CN102063339B - 基于云计算系统的资源负载均衡的方法和设备 - Google Patents

Abstract

本发明公开了一种基于云计算系统的资源负载均衡的方法和设备，属于计算机领域。所述方法包括：根据云计算系统中资源节点的负载参数，计算出资源节点的动态负载权值，从而完成资源负载均衡。所述设备包括：初始化单元，选择交叉单元，变异单元和判断单元。本发明通过将应用型云计算系统中相互独立的任务视为种群，并根据量子遗传模拟退火算法获取种群中的优选个体，从而获取到资源节点的动态负载权值，能够使应用型云计算系统中的资源得到充分利用，实现资源负载均衡。

Description

基于云计算系统的资源负载均衡的方法和设备

技术领域

本发明涉及计算机领域，特别涉及基于云计算系统的资源负载均衡的方法和设备。

背景技术

在应用型云计算系统中，资源负载均衡是指保证云计算系统中各个资源的计算量与其自身性能之比尽量相等，从而在提高资源的利用率基础上，减少整体任务完成时间，若云计算系统中某个资源负载过重，会导致无法继续提交任务，或者若云计算系统中某个资源负载过轻，会导致资源闲置。资源负载均衡的实质就是将n个相互独立的元任务分配到m个异构的资源上，使得整体任务完成时间最小，资源得到充分的利用。因此，如何实现应用型云计算系统的资源负载均衡，一直是人们关注的焦点和致力于解决的问题。

现有的应用型云计算系统中的资源负载均衡技术，一般采用遗传算法，蚂蚁算法，蜂群算法，误差极小化算法，遗传模拟退火算法等，在实现本发明的过程中，发明人发现现有技术至少存在以下问题：现有在实现基于应用型云计算系统的资源负载均衡时，没有考虑到应用型云计算系统具有可扩展性特征，导致计算资源负载权值是动态变化的，资源的负载均衡效果不明显。

发明内容

为了提高资源负载均衡效率，本发明实施例提供了一种基于云计算系统的资源负载均衡的方法和设备。所述技术方案如下：

本发明实施例提供了一种基于云计算系统的资源负载均衡的方法，所述方法包括：

根据控制参数初始化第一种群Q(t)，所述控制参数至少包括种群大小M，量子染色体长度N，进化代数t和种群温度T；所述第一种群Q(t)是指云计算系统中第t代M个相互独立的任务，所述第一种群初始化为 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$ 其中

表示第t代的第j个任务，1＜j＜M， ${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$ cost_i和sint_i初均始化为

根据所述第一种群Q(t)生成第一种群的进化版本P(t)，并根据所述第一种群的进化版本P(t)的适应度进行选择操作和交叉操作，获取优选个体，所述第一种群的进化版本P(t)的温度为T_t+1＝T_t×(1-t/M)，所述第一种群的进化版本为 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right],$ 其中，

是量子染色体长度为N的串(x₁x₂…x_N)，其中，所述选择操作是指将父代的个体信息传递到子代，每代中的每一个个体按照适应度的大小决定它能够复制到下一代的概率，所述交叉操作是把两个父个体的染色体加以替换重组而生成新个体的操作；

对所述第一种群的进化版本P(t)执行变异操作，生成新种群P(t)′，其中，所述变异操作是量子遗传模拟退火算法中的一部分，若没有所述变异操作，所述子代和交叉过的所述父代没有任何区别，只要存在所述变异操作，所述子代的基因就会发生改变；

判断新种群P(t)′的温度是否为0，若不为0，则对所述新种群P(t)′执行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，否则输出当前的优选个体。

