1.一种基于BP-Tabu搜索的云任务负载均衡调度方法，其特征在于：包括以下步骤：第一步：形式化描述云计算环境下的负载均衡任务调度问题，并给出对于云计算环境下各元素相关定义，包括：云任务T、虚拟机资源VM、执行时间矩阵CT、云任务到虚拟机的分配矩阵P、任务最早完成时间makespan、总任务最优完成时间VL和负载均衡度LBp；

第二步：基于贪心算法思想求得任务调度初始解，使用对时间贪心的算法，对任务调度初始解进行求解，过程为：先通过计算获得每个任务在相应虚拟机资源上的最小完成时间列表，然后在这些最小完成时间中，选取出其中的最大值与最小值进行组合，如果该任务组合对相对于其他任务组合对分配时间最优，就完成任务资源分配；如果不是最优，即将任务对分配给其他虚拟机资源；若任务对分配存在多种方案，挑选任务运行数最少的虚拟机资源分配；

第三步：针对不同任务分配方案，根据虚拟机处理能力MIPS、指令的执行成本以及延迟成本，定义虚拟机利用效益函数，用于衡量虚拟机的使用效益；根据虚拟机总利用效益，以及虚拟机的总负载平衡度，定义任务调度方案P下的优值(benefit)函数Bp，用于衡量该任务调度方案的任务优值，过程如下：

3.1、在任务分配方案P下，定义虚拟机vmj当前状态下VMUj为虚拟机vmj的利用效益，函数如下：VMUj＝vmu(α,DP,MIPS)

其中α为虚拟机处理指令的执行成本，DP为处理指令的延迟成本；

3.2、定义n个不同任务调度到m个不同虚拟机上的平均负载，即总任务最优完成时间为即 假设，在任务调度方案P下，虚拟机总的负载均衡度定义该任务调度方案P下的优值函数Bp，用于衡量任务调度方

案P的任务优值，主要函数如下：

其中w1，w2为权重值。VMU为虚拟机利用效益和，LBp为该任务调度方案下的负载均衡度；

第四步、结合贪心算法获得的任务调度初始解，通过衡量包含效益值以及负载均衡度的优值函数，得出基于Tabu搜索算法优化后的任务调度分配策略。

2.如权利要求1所述的一种基于BP-Tabu搜索的云任务负载均衡调度方法，其特征在于：所述第四步中，使用禁忌算法获取任务调度最优解的过程包括以下步骤：

4.1、假设在某个云任务环境下，其中不可再分的云任务的总数为n，初始化禁忌数组tabuList[1,2,…,n]，其中数组的初始值均为1，用于标识该任务可以被交换；

4.2、虚拟机的负载VLj为分配给第j个虚拟机vmj所有任务的预期完成时间，即通过计算，获取任务负载VL最大以及最小的虚拟机VMmax，VMmin；

4.3、若分配至VMmax的任务在tabuList中的值均为0，即均被置为禁止交换状态，则跳转到步骤4.8，否则跳转到4.4步；

4.4、选择虚拟机VMmax上可被用于交换的任务tk，并设置其禁忌值tabuList[k]＝0；

4.5、若分配至虚拟机VMmin的任务均被禁止交换，则跳转到4.8；

4.6、分别选择虚拟机VMmin上可交换任务tl，根据3.2，计算各任务交换状态下的调度方案的优值函数值Bp，选择使优值函数值最高的任务对(k,l)进行交换；

4.7、若交换后的优值函数Bp的值大于原优值函数的值，则完成任务交换，更新禁忌表tabuList[l]＝0，并且同时更新负载最大以及最小的虚拟机VMmax，VMmin的负载VL，跳转到步骤4.2；

4.8、结束算法，获得任务调度的最优分配方案。

3.如权利要求2所述的一种基于BP-Tabu搜索的云任务负载均衡调度方法，其特征在于：所述第四步中，对修改禁忌表tabuList中禁忌对象的次数进行记录。其记录次数用pt表示，初始值为0，当禁忌对象进入禁忌表时，pt将被加1；当连续k次tabuList集没有更新时，即pt＝k时，将会启动惩罚策略，定义虚拟机随机分量函数P*(k)：P*(k)＝P(k)+w*pt

其中P(k)为当前最小虚拟机的索引量，w为随机惩罚常量，k为记录次数阈值，虚拟机分量函数的增加会对最小任务负载VL虚拟机VMmin的选择产生影响，最小虚拟机的索引量P(k)会偏移，根据最新的P(k)选择相邻的虚拟机代替VMmin，从而引导搜索跳出局部最优。

