1、 ·70· 通 信 學 報 第 35 卷 和位置。 步驟 5 檢查是否達到最大迭代次數，若達到 則輸出最優解，若未達到，則返回步驟 3。 步驟 6 結束。 基于改進適應度函數與自適應權重的粒子群 算法具體流程如圖 2 所示。 4.2 仿真結果與性能分析 本文依照上一節所得到的仿真參數，得到規模 為 100，前置機為 50，總任務數為 50 情況下的醫 生利用前置機查詢信息的總完成時間和總完成成 本仿真。其仿真結果分別如圖 3 和圖 4 所示。 如圖 3 和圖 4 所示，當迭代次數小于 20 時， 一般的粒子群算法下醫生查詢醫療數據所用的總 完成時間與完成成本和改進粒子群算法

2、下相差不 大，但是隨著迭代次數的逐漸增加，如圖 3 和圖 4 所示，改進粒子群算法相對傳統粒子群算法下醫生 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了明 顯減少。 圖 3 子任務總數 U=9 時任務的總完成時間 圖 2 基于改進適應度函數與自適應權重的粒子群算法流程 4 仿真結果與分析 4.1 仿真參數設置 本文通過計算出 ETC 矩陣和 RCU 數組，針對 醫療數據查詢任務調度， 分別用傳統 PSO 算法和基 于自適應權重的 PSO 算法進行了仿真測試， 通過多 次仿真實驗，可以在較短時間內獲

3、取最優解。其具 體的參數如下。 粒子種群規模 P 設為 100， 前置機數量 M 設置 為 50，任務數 N 設為 50，未使用自適應權重的慣 性因子設置為 0.9， wmax 設置為 0.9， wmin 設置為 0.4， 學習因子 c1 設置為 2，c2 設置為 2，最大迭代次數 tmax 設置為 150。 圖 4 子任務總數成本 U=9 時總任務的總完成成本 以上結果表明，如果只將醫生查詢信息的總完 成時間這一指標作為調度目標，而沒有考慮總任務 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良粒子，這導致在云環境中 的迭代過程中使查詢的結果過早地收斂于局部最 優解中，而

4、改進的粒子群算法將時間與成本作為調 度目標在云環境中實現了縮短總任務完成時間的 第 Z1 期 胡超等：基于 PSO 算法的醫療大數據任務調度策略 ·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權重的粒子 群算法明顯優于傳統的粒子群算法，在完成任務調 度問題是有良好的優化效果，在醫療系統中，醫生 查詢病人信息相對較頻繁，采用本文提出的算法， 可以提高系統的收斂速度，明顯地改善了工作效 率，節約時間。 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 本文綜合考慮醫院院內各前置機的數據處理 能力及使用成本，提出了一種雙適應度的自適應權 重粒子群算法，該算法能使醫療信息查詢總時間和 總成本均能實現最優化。通過實時

7、調整粒子群算法 的慣性權重，進一步提升了粒子群算法的尋優能力 及收斂速度，并保證所求解可以兼顧醫療數據查詢 時間及查詢成本最優。在實驗中通過 ETC 矩陣及 RCU 數組分別模擬醫院院內各前置機的任務完成 時間及使用成本，分別用傳統的粒子群算法及所提 出的雙適應度自適應權重粒子群算法對大規模醫 療數據查詢任務進行了最優調度求解，實驗結果表 明，相較于傳統的粒子群算法，所提出的算法不僅 使求解最優醫療數據查詢任務調度方案的時間進 一步縮短，并提高了粒子群算法的尋優能力，使所 求的最優調度方案具有更短的完成時間及更少的 完成成本，提升了醫療信息共享平臺中用戶查詢醫 療數據的效率，節約了前置機的使用

8、成本。 Comput, 2002,6(4: 333-346. 10 劉志雄, 梁華. 粒子群算法中隨機數參數的設置與實驗分析J. 控 制理論與應用, 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. 一種求解連續空間優化問題的改進蟻 群算法J. 系統仿真學報, 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 大學網絡中心博士生，主要研究方向為網絡 管理、教育信息化、區域醫療信息化等。 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. 醫療大數據及其面臨的機遇與挑戰J. 醫 學信息學雜志, 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