1.基于模糊聚类的自适应QoS粒度划分方法，其特征在于，利用模糊聚类算法对多属性特征的任务进行粗粒度的划分，然后不断减小粒度阈值，直到资源利用率和用户满意度达到一定程度的折中，进而缓和两者之间的矛盾，包含如下步骤：步骤1：根据用户的任务模型和QoS模型建立任务的m×n样本矩阵，其中，m代表任务的数目，n代表任务的维数，假设两个集合G＝(G1，...，Gc)和V＝(v1，...，vc)，如果满足以下两个条件：那么称G＝(G1，...，Gc)为X一个划分；

步骤2：对样本矩阵参数进行规范化，

其中minA、maxa分别为属性A的

最小值和最大值，公式将A的值v映射到区间[new_minA，new_maxA]中的v′；

步骤3：初始化粒度值N以及初始的N个聚类中心步骤4：对于每个样本任务分配到最近的聚类中心，首先计算每个样本到N个聚类中心的附属函数其中 表示xk和 之间的欧式距离，而m是大于1的一个整数，根据附属函数得到每个样本相对于聚类中心的附属程度，然后找到最优的划分U使目标函数最小化：其中U∈Uf，

等价于

步骤5：更新N个类别的聚类中心，新的聚类中心：根据附属度函数和样本矩阵计算新的聚类中心，也就是寻找最优的V值使：步骤6：直到样本矩阵收敛，转到步骤7，否则转到步骤4，其中，如果 或 收敛，则样本矩阵收敛；

对于 收敛，对于一个很小正值ε，满足 其中 是本次迭代附属函数向量，是上次迭代附属函数向量；

对于 收敛，对于一个很小正值ε，满足 其中 是本次迭代聚类中心向量，是上次迭代聚类中心向量；

步骤7：根据评价函数确定N值，如果N值过大，则减少N值，转到4，否则转到8，根据评判函数 来判断QoS粒度是否合适，其中Γi是指第i个聚类，mi 是第i个聚类中所有样本的均值；

步骤8：输出划分之后的任务矩阵。

2.根据权利要求1所述的基于模糊聚类的自适应QoS粒度划分方法，其特征在于，所述步骤3中粒度值N以及N个聚类中心是将样本随机分成N类，把每类的重心作为初始的聚类中心。