分別如圖 3 和圖 4 所示。 如圖 3 和圖 4 所示，當?shù)螖?shù)小于 20 時， 一般的粒子群算法下醫(yī)生查詢醫(yī)療數(shù)據(jù)所用的總 完成時間與完成成本和改進粒子群算法

2、下相差不 大，但是隨著迭代次數(shù)的逐漸增加，如圖 3 和圖 4 所示，改進粒子群算法相對傳統(tǒng)粒子群算法下醫(yī)生 查詢信息的總完成時間上快了約 10 s，成本也少了 約 50。由此可見，改進粒子群算法的總完成時間與 總完成成本相對于一般粒子群算法來講出現(xiàn)了明 顯減少。 圖 3 子任務(wù)總數(shù) U=9 時任務(wù)的總完成時間 圖 2 基于改進適應(yīng)度函數(shù)與自適應(yīng)權(quán)重的粒子群算法流程 4 仿真結(jié)果與分析 4.1 仿真參數(shù)設(shè)置 本文通過計算出 ETC 矩陣和 RCU 數(shù)組，針對 醫(yī)療數(shù)據(jù)查詢?nèi)蝿?wù)調(diào)度， 分別用傳統(tǒng) PSO 算法和基 于自適應(yīng)權(quán)重的 PSO 算法進行了仿真測試， 通過多 次仿真實驗，可以在較短時間內(nèi)獲

3、取最優(yōu)解。其具 體的參數(shù)如下。 粒子種群規(guī)模 P 設(shè)為 100， 前置機數(shù)量 M 設(shè)置 為 50，任務(wù)數(shù) N 設(shè)為 50，未使用自適應(yīng)權(quán)重的慣 性因子設(shè)置為 0.9， wmax 設(shè)置為 0.9， wmin 設(shè)置為 0.4， 學(xué)習(xí)因子 c1 設(shè)置為 2，c2 設(shè)置為 2，最大迭代次數(shù) tmax 設(shè)置為 150。 圖 4 子任務(wù)總數(shù)成本 U=9 時總?cè)蝿?wù)的總完成成本 以上結(jié)果表明，如果只將醫(yī)生查詢信息的總完 成時間這一指標作為調(diào)度目標，而沒有考慮總?cè)蝿?wù) 完成成本這一要素，一般粒子群算法在迭代的過程 中丟失了一些潛在的優(yōu)良粒子，這導(dǎo)致在云環(huán)境中 的迭代過程中使查詢的結(jié)果過早地收斂于局部最 優(yōu)解中，而

4、改進的粒子群算法將時間與成本作為調(diào) 度目標在云環(huán)境中實現(xiàn)了縮短總?cè)蝿?wù)完成時間的 第 Z1 期 胡超等：基于 PSO 算法的醫(yī)療大數(shù)據(jù)任務(wù)調(diào)度策略 ·71· 同時兼顧成本最小的原則。 由此可見，本文采用的基于自適應(yīng)權(quán)重的粒子 群算法明顯優(yōu)于傳統(tǒng)的粒子群算法，在完成任務(wù)調(diào) 度問題是有良好的優(yōu)化效果，在醫(yī)療系統(tǒng)中，醫(yī)生 查詢病人信息相對較頻繁，采用本文提出的算法， 可以提高系統(tǒng)的收斂速度，明顯地改善了工作效 率，節(jié)約時間。 scheduling algorithms in cloud computingJ. Int J Adv Comput, 2011, (102: 81-86.