其中，根据所述第一种群的进化版本P(t)的适应度进行选择操作，获取优选个体，具体包括：

计算出所述第一种群的进化版本P(t)中所有个体的选择概率，并生成一个随机数；

根据所述第一种群的进化版本P(t)中所有个体的选择概率、所述随机数和预设条件，判断是否存在满足所述预设条件的个体，若存在，则获取该个体作为优选个体。

其中，所述对所述第一种群的进化版本P(t)执行变异操作，具体包括：

根据量子旋转门U(θ)对第一种群的进化版本P(t)执行变异操作，得到新种群 $P{\left(t\right)}^{\′}=\left\{\begin{array}{c}P\left(t\right)\\ \left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)\end{array}\right.,$ $U\left(\mathrm{\θ}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right),$

所述[α_iβ_i]^T为所述量子染色体中第i个量子位，所述[α′_iβ′_i]^T为变异后量子染色体中第i个量子位。

进一步地，所述交叉操作为全干扰交叉方式。

本发明实施例还提供了一种基于云计算系统的资源负载均衡的设备，所述设备包括：

初始化单元，用于根据控制参数初始化第一种群，所述控制参数至少包括种群大小M，量子染色体长度N，进化代数t和种群温度T，所述第一种群Q(t)是指云计算系统中第t代M个相互独立的任务，所述第一种群初始化为 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$ 其中

表示第t代的第j个任务，1＜j＜M， ${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$ cost_i和sint_i初均始化为

选择交叉单元，用于根据所述第一种群Q(t)生成第一种群的进化版本P(t)，并根据所述第一种群的进化版本P(t)的适应度进行选择操作，获取优选个体，所述第一种群的进化版本P(t)的温度为T_t+1＝T_t×(1-t/M)，所述第一种群的进化版本为 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right],$ 其中，

是量子染色体长度为N的串(x₁x₂…x_N)，其中，所述选择操作是指将父代的个体信息传递到子代，每代中的每一个个体按照适应度的大小决定它能够复制到下一代的概率，所述交叉操作是把两个父个体的染色体加以替换重组而生成新个体的操作；

变异单元，用于对所述第一种群的进化版本P(t)执行变异操作，生成新种群P(t)′，其中，所述变异操作是量子遗传模拟退火算法中的一部分，若没有所述变异操作，所述子代和交叉过的所述父代没有任何区别，只要存在所述变异操作，所述子代的基因就会发生改变；

判断单元，用于判断新种群P(t)′的温度是否为0，若不为0，则对所述新种群P(t)′执行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，否则输出当前的优选个体。

其中，所述选择交叉单元具体包括：

计算子单元，用于计算出第一种群的进化版本P(t)中所有个体的选择概率，并生成一个随机数；

选择子单元，用于根据所述第一种群的进化版本P(t)中所有个体的选择概率、所述随机数和预设条件，判断是否存在满足所述预设条件的个体，若存在，则获取该个体作为优选个体。

其中，所述变异单元具体包括：

根据量子旋转门U(θ)对第一种群的进化版本P(t)执行变异操作，生成新种群 $P{\left(t\right)}^{\′}=\left\{\begin{array}{c}P\left(t\right)\\ \left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)\end{array}\right.,$ $U\left(\mathrm{\θ}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right),$

所述[α_iβ_i]^T为所述量子染色体中第i个量子位，所述[α′_iβ′_i]^T为变异后量子染色体中第i个量子位。

进一步地，所述选择交叉单元采用的交叉操作为全干扰交叉方式。

本发明实施例提供的技术方案带来的有益效果是：通过将应用型云计算系统中相互独立的任务视为种群，并根据量子遗传模拟退火算法获取种群中的优选个体，从而将云计算系统中相互独立的任务分配到该优选个体上，使应用型云计算系统中的资源得到充分利用，实现资源负载均衡。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1中提供的资源负载均衡的方法流程图；