4.如权利要求3所述的一种基于BP-Tabu搜索的云任务负载均衡调度方法，其特征在于：所述步骤4.1中，增加虚拟机随机分量函数，初始化记录次数pt＝0，即随机分量函数阈*值k；所述步骤4.2中，增加对于阈值k判断，若pt>＝k，则使用随机分量函数P (k)对VMmin的选择使用惩罚策略，若pt<＝k，则跳过进入下一步；所述步骤4.7中，增加对于记录次数pt的操作，若交换后的优值函数Bp的值小于原优值函数的值，则记录次数pt加1，否则，pt不变，进入下一步。

5.如权利要求1～4之一所述的一种基于BP-Tabu搜索的云任务负载均衡调度方法，其特征在于：所述第一步中，云计算环境下各元素相关定义如下：

1.1、假设云环境下，任务作业已经分解为n个无法再分割的子任务的集合，定义任务集合T＝{t1,…,ti,…,tn}，其中ti为分解成的任务集合中的第i个任务(i＝1,2,…,n)，n为任务数量，且定义MIi为任务ti的总指令长度；

1.2、假设有m个虚拟资源参与任务的处理，且虚拟资源以虚拟机的方式提供。定义虚拟机集合VM＝{vm1,…,vmj,…,vmm}，其中vmj为第j个虚拟机资源，j＝1,2,…,m，m为虚拟机数量，且定义MIPSj为虚拟机vmj的指令执行速度，单位：每秒执行指令条数；

1.3、定义n个不同任务T调度到m个不同虚拟机VM上所有可能的任务调度方案集η，定义P代表任务分配方案集η中的一种任务调度方案，即一个n×m的矩阵，其中pij表示任务ti与虚拟机vmj的分配关系，且p∈{0,1}， i∈{1,2,…,n},j∈{1,2,…,m}，即如果任务ti分配在虚拟机vmj上执行，则pij＝1，否则pij＝0；

1.4、云环境下，假定每个任务只能分配到单台虚拟机上执行，且在某个时间段，一个虚拟机只能执行一个任务，定义n个不同的任务调度到m个不同台虚拟机上的预期完成时间矩阵CT，其中CT[i][j]用于表示任务ti在虚拟机资源vmj上的任务完成时间，即CT[i][j]＝MIi/MIPSj，下文用ctij表示；

1.5、对于某任务分配方案P，假设虚拟机vmj上已经分配了前k-1个任务，定义虚拟机vmj的当前负载vlj为分配给虚拟机vmj的所有任务所需执行时间，即 定义makespankj为任务tk在虚拟机vmj上的时间跨度，即任务tk在vmj上执行的最早完成时间，makespankj＝vlj+ctkj，定义虚拟机的负载VLj为分配给第j个虚拟机vmj所有任务的预期完成时间，即

6.如权利要求5所述的一种基于BP-Tabu搜索的云任务负载均衡调度方法，其特征在于：所述第二步中，使用对时间贪心的算法对任务调度初始解进行求解，包括以下步骤：

2.1、初始化任务集合T以及虚拟机集合VM，由1.1，1.2已知MIi表示任务ti的指令长度，MIPSj表示虚拟机vmj的每秒处理指令数，由1.4已知n个不同的任务调度到m个不同台虚拟机上的预期完成时间矩阵CT；

2.2、将任务集合根据MI的大小进行降序排列，虚拟机集合根据MIPS进行升序排列；然后，初始化CT矩阵、行号h＝0，由1.5已经定义makespanij为当前任务ti分配给虚拟机vmj的时间跨度，即任务ti在vmj上执行的最早完成时间；

2.3、判断所有任务是否已经被分配完成，若完成分配，则结束算法跳转到2.7获得任务调度初始解，否则进入2.4；

2.4、从CT矩阵行号为h开始，每次都尝试将任务分配给最后一列对应的虚拟机资源；

2.5、如果当前虚拟机未分配任务，则比较当前任务调度给该虚拟机是否最优，若已经分配任务，则比较makespanij是否为最优值，若是，那么完成任务分配，跳到2.6；否则它将分配给使makespanij结果最优的虚拟机资源vmj，并且跳转2.6；

2.6、更新行号h＝h+1，跳转到2.3；

2.7、若任务对调度存在多种方案，挑选任务运行数最少的虚拟机资源分配，实现初始解的负载均衡。