5、 7 JIAYIN L I, QIU M, MING Z, et al. Online optimization for scheduling preemptable tasks on IaaS cloud systemsJ.Journal of Parallel and Distributed Computing,2012,72(2:666-677. 8 JEYARANI R, NAGAVENI N, RAM R V. Self adaptive particle swarm optimization for efficient virtual machine provisioning in

6、 cloudJ. International Journal of Intelligent Information Technologies, 2011, 7(2: 25-44. 5 結(jié)束語 9 MERKLE D, MIDDENDORF M, SCHMECK H. Ant colony optimization for resource-constrained project schedulingJ. IEEE Trans Evol 本文綜合考慮醫(yī)院院內(nèi)各前置機的數(shù)據(jù)處理 能力及使用成本，提出了一種雙適應(yīng)度的自適應(yīng)權(quán) 重粒子群算法，該算法能使醫(yī)療信息查詢總時間和 總成本均能實現(xiàn)最優(yōu)化。通過實時

7、調(diào)整粒子群算法 的慣性權(quán)重，進一步提升了粒子群算法的尋優(yōu)能力 及收斂速度，并保證所求解可以兼顧醫(yī)療數(shù)據(jù)查詢 時間及查詢成本最優(yōu)。在實驗中通過 ETC 矩陣及 RCU 數(shù)組分別模擬醫(yī)院院內(nèi)各前置機的任務(wù)完成 時間及使用成本，分別用傳統(tǒng)的粒子群算法及所提 出的雙適應(yīng)度自適應(yīng)權(quán)重粒子群算法對大規(guī)模醫(yī) 療數(shù)據(jù)查詢?nèi)蝿?wù)進行了最優(yōu)調(diào)度求解，實驗結(jié)果表 明，相較于傳統(tǒng)的粒子群算法，所提出的算法不僅 使求解最優(yōu)醫(yī)療數(shù)據(jù)查詢?nèi)蝿?wù)調(diào)度方案的時間進 一步縮短，并提高了粒子群算法的尋優(yōu)能力，使所 求的最優(yōu)調(diào)度方案具有更短的完成時間及更少的 完成成本，提升了醫(yī)療信息共享平臺中用戶查詢醫(yī) 療數(shù)據(jù)的效率，節(jié)約了前置機的使用

8、成本。 Comput, 2002,6(4: 333-346. 10 劉志雄, 梁華. 粒子群算法中隨機數(shù)參數(shù)的設(shè)置與實驗分析J. 控 制理論與應(yīng)用, 2010, 27(11: 1489-1496. LIU Z X, LIANG H. Parameter setting and experimental analysis of the random number in particle swarm optimization algorithmJ. Control Theory & Applications, 2010, 27(11: 1489-1496. 11 段海濱, 馬冠軍, 王道波

9、等. 一種求解連續(xù)空間優(yōu)化問題的改進蟻 群算法J. 系統(tǒng)仿真學(xué)報, 2007, 19(5: 974-977. DUAN H B, MA G J, WANG D B, et al.Improved ant colony algorithm for solving continuous space optimization problemsJ. Journal of System Simulation, 2007, 19(5: 974-977. 12 POLI R, KENNEDY J, BLACKWELL T. Particle swarm optimizationJ. Swarm intell

10、igence, 2007, 1(1: 33-57. 作者簡介： 胡超（1980-），男，湖南長沙人，中南 大學(xué)網(wǎng)絡(luò)中心博士生，主要研究方向為網(wǎng)絡(luò) 管理、教育信息化、區(qū)域醫(yī)療信息化等。 參考文獻： 1 TRAVIS B, ALLAN S. The inevitable application of big data to health careJ. The Journal of the American Medicine Association, 2013, 309(13: 1351-1352. 2 LANG T. Advancing global health research through

11、 digital technology and sharing dataJ. Science,2011,331(6018:714-717. 3 HAUX R. Medical informatics: past, present, futureJ. International Journal of Medical Informatics,2010,79(9:599-610. 4 張振, 周毅, 杜守洪等. 醫(yī)療大數(shù)據(jù)及其面臨的機遇與挑戰(zhàn)J. 醫(yī) 學(xué)信息學(xué)雜志, 2014, 35(6: 2-8. ZHANG Z, ZHOU Y, DU S H, et al.Medical big data and the fadng opportunities and challengesJ. Journal of Medical Informatics, 2014, 35(6: 2-8. 5 RAMESHKUMAR K, AMALARETHINAM D G. Applying nontraditional optimization techniques to task scheduling in grid computing-an overviewJ. Int J Res Rev Comput, 2010,4(1:33-38. 6 KAUR N, AULAKH T