图2是本发明实施例2中提供的根据量子遗传模拟退火算法，获取目标函数优选解的流程图；

图3是本发明实施例3中提供的资源负载均衡的设备结构示意图；

图4是本发明实施例5提供的量子遗传模拟退火算法部署前，应用型云计算系统的资源负载图；

图5是本发明实施例5提供的量子遗传模拟退火算法部署后，应用型云计算系统的资源负载图；

图6是本发明实施例5提供的进化代数与完成时间的关系图；

图7是本发明实施例5提供的进化代数与跨度的关系图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

下面为详细说明本发明实施例，进行如下形式化描述：

1、将一个应用型云计算系统用四元组G＝{R，Q，L，D}表示，其中，R＝{r₁，r₂，…，r_m}表示m个计算资源节点的集合；Q＝{q₁，q₂，…，q_n}表示n个相互独立的任务；L＝{l₁，l₂，…，l_m}表示m个资源节点的动态负载权值；D＝{D_ij|D_ij是任务q_i在资源r_j上的执行时间，i＝1，2，…，n；j＝1，2，…，m}；

2、本发明实施例中，F_i(X)为任务i的最后完成时间，F(X)为整体任务完成时间，为跨度，通过为每个资源节点调整分配的任务数，获取整体任务完成时间

的最小值和跨度F_max(X)的最小值，使任务完成时间

最小，实现应用型云计算系统资源负载均衡。

因此，本发明实施例预设目标函数， $\left\{\begin{array}{c}F\left(X\right)=\min \underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i\underset{X\∈\mathrm{\Ω}}{\left(X\right)}\\ F_{\max }\left(X\right)=\max \left\{F_i\underset{X\∈\mathrm{\Ω}}{\left(X\right)},i=\mathrm{1,2},...,n\right\}\\ \min F_{\max }\left(X\right)\end{array}\right.,$ 通过获取该目标函数的优选解，实现资源的负载均衡。

3、本发明实施例利用量子遗传模拟退火(GEACAA，grandison enterpriseapplication cloud annealing algorithm)算法，来获取上述目标函数的优选解，该量子遗传模拟退火算法中涉及到三个基本操作：选择、交叉、变异。

(1)选择

选择操作是指将父代的个体信息传递到子代，每代中的每一个个体按照适应度的大小决定它能够复制到下一代的概率，选择操作用来确定重组或交叉个体，以及被选个体将产生多少子代个体。

适应度的确定一般可以采用两种方法：一种是采取按比例的适应度分配，一种是采取基于排序计算适应度分配。根据适应度进行选择操作的方式有很多，如轮盘赌选择方法、随机遍历抽样法、锦标赛选择法、分级选择法等。

(2)交叉

交叉是把两个父个体的部分结构加以替换重组而生成新个体的操作，重组的目的是为了能够在下一代产生新的个体，通过重组交叉操作，该量子遗传模拟退火算法的搜索能力得到很大的提高。

采用的基因编码方式不同，交叉的方式也不同，本发明实施例采用全干扰交叉操作，即种群中所有染色体均参与交叉。本发明实施例提供的量子交叉可以充分利用种群中的尽可能多的染色体的信息，改进普通交叉的局部性与片面性，在种群进化出现早熟时，它能够产生新的个体，给进化过程注入新的动力。该交叉操作借鉴的是量子的相干性，可以克服普通染色体在进化后期的早熟现象。如表1为种群大小M＝3，染色体长度N＝5的一种全干扰交叉操作，每个大写字母表示交叉后的一个新染色体，如：A(1)-C(2)-B(3)-A(4)-C(5)。

表1  全干扰交叉

(3)变异

变异是量子遗传模拟退火算法中重要的部分，若没有变异的话，子代和交叉过的父代没有任何区别，只要存在变异，子代的基因就会发生改变。若变异的概率为1，那么所有的子代都会改变；若变异的概率为0，那么子代就不会改变。

量子理论中，各个状态的转移是通过量子门变换矩阵实现的。在量子遗传模拟退火算法中，用量子旋转门的旋转角来表征量子染色体中的变异操作，进而在变异中加入最优个体的信息，加快算法收敛。

