如何用蚁群算法实现高效的负载均衡调度？

蚂蚁几乎没有视力，但他们却能够在黑暗的世界中找到食物，而且能够找到一条从洞穴到食物的短路径。它们是如何做到的呢？

蚂蚁寻找食物的过程

单只蚂蚁的行为及其简单，行为数量在10种以内，但成千上万只蚂蚁组成的蚁群却能拥有巨大的智慧，这离不开它们信息传递的方式——信息素。

蚂蚁在行走过程中会释放一种称为“信息素”的物质，用来标识自己的行走路径。在寻找食物的过程中，根据信息素的浓度选择行走的方向，并终到达食物所在的地方。

信息素会随着时间的推移而逐渐挥发。

在一开始的时候，由于地面上没有信息素，因此蚂蚁们的行走路径是随机的。蚂蚁们在行走的过程中会不断释放信息素，标识自己的行走路径。随着时间的推移，有若干只蚂蚁找到了食物，此时便存在若干条从洞穴到食物的路径。由于蚂蚁的行为轨迹是随机分布的，因此在单位时间内，短路径上的蚂蚁数量比长路径上的蚂蚁数量要多，从而蚂蚁留下的信息素浓度也就越高。这为后面的蚂蚁们提供了强有力的方向指引，越来越多的蚂蚁聚集到短的路径上去。

什么是蚁群算法？

蚁群算法就是模拟蚂蚁寻找食物的过程，它能够求出从原点出发，经过若干个给定的需求点，终返回原点的短路径。这也就是的旅行商问题(Traveling Saleman Problem，TSP)。

本文使用蚁群算法来解决分布式环境下的负载均衡调度问题。

蚁群算法的应用——负载均衡调度

集群模式是目前较为常用的一种部署结构，也就是当单机处理能力无法满足业务需求，那么就增加处理节点，并由一个负载均衡器负责请求的调度。然而对于一个庞大系统而言，情况往往比较复杂。集群中节点的处理能力往往各不相同，而且不同任务的处理复杂度也不尽相同。那么负载均衡器如何进行任务分配，使得集群性能达到优？资源利用率达到高呢？这是一个极具挑战又很有价值的问题。

本文我们就采用蚁群算法来解决这一问题。

数学建模

在开始之前，我们首先需要将“负载均衡调度”这个问题进行数学建模，量化各项指标，并映射到蚁群算法中。

问题描述

求一种优的任务分配策略，能够将N个长度不等的任务按照某一种策略分配给M个处理能力不同的服务器节点，并且N个任务的完成时间短。

在这个问题中，我们将所有任务的完成时间作为衡量分配策略优良的指标。每一种分配策略都是这个问题的一个可行解。那么具有小完成时间的分配策略就是这个问题的优解。

参数定义

var tasks = [];
var taskNum = 100;