1.一种基于分布式估计算法的云工作流调度优化方法，其特征在于：包括以下步骤：
步骤1：形式化调度问题，获取调度优化所需的信息；
获取任务集T＝{t1,t2,…,tI}，其中I是任务的数量，ti表示任务i，即编号为i的任务；
获取任务间的时序关系：任务i的父任务集PRi，任务i的子任务集SCi，其中i＝1,2…,I；
获取任务相关参数：任务i的长度ti.length，即任务i被虚拟机处理时需要耗费的指令数量，处理任务i时需要的输入文件列表ti.IFL，任务i被处理后产生的输出文件列表ti.OFL，及文件列表中文件file的大小file.size，其中i＝1,2…,I；任务i是任务i+的父任务的充要条件为：存在一个文件file，file是任务i的输出文件同时又是任务i+的输入文件，即：
获取云计算环境下的虚拟机集VM＝{vm1,vm2,…,vmJ}，其中J是虚拟机的数量，vmj表示虚拟机j，即编号为j的虚拟机；
获取虚拟机相关参数：虚拟机j的计算能力vmj.ps，虚拟机j的带宽vmj.bw，其中j＝1,
2…,J；
获取任务与虚拟机之间的支持关系：虚拟机j可以处理的任务集Tj，其中j＝1,2…,J；可以处理任务i的虚拟机集VMi，其中i＝1,2…,I；
步骤2：计算任务的rank；
先计算ti执行时的平均处理时间 需要从共享数据库获得输入文件的平均传输时间需要从其它虚拟机获得输入文件的平均传输时间
ti执行时的平均处理时间计算如下：
ti执行时需要从共享数据库获得输入文件的平均传输时间为：
ti执行时需要从其它虚拟机获得输入文件的平均传输时间为：
其中 为 和ti间的文件平均传输时间，其计算如下：
然后，计算任务i的 其计算过程如下：
对于没有子任务的结束任务i：
其它任务的自下而上排序值 采用如下递归公式进行计算：
接着，计算任务i的 其计算过程如下：
对于没有父任务的开始任务i：
其它任务的自上而下排序值 采用如下递归公式进行计算：
最后，计算任务i的排序值ranki：
其中，i＝1,2…,I；
步骤3：计算任务的层次值；
对于没有父任务的开始任务i，其层次值为：
leveli＝1      (10)
其它任务的层次值采用如下递归公式进行计算：
步骤4：初始化当代种群，进行最优个体保存；
基于HEFT_lbt生成1个个体、对初始概率模型进行N-1次采样生成N-1个个体，形成初始当代种群，同时把初始当代种群中的最优个体保存于BestChrom中，即令BestChrom为初始当代种群中的最优个体；其中N是种群规模；
所述个体采用2I位整数编码，I为任务数量，其方法如下：ch＝{g1,…,gI,gI+1,…,g2I}，基因gi是一个非负整数；其中，{g1,…,gI}是虚拟机分配列表，gi表示给任务i分配的虚拟机编号，即把任务i分配给虚拟机gi，gi∈VMi；{gI+1,…,g2I}是任务调度顺序列表，是1,…,I的一个排列，且满足任务的时序约束，即任何任务都不能排在其父任务的前面，gI+i表示第i个被调度的任务的编号，即任务gI+i是第i个被调度的；
所述基于HEFT_lbt生成1个个体包括如下步骤：
步骤A1：令所有虚拟机可得时间段列表vatlj＝{[0,M]}，j＝1,…,J，M为一个接近无穷大的数；令所有任务的就绪时间rti＝0，i＝1,…,I；令变量q＝1；令任务集UT＝T；
步骤A2：从UT中找出层次值最小的任务，然后从中取出一个rank最大的任务，不妨设为ti，gI+q＝i；
步骤A3：令ti的可得虚拟机集AVMi＝VMi，计算把ti分别分配给AVMi中的每个虚拟机后ti的完成时间：
步骤A3.1：从AVMi中取出一个虚拟机，不妨设为vmj；
步骤A3.2：计算ti分配给vmj处理后的执行时间
步骤A3.3：在vatlj中从早到晚找出一个空闲时段[νj,υj]，满足υj-νj≥eti,j和υj-eti,j≥rti；
步骤A3.4：计算ti分配给vmj处理后的开始时间si,j＝max{νj,rti}，完成时间fi,j＝si,j+eti,j；
步骤A3.5：若AVMi不为空则转到步骤A3.1，否则转到步骤A4；
步骤A4：按虚拟机顺序找出能最早完成ti的虚拟机，不妨设为vmj，gi＝j，把ti分配给vmj：
步骤A4.1：令ti的开始时间si＝si,j，ti的完成时间fi＝fi,j；
步骤A4.2：更新ti的子任务的就绪时间