具体地，本发明实施例令 $U\left(\mathrm{\θ}\right)=\left(\begin{array}{cc}\cos \left(\mathrm{\θ}\right)& -\sin \left(\mathrm{\θ}\right)\\ \sin \left(\mathrm{\θ}\right)& \cos \left(\mathrm{\θ}\right)\end{array}\right)$ 表示量子旋转门，旋转变异的角度θ为 $\left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right),$ 其中，[α_iβ_i]^T为量子染色体中第i个量子位，[α′_iβ′_i]^T为变异后量子染色体中第i个量子位。

实施例1

参见图1，本发明实施例提供了一种基于云计算系统的资源负载均衡的方法，该方法包括：

步骤101：根据控制参数初始化第一种群Q(t)，该控制参数至少包括种群大小M，量子染色体长度N，进化代数t和种群温度T；

其中，所述第一种群Q(t)是指云计算系统中第t代M个相互独立的任务，所述第一种群初始化为 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$ 其中

表示第t代的第j个任务，1＜j＜M， ${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$ cost_i和sint_i初均始化为

步骤102：根据第一种群Q(t)生成第一种群的进化版本P(t)，并根据第一种群的进化版本P(t)的适应度进行选择操作和交叉操作，获取优选个体；

其中，第一种群的进化版本P(t)的温度为T_t+1＝T_t×(1-t/M)，第一种群的进化版本为 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right],$ 其中，是量子染色体长度为N的串(x₁x₂…x_N)；

步骤103：对第一种群的进化版本P(t)执行变异操作，生成新种群P(t)′；

步骤104：判断新种群P(t)′的温度是否为0，若不为0，则对新种群P(t)′执行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，否则输出当前的优选个体。

本发明实施例提供的方法，通过将应用型云计算系统中相互独立的任务视为种群，并根据量子遗传模拟退火算法获取种群中的优选个体，从而将云计算系统中相互独立的任务分配到该优选个体上，使应用型云计算系统中的资源得到充分利用，实现资源负载均衡。

实施例2

本发明实施例利用量子遗传模拟退火(GEACAA，grandison enterpriseapplication cloud annealing algorithm)算法，在考虑资源节点现有负载情况的基础上，通过获取目标函数的优选解，实现应用型云计算系统的资源负载均衡。

本发明实施例预设云计算系统中资源节点的负载参数，根据该资源节点的负载参数和据量子遗传模拟退火算法，获取该资源节点的动态负载权值。

其中，云计算系统中资源节点r_j的负载参数至少包括：当前的CPU利用率C_j％，内存利用率M_j％，当前网络流量N_j，磁盘I/O访问率Io_j％，进程总数P_j；资源节点r_j动态负载权值可以表示为：l_j＝π₁×C_j％+π₂×M_j％+π₃×N_j+π₄×Io_j％+π₅×P_j；其中，π_i表示上述各个负载参数的重要程度，∑π_i＝1，i＝1，2，…，5；j＝1，2，…，m，m表示资源节点。

具体地，本发明实施例预设任务q_i的最后完成时间

ξ是常π量，Δ是一个m×n矩阵，若该m×n矩阵的元素Δ_ij＝1，则表示任务q_i分配到资源节点r_j上，否则，Δ_ij＝0。D_ij是任务q_i在资源r_j上的执行时间，i＝1，2，…，n；j＝1，2，…，m；

本发明实施例预设目标函数： $\left\{\begin{array}{c}F\left(X\right)=\min \underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i\underset{X\∈\mathrm{\Ω}}{\left(X\right)}\\ F_{\max }\left(X\right)=\max \{F_i\underset{X\∈\mathrm{\Ω}}{\left(X\right)},i=\mathrm{1,2},...,n\}\\ \min F_{\max }\left(X\right)\\ F_i\underset{X\∈\mathrm{\Ω}}{\left(X\right)}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\frac{\mathrm{\ξ}\×{\mathrm{\Δ}}_{\mathrm{ij}}\×D_{\mathrm{ij}}\×\sqrt{l_i}}{\sqrt{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{l}_i}}\end{array}\right.,$ 其中，F(X)为整体任务完成时间，为跨度，若获取到该目标函数的优选值，即获取到资源节点的动态负载权值，则能够实现应用型云计算系统的资源负载均衡。

