1.一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于包括如下步骤：

A、选取服务器节点的综合负载指标，采用FCFS调度算法进行请求任务的调度，确定一组初始任务分配权重向量；

B、根据初始任务分配权重向量对种群进行初始化，计算每个布谷鸟对应的目标函数，根据Logistic混沌信号变异得到初始种群的解；所述步骤B具体为：B1，初始化种群规模N，最大迭代次数TMax，鸟蛋被发现概率Pa，满足任务分配调度解的结束条件；

B2，计算每个布谷鸟对应的目标函数，即集群任务分配调度时间；

由于请求任务的性质不尽相同，对服务器资源的占用也不相同；设有T＝{t1，t2，…，tn}为待处理的请求任务集合，n表示任务的个数；集群节点集合S＝{S1，S2，…，Sm}表示集群所包含的服务器节点，m表示节点个数；请求任务集合在集群中的执行时间可用如下矩阵表示：

其中，ETij表示任务ti在节点Sj上的执行时间；

假设LB调度至节点Sj的任务集合为 l表示任务个数，t′i表示T中的一个子任务；则节点Sj上任务最早开始时间EST(t′k，Sj)和最早结束时间EFT(t′k，Sj)为：其中， 为节点Sj与LB通信以及加载任务集合 的时间，AST(t′k)代表任务t′k在节点Sj上的实际开始时间；t′k＝t′start表示节点Sj当前任务集合为空，t′k为第一个任务无需等待；否则，等待前面任务执行完成；整个任务集合T在集群中的完成时间为：DT＝max{EFT(t′k，Sj)}LCS‑WLB进行负载均衡调度时以集群任务序列的最晚完成时间最小为目标，因此其目标函数定义如下：

fitness＝min(DT)

B3，根据Logistic混沌信号变异更新初始化规模为N的鸟巢位置X0＝(x1，x2，…，xN)，其中X0表示初始化种群，xi表示种群中的第i个鸟巢，i＝1，2，…，N；

C、对种群个体进行适应度评估，在迭代过程中寻找种群最优解，根据反向学习策略对各维度的解进行评价更新，并对迭代过程中的劣解进行混沌变异更新，直到达到最大迭代次数，得到最终最优解；

D、根据步骤C生成的最终最优解，采用Logistic混沌信号变异生成最终任务分配权重向量并输出，指导服务器节点的任务调度。

2.根据权利要求1所述的一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于，所述步骤A具体为：

A1，选取服务器节点的CPU、内存、磁盘IO、网络带宽资源作为综合负载指标，采用FCFS调度算法进行请求任务的调度，对各节点服务器综合性能和综合负载进行动态计算，并调整正向负载参数得到一组正向负载指标；

A2，根据正向负载指标得到指标权值，由指标权值和正向负载确定一组初始任务分配权重向量。

3.根据权利要求1所述的一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于，所述步骤C具体为：

C1，对种群个体 进行适应度评估，在进行第i代迭代时，计算上一代迭代生成的种群Xi‑1中每个解的适应度值，将适应度值最大的解作为当前种群Xi的最优解；

C2，根据精英保留策略保留当前最优解，同时对种群内的鸟巢位置进行Lévy飞行更新，并根据反向学习策略对各维度的解进行评价更新，得到个体的新位置 计算新的鸟巢适应度值并对比先前最优后更新当前最优解；

C3，用均匀分布的随机数ri∈(0，1)与鸟蛋被发现概率Pa作比较，若ri＞Pa则丢弃当前最优解，进行混沌变异更新产生新解作为当前最优解；反之，保留当前最优解；计算解的适应度值，并对比先前最优后更新当前最优解；完成第i代迭代更新，生成种群Xi；

C4，重复步骤C1～C3，直到达到最大迭代次数Tmax；将XTmax中的解作为最优解，根据Logistic混沌信号变异生成最终任务分配权重向量。

4.根据权利要求3所述的一种基于反向混沌布谷鸟搜索的自适应权重负载均衡算法，其特征在于，所述反向学习策略具体为：D1，引入反向学习，设种群规模为N，维度为D，迭代过程选择更新位置时的位置矩阵为每个维度的上、下限分别为

D2，为了更好地防止收敛空间的信息丢失，在动态的搜索空间计算反向值；

在上式中引入公式布谷鸟位置更新公式，得到如下公式：其中，t∈[stepmin，stepmax]，stepmin、stepmax分别为莱维飞行的缩放因子，Xbest表示当前种群最优解，Xworst表示当前种群最劣解， 表示第t代时第i维种群；D3，利用精英保留策略根据D2进行下一维度的反向学习更新，直到各维度更新完毕；

D4，分别考虑各维度的更新信息，组合当前维度反向学习后与其他维度的值得到新解，评价新的组合解，若改善当前解的质量，则保留当前维度的更新结果；反之，则放弃当前维度的更新。