步骤A4.3：在虚拟机可得时间段列表vatlj中删除[νj,υj]，插入区间长度大于0的[νj,si]和[fi,υj]；
步骤A5：令q＝q+1，若任务集UT不为空则转到步骤A2，否则转到步骤A6；
步骤A6：获得一个基于HEFT_lbt的个体ch＝{g1,…,gI；gI+1,…,g2I}，计算其适应度值，操作结束；
其中：
ωi,j：是vmj处理ti的时间，
是把ti分配给vmj处理时需要从其它的虚拟机获得输入文件的文件传输时间，是处理 的虚拟机；
τi,j：是把ti分配给vmj处理时需要从共享数据库获得输入文件的文件传输时间，所述概率模型包括虚拟机分配概率模型PMVM(k)和任务调度顺序概率模型PMS(k)；
其中αi,j(k)表示在第k代任务ti分配给虚拟机vmj的概率，
其中βi,i′(k)表示在第k代第i′个调度的任务是ti的概率，
初始虚拟机分配概率模型为：
其中：标记值
初始任务调度顺序概率模型为：
其中：STSρ＝{ti|ξi<ρ≤I-ζi}是可以安排在第ρ个调度的任务集ζi是任务i的子孙任务的数量，ξi是任务i的祖先任务的数量；
标记值
所述子孙任务和祖先任务的定义描述如下：如果存在一个任务序列 满足
是 的父任务，其中1≤k对概率模型PMVM(k)和PMS(k)进行1次采样生成1个个体包括如下步骤：
步骤B1：系统状态初始化：
步骤B1.1：令所有虚拟机可得时间段列表vatlj＝{[0,M]}；M为一个接近无穷大的数；
步骤B1.2：令任务就绪时间rti＝0、任务集P(ti)＝PRi，i＝1,…,I；令任务集 UT＝T；令变量q＝0；
步骤B1.3：把UT中 的ti移到RT中；
步骤B2：令q＝q+1；根据[β1,q(k)…βI,q(k)]T采用轮盘赌法从RT中随机选择一个任务，不妨设为ti，令gI+q＝i；
步骤B3：根据[αi,1(k)…αi,J(k)]采用轮盘赌法随机选择一个虚拟机，不妨设为vmj，令gi＝j；
步骤B4：把ti分配给vmj：
步骤B4.1：计算ti的执行时间
步骤B4.2：在vatlj中从早到晚找出一个空闲时段[νj,υj]，满足υj-νj≥eti和υj-eti≥rti；
步骤B4.3：ti的开始时间si＝max{νj,rti}，ti的结束时间fi＝si+eti；
步骤B4.4：更新ti的子任务的就绪时间
步骤B4.5：在虚拟机可得时间段列表vatlj中删除[νj,υj]，插入区间长度大于0的[νj,si]和[fi,υj]；
步骤B4.6：在所有 中删除ti，在RT中删除ti；
步骤B4.7：把UT中 的ti移到RT中；
步骤B5：如果RT不为空，则转到步骤B2，否则转到步骤B6；
步骤B6：获得一个个体ch＝{g1,…,g2I}及其所有任务的执行时间和完成时间：eti，fi，i＝1,2…,I，计算其适应度值，操作结束；
步骤5：构建精英种群，更新概率模型；
根据适应度值从优到劣选取当代种群中的前 个个体作为当代精英种群
POPe，Ne为精英种群规模，re∈(0,1)为精英率，由当代精英种群根据公式(16)和(17)更新虚拟机分配概率模型和任务调度顺序概率模型；
虚拟机分配概率模型的更新：
其中：标记值
θ1∈(0,1)是虚拟机分配概率模型的更新速率；
任务调度顺序概率模型的更新：
其中：标记值
θ2∈(0,1)是任务调度顺序概率模型的更新速率；
步骤6：采样概率模型生成新种群，令新种群为当代种群；
对当前概率模型PMVM(k)和PMS(k)进行N次采样生成N个个体，形成的新种群，令新种群当代种群；
步骤7：当代种群改进与最优个体保存；
采用FBI&D和LDI对当代种群进行改进，如果改进后的当代种群中的最优个体优于BestChrom中保存的个体，则用最优个体替换保存在BestChrom中的个体；
所述FBI&D方法包括如下步骤：
步骤C1：把个体ch中的任务调度顺序列表根据任务完成时间fi从大到小重新排列，即把ch中的基因gI+i设置为倒数第i个完成的任务，i＝1,…,I，形成反向个体
步骤C2：对 采用基于插入模式的串行反向个体解码方法进行解码获得所有任务反向完成时间 及其反向工作流响应时间 若 小于rs，则转到步骤C3，否则，转到步骤C5；
步骤C3：把反向个体 中的任务调度顺序列表根据任务反向完成时间 从大到小重新排列，即把 中的基因gI+i设置为倒数第i个完成的任务，i＝1,…,I，形成个体ch；