参见图2，本发明实施例根据量子遗传模拟退火算法，获取资源节点的动态负载权值的具体步骤如下：

201：根据控制参数初始化第一种群，控制参数至少包括种群大小M、量子染色体长度N、进化代数t、交叉概率P₁、变异概率P₂和初始温度T₀；

本发明实施例通过对各代的每一个染色体进行编码，将第一种群Q(t)初始化为 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$ ${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$

其中，t表示进化代数，

表示第t代的第j个任务，t_i＝2π×r，r＝random[0，1]，i＝1，2，…，N，j＝1，2，…，M。优选地，将cost_i，sint_i都初始化为

表明所有可能的线性叠加态以相同的概率出现。

本发明实施例在GEACAA中利用量子染色体进行编码时，最小的信息单元用量子位(即量子比特)表示，一个量子比特的状态可以表示为：|ψ＞＝α|0＞+β|1＞，该α和β满足归一化条件：|α|²+|β|²＝1，且把满足该归一化条件的一对复数α和β称为一个量子比特的概率幅，该量子比特可以用概率幅表示为[αβ]^T。

202：根据第一种群Q(t)生成第一种群的进化版本P(t)；

具体地，本发明实施例通过量子比特的概率幅|cost_i|²或|sint_i|²，i＝1，2，…，N，得到

，每个

是长度为N的串(x₁x₂…x_N)，因此，生成 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right].$

具体地，随机产生一个数r＝random[0，1](0≤r≤1)，若r≥|cost_i|²，

取1，否则取0。

203：根据第一种群的进化版本P(t)的适应度进行选择操作和交叉操作，获取优选个体；

其中，第一种群的进化版本P(t)的温度为T_t+1＝T_t×(1-t/M)，第一种群的进化版本为 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right],$

是量子染色体长度为N的串(x₁x₂…x_N)；

具体地，本发明实施例根据种群的适应度进行选择操作，可以采取按比例的适应度评价种群的适应度，本发明实施例以采用“轮盘赌”式的选择操作选择出优选个体为例进行说明，但并不以此作为限定，实际应用中，任何根据适应度进行选择操作获取优选个体的方式均能实现，本发明实施例不对适应度的确定方式，和选择操作的具体方式进行限定。对于交叉操作，本发明实施例采用全干扰交叉方式，即种群中所有染色体均参与交叉，对第一种群的进化版本P(t)执行选择操作和交叉操作后，产生新种群P(t)′。

