云数据中心每年需消耗3000亿千瓦时的电能来向全球的用户提供不同类型的应用和服务，已成为世界第五大能量消耗者。绿色云数据中心依赖火力发电、风能、太阳能等进行供电。用户的任务通过多个不同的网络服务提供商传输到分布式的多个绿色云数据中心执行。每个网络服务提供商具有不同的带宽容量和定价策略。此外，不同绿色云数据中心中的电力价格、风速和太阳辐射强度等因素均随着其位置的变化而变化。因此，如何高利润高性能地在多个绿色云数据中心之间调度和执行用户的任务成为一个挑战。为此，研究团队设计了一种改进的多目标差分进化算法，该算法融合了自适应变异操作、基于模拟退火的交叉和选择操作、以及自适应候选解集更新策略，从而提高算法的收敛速度和精度。该算法对在多个分布式绿色云数据中心的任务划分比例、及每个绿色云数据中心的任务执行速率进行联合优化，能够最大化系统的总利润和最小化所有任务的总损失率。将该方法应用于实际数据中心任务调度处理过程与实际典型的任务迁移算法相比，该算法在保证任务延迟、每个云数据中心的可用资源和能源的同时，将所有任务的总损失率降低8.40%以上，并将系统的总利润提高93.47%以上。

代表性成果：

[1] Haitao Yuan, Jing Bi, MengChu Zhou, Qing Liu, Ahmed Chiheb Ammari. Biobjective Task Scheduling for Distributed Green Data Centers, IEEE Transactions on Automation Science and Engineering, 2021, 18(2): 731-742.

[2] Haitao Yuan, Jing Bi, Jia Zhang, MengChu Zhou. Energy Consumption and Performance Optimized Task Scheduling in Distributed Data Centers. IEEE Transactions on Systems, Man, and Cybernetics: Systems. 2022, 52(9): 5506-5517.

[3] Jing Bi, Haitao Yuan, Jiahui Zhai, MengChu Zhou, H. Vincent Poor. Self-adaptive Bat Algorithm with Genetic Operations. IEEE/CAA Journal of Automatica Sinica. 2022, 9(7): 1284-1294.