Resource optimization algorithm based on clustering and improved differential evolution strategy, as a new global optimized algorithm, has wide applications in language translation, language processing, document understanding, cloud computing, and edge computing due to high efficiency. With the development of deep learning technology and the rise of big data, the resource optimization algorithm encounters a series of challenges, such as the workload imbalance and low resource utilization. To address the preceding problems, this study proposes a novel resource optimization algorithm based on clustering and an improved differential evolution strategy (Multi-objective Task Scheduling Strategy (MTSS)). Three indexes, namely task completion time, execution cost, and workload, of virtual machines are selected and used to build the fitness function of the MTSS algorithm. At the same time, the preprocessing state is set up to cluster according to the resource and task characteristics to reduce the magnitude of their matching scale. Moreover, to solve the workload imbalance among different resource sets, local resource tasks are reallocated using the Q-value method in the MTSS strategy to achieve workload balance of global resources and improve the resource utilization rate. Experiments are carried out to evaluate the effectiveness of the proposed algorithm. Results show that the proposed algorithm outperforms other algorithms in terms of task completion time, execution cost, and workload balancing.

中文翻译：

---

云环境下基于聚类和改进差分进化策略的新型资源优化算法

基于聚类和改进差分进化策略的资源优化算法作为一种新的全局优化算法，由于效率高，在语言翻译、语言处理、文档理解、云计算、边缘计算等领域有着广泛的应用。随着深度学习技术的发展和大数据的兴起，资源优化算法遇到了工作负载不平衡、资源利用率低等一系列挑战。针对上述问题，本研究提出了一种新的基于聚类的资源优化算法和一种改进的差分进化策略（多目标任务调度策略（MTSS））。三个指标，即任务完成时间、执行成本和工作量，选择虚拟机并用于构建 MTSS 算法的适应度函数。同时，根据资源和任务特征设置预处理状态进行聚类，以减小它们匹配规模的幅度。此外，为解决不同资源集之间的工作负载不平衡问题，采用MTSS策略中的Q值方法对局部资源任务进行重新分配，以实现全局资源的工作负载平衡，提高资源利用率。进行了实验以评估所提出算法的有效性。结果表明，该算法在任务完成时间、执行成本和工作负载平衡方面优于其他算法。预处理状态根据资源和任务的特征进行聚类，以减小其匹配规模的大小。此外，为解决不同资源集之间的工作负载不平衡问题，采用MTSS策略中的Q值方法对局部资源任务进行重新分配，以实现全局资源的工作负载平衡，提高资源利用率。进行了实验以评估所提出算法的有效性。结果表明，该算法在任务完成时间、执行成本和工作负载平衡方面优于其他算法。预处理状态根据资源和任务的特征进行聚类，以减小其匹配规模的大小。此外，为解决不同资源集之间的工作负载不平衡问题，采用MTSS策略中的Q值方法对局部资源任务进行重新分配，以实现全局资源的工作负载平衡，提高资源利用率。进行了实验以评估所提出算法的有效性。结果表明，该算法在任务完成时间、执行成本和工作负载平衡方面优于其他算法。使用MTSS策略中的Q值方法重新分配本地资源任务，以实现全局资源的工作负载平衡，提高资源利用率。进行了实验以评估所提出算法的有效性。结果表明，该算法在任务完成时间、执行成本和工作负载平衡方面优于其他算法。使用MTSS策略中的Q值方法重新分配本地资源任务，以实现全局资源的工作负载平衡，提高资源利用率。进行了实验以评估所提出算法的有效性。结果表明，该算法在任务完成时间、执行成本和工作负载平衡方面优于其他算法。