本发明实施例的具体步骤如下：

首先计算出t代第一种群的进化版本P(t)中所有个体的选择概率，并生成一个随机数r；

其中，该选择概率

P(i)，f(i)分别为个体

的选择概率和适应度值，M为种群大小；

该适应度值通过适应度函数

获得，

(i＝1，2，…，n；j＝1，2，…，m)，ξ是常π量，Δ是一个m×n矩阵，

预设为惩罚函数，γ为惩罚系数，且γ为一个较大的正整数。显然，选择概率大的个体能被多次选中，其遗传基因就会在种群中扩大。

对于惩罚函数当m≤n时，

当m＞n时，

其中，生成的随机数r＝random[0，1]。

然后根据该t代染色体种群中所有个体的选择概率，判断是否满足预设条件，若满足，则选择出该优选个体；

其中，预设条件为P(0)+P(1)+...+P(i-1)＜r＜P(0)+P(1)+...+P(i)；

根据该t代染色体种群中所有个体的选择概率，将满足预设条件的个体

选择到下一代，即由满足条件的个体生成第三种群。

具体地，执行选择操作后的P(t)为；

当m≤n时，

当m＞n时，

204：对第一种群的进化版本P(t)执行变异操作，生成新种群P(t)′；

针对该步骤，具体采用量子旋转门U(θ)对第一种群的进化版本P(t)执行变异操作，产生新种群P(t)′；

本发明实施例提供的量子旋转门为 $U\left(\mathrm{\θ}\right)=\left(\begin{array}{cc}\cos \left(\mathrm{\θ}\right)& -\sin \left(\mathrm{\θ}\right)\\ \sin \left(\mathrm{\θ}\right)& \cos \left(\mathrm{\θ}\right)\end{array}\right),$ 旋转变异的角度θ为： $\left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right),$

其中，本发明实施例在GEACAA中利用量子染色体进行编码时，最小的信息单位为量子比特，该量子比特可以用概率幅表示为[αβ]^T，该α和β满足归一化条件：|α|²+|β|²＝1。也就是说，[α_iβ_i]^T为量子染色体中第i个量子位，[α′_iβ′_i]^T为变异后量子染色体中第i个量子位。

通过该量子旋转门U(θ)更新P(t)，产生新种群P(t)′：

$P{\left(t\right)}^{\′}=\left\{\begin{array}{c}P\left(t\right)\\ \left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)\end{array}\right..$

205：在变异操作后，判断新种群P(t)′的温度是否为0，若不为0，则对新种群P(t)′执行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，否则输出当前的优选个体。

其中，对该新种群P(t)′执行的选择操作和交叉操作分别与步骤2032中的选择操作和交叉操作相同，此处不再赘述。

针对该步骤，预设种群温度的转换条件为T_t+1＝T_t×(1-t/M)，在每次变异后，判断当前种群的温度是否为0，若出现种群温度为0，则进化过程结束，输出当前的优选个体；否则重复执行步骤2033的操作，即则对新种群P(t)′继续执行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，直到染色体种群的温度为0。

本发明实施例提供的方法，通过将应用型云计算系统中相互独立的任务视为种群，并根据量子遗传模拟退火算法获取种群中的优选个体，从而将云计算系统中相互独立的任务分配到该优选个体上，使应用型云计算系统中的资源得到充分利用，实现资源负载均衡。

实施例3

参见图3，本发明实施例提供一种基于云计算系统的资源负载均衡的设备，该设备包括：

初始化单元301，用于根据控制参数初始化第一种群，所述控制参数至少包括种群大小M，量子染色体长度N，进化代数t和种群温度T，所述第一种群Q(t)是指云计算系统中第t代M个相互独立的任务，所述第一种群初始化为 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$ 其中

表示第t代的第j个任务，1＜j＜M， ${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$ cost_i和sint_i初均始化为

选择交叉单元302，用于根据所述第一种群Q(t)生成第一种群的进化版本P(t)，并根据所述第一种群的进化版本P(t)的适应度进行选择操作和交叉操作，获取优选个体，所述第一种群的进化版本P(t)的温度为T_t+1＝T_t×(1-t/M)，所述第一种群的进化版本为 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right],$ 其中，

是量子染色体长度为N的串(x₁x₂…x_N)；

变异单元303，用于对所述第一种群的进化版本P(t)执行变异操作，生成新种群P(t)′；

判断单元304，用于判断新种群P(t)′的温度是否为0，若不为0，则对所述新种群P(t)′执行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，否则输出当前的优选个体。

其中，选择交叉单元302具体包括：

计算子单元，用于计算出第一种群的进化版本P(t)中所有个体的选择概率，并生成一个随机数；

选择子单元，用于根据所述第一种群的进化版本P(t)中所有个体的选择概率、所述随机数和预设条件，判断是否存在满足所述预设条件的个体，若存在，则获取该个体作为优选个体。