步骤C4：采用基于插入模式的串行个体解码方法对个体ch进行解码，获得所有任务的完成时间f1,…,fI及其工作流响应时间rs；如果rs小于 则转到步骤C1，否则，转到步骤C5；
步骤C5：输出个体ch及其适应度值即工作流响应时间rs，操作结束；
所述LDI方法包括如下步骤：
步骤D1：计算各虚拟机负载
步骤D2：找出负载最小的虚拟机j′；如果ldj′>0，转到步骤D3，否则转到步骤D4；
步骤D3：令任务集 转到步骤D5；
步骤D4：令任务集STj′＝Tj′，转到步骤D5；
步骤D5：如果STj′不为空，则从STj′中按顺序取出一个其所在虚拟机的负载是最高的任务i′，转到步骤D6；否则转到步骤D7；
步骤D6：令gi′＝j′，形成新的个体 采用FBI&D方法对 进行解码与改进，如果相对于原个体有改进，则用此改进的个体替换原个体，转到步骤D7；否则转到步骤D5；
步骤D7：LDI操作结束；
步骤8：判断是否满足终止条件，如果不满足，转到步骤5；否则输出BestChrom中保存的个体，其对应的调度方案作为优化方案；
所述终止条件为迭代到指定的代数TG或连续迭代GG代最优个体没有改进。
2.根据权利要求1所述的一种基于分布式估计算法的云工作流调度优化方法，其特征在于：所述适应度值为工作流响应时间rs，其计算方法如下：
其中：rfi是任务i的响应时间， SFLi是任务i
输出给共享数据库的输出文件集，即
适应度值越小，个体越优。
3.根据权利要求1所述的一种基于分布式估计算法的云工作流调度优化方法，其特征在于：所述步骤B2中根据[β1,q(k)…βI,q(k)]T采用轮盘赌法从RT中随机选择一个任务的具体步骤如下：
步骤B2.1：计算RT中每个ti被选中的概率
步骤B2.2：计算累计概率： ti∈RT；
步骤B2.3：产生一个随机数λ∈[0,1)，如果 那么选择ti，操作结束。
4.根据权利要求1所述的一种基于分布式估计算法的云工作流调度优化方法，其特征在于：所述步骤B3中根据[αi,1(k)…αi,J(k)]采用轮盘赌法随机选择一个虚拟机的具体步骤如下：
步骤B3.1：计算vmj被选中的概率Aj＝αi,j(k)，j＝1,…,J；
步骤B3.2：计算累计概率：
步骤B3.3：产生一个随机数λ∈[0,1)，如果 那么选择vmj，操作结束。
5.根据权利要求1所述的一种基于分布式估计算法的云工作流调度优化方法，其特征在于：所述步骤C2中对 采用基于插入模式的串行反向个体解码方法进行解码的具体步骤如下：
步骤E1：令所有任务的反向就绪时间
令变量ε＝1；令所有虚拟机可得时间段列表vatlj＝{[0,M]}，j＝1,…,J，其中M为一个接近无穷大的数；
步骤E2：选取编号为i＝gI+ε的任务；
步骤E3：基于插入模式把任务i分配给虚拟机gi，不妨设j＝gi；
步骤E3.1：在vatlj中从早到晚找出一个空闲时段[νj,υj]，满足υj-νj≥eti和步骤E3.2：计算任务i的反向开始时间 反向完成时间 更新
任务i的父任务的就绪时间
步骤E3.3：在虚拟机可得时间段列表vatlj中删除[νj,υj]，插入区间长度大于0的和
步骤E4：令ε＝ε+1，如果ε≤I，则转到步骤E2，否则步骤E5；
步骤E5：获得所有任务的反向完成时间 计算反向工作流响应时间
操作结束。
6.根据权利要求1所述的一种基于分布式估计算法的云工作流调度优化方法，其特征在于：所述步骤C4中基于插入模式的串行个体解码方法对个体ch进行解码的具体步骤如下：
步骤F1：令所有任务的就绪时间rti＝0，i＝1,…,I；令所有虚拟机可得时间段列表vatlj＝{[0,M]}，j＝1,…,J，M为一个接近无穷大的数；令变量ε＝1；
步骤F2：选取编号为i＝gI+ε的任务；
步骤F3：基于插入模式把任务i分配给虚拟机gi，不妨设j＝gi；
步骤F3.1：在vatlj中从早到晚找出一个空闲时段[νj,υj]，满足υj-νj≥eti和υj-eti≥rti；
步骤F3.2：计算任务i的开始时间和完成时间：si＝max{νj,rti}，fi＝si+eti；更新任务i的子任务的就绪时间
步骤F3.3：在虚拟机可得时间段列表vatlj中删除[νj,υj]，插入区间长度大于0的[νj,si]和[fi,υj]；
步骤F4：令ε＝ε+1，如果ε≤I则转到步骤F2，否则步骤F5；
步骤F5：获得所有任务的完成时间fi，计算其适应度值即工作流响应时间rs，操作结束。