其中，变异单元303具体包括：

根据量子旋转门U(θ)对第一种群的进化版本P(t)执行变异操作，生成新群 $P{\left(t\right)}^{\′}=\left\{\begin{array}{c}P\left(t\right)\\ \left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)\end{array}\right.,$ $U\left(\mathrm{\θ}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right).$

进一步地，选择交叉单元302采用的交叉操作为全干扰交叉方式。

本发明实施例提供的设备，通过将应用型云计算系统中相互独立的任务视为种群，并根据量子遗传模拟退火算法获取种群中的优选个体，从而将云计算系统中相互独立的任务分配到该优选个体上，使应用型云计算系统中的资源得到充分利用，实现资源负载均衡。

实施例4

下面主要对本发明实施例中的GEACAA算法的可行性进行分析。本发明实施例提供的GEACAA算法与GA算法(Grandison Algorithm，遗传算法)类似，在GA算法的基础上，增加了由Q生成P，及进化Q的过程。

假设染色体长度为N，种群规模为M，对于染色体的取值是离散的0、1的GA，种群所在的状态空间大小是2^MN，由于Q的取值是连续的，理论上GEACAA中种群所在的状态空间是无限的，但Q是有限精度的，设其维数为v，则种群所在的状态空间大小为v^MN，GEACAA算法的状态转换过程可以用如下的Markov链(马尔可夫链)来描述：

Q(t)生成P(t)(变异P(t)′交叉P(t)″)

保留最优解，更新Q(t)Q(t+1)

GEACAA算法的整个过程可表示为

π^(t+1)＝π^(t)×C₁M₁S₁U，U＝F(p^(t))，

p^(t)＝q^(t)M_q，q^(t+1)＝q^(t)×C₂M₂S₂

其中q^(t)为1×v^MN维的量子染色体的概率分布向量，p^(t)，π^(t)均为1×2^(M+1)N维的普通染色体的概率分布向量，M_q为由量子染色体生成普通染色体的v^MN×2^MN维的概率转移矩阵；C₂，M2，S2均为v^MN×v^MN维随机矩阵，C₁，M₁，S₁，U为2^(M+1)N×2^(M+1)N阶的块对角矩阵。

设中间种群的规模为

则种群和中间种群所在的状态空间分别为{0，1}^MN，

讨论解空间{0，1}^(M+1)N(为讨论方便，令

)，此时每一状态均由M+1个串长N的个体组成，第一个个体被成为超个体。状态空间{0，1}^MN中状态依次为

中的个体按适应度大小排列为

则经过遗传算子的作用，空间{0，1}^(M+1)N中的状态(x_i，…，X_m)变为状态(x_j，…，X_n)的概率由矩阵P′＝C₁M₁S₁确定，其中C₁，M₁，S₁分别为2^N块C、M、S组成的块对角矩阵

$C_1=\left[\begin{array}{cccc}C& & & \\ & C& & \\ & & ...& \\ & & & C\end{array}\right]$ $M_1=\left[\begin{array}{cccc}M& & & \\ & M& & \\ & & ...& \\ & & & M\end{array}\right]$

$S_1=\left[\begin{array}{cccc}S& & & \\ & S& & \\ & & ...& \\ & & & S\end{array}\right]$

由于经过最优保持后，如果当前代产生的最优个体优于超个体，则用当前最优个体代替超个体，否则保持不变，所以引入2^(M+1)N×2^(M+1)N阶随机矩阵U来表示这种升级运算，其中矩阵U的每行仅有一个元素为1，其余元素均为0，它可表示为

$U=\left[\begin{array}{cccc}{U}_{11}& & & \\ U_{21}& U_{22}& & \\ ...& ...& ...& \\ U_{2^L,1}& U_{2^L,2}& ...& U_{2^L,2^L}\end{array}\right]$

则算法的状态转移矩阵为

$P^{+}=P^{\′}U=C_1{M}_1{S}_{1}U$

$=\left[\begin{array}{cccc}{\mathrm{CMSU}}_{11}& & & \\ {\mathrm{CMSU}}_{21}& {\mathrm{CMSU}}_{22}& & \\ ...& ...& ...& \\ {\mathrm{CMSU}}_{2^N,1}& {\mathrm{CMSU}}_{2^N,2}& ...& {\mathrm{CMSU}}_{2^N,2^N}\end{array}\right]$

GEACAA算法的以上过程均与GA类似，不同的是，此处的升级运算U不仅受P自身进化过程的影响，而且受到Q的作用，当新Q产生的P中出现了优于当前代的超个体的解时，便更新该超个体。因为CMS为一正的随机矩阵，由上述内容可知：U₁₁为(I代表单位阵)，U_ii是至少有一个对角元素为0的下三角阵，则

CMSU₁₁＝CMS＞0， $\left[\begin{array}{c}{\mathrm{CMSU}}_{21}\\ ...\\ {\mathrm{CMSU}}_{2^N,1}\end{array}\right]\≠0,$

$\left[\begin{array}{ccc}{\mathrm{CMSU}}_{21}& & \\ ...& ...& \\ {\mathrm{CMSU}}_{2^N,1}& ...& {\mathrm{CMSU}}_{2^N,2^N}\end{array}\right]\≠0$

与初始分布向量∏⁽⁰⁾的初值无关。因为已知{0，1}^(M+1)N中前2^N个状态的第一个个体均为取全局最优值的个体x₁，若记

为t时刻算法处于状态i的概率，并且记A为其中适应度最高的个体为x₁的所有状态的集合，则 $p(f_t=f^{*})=\underset{i\∈A}{\mathrm{\Σ}}{p}_i^t,$ 从而 $\underset{n\→+\∞}{\lim }p(f_i=f^{*})=p_1+...+p_{2^N}=1,$ 即此时该GEACAA算法是收敛的。

实施例5

下面以一个优选实施例，并结合附图及实验数据，说明本发明的技术方案。本发明实施例预设种群大小M＝100，量子染色体长度N＝9，进化代数t＝0，交叉概率P₁＝0.85，变异概率P₂＝0.05，初始温度T₀＝1；初始化种群 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$

${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$ cost_i，sint_i都初始化为

本发明实施例对基于应用型云计算系统的资源负载均衡算法，进行了对该算法的仿真实验，实验平台由表2所示的3个高性能计算资源组成。

资源名	资源类型	节点数
			资源1	Dell PowerEdge 2600	30
资源2	HP Superdome Server SMP	20
			资源3	HP Rx2600集群	20

表2资源配置

其中，图4为在GEACAA算法部署前，应用型云计算系统的资源负载统计情况，图5为本发明实施例在GEACAA算法部署后，应用型云计算系统的资源负载统计情况。

从图4可以看出，应用型云计算系统的资源在GEACAA算法部署前，资源3由于任务过多导致资源负载过重，可能会导致部分应用型云用户无法继续提交任务，而资源1和资源2的负载过低，资源没有得到充分地利用。从图5可以看出，在应用型云计算系统的资源在GEACAA算法部署后，虽然资源3的负载有所降低，但是资源1和资源2的负载有了很大的提高，从整体上实现资源的负载均衡。

图6和图7所示的是本发明实施例的应用型云计算系统的GEACAA算法的静态性能曲线，分别列举了三种算法在不同进化代数时所找到的优选解和时间跨度，其中m＝3，n＝50，即50个相互独立的任务在3个异构的资源上的负载均衡情况。参见图6和图7，可知，本发明实施例提供的基于应用型云计算系统的资源负载均衡技术，有效显示了本发明实施例采用的GEACAA算法有较好的收敛速度和较合理的选择机制，保证了最好解性能的不降低性。

需要说明的是：上述实施例提供的基于云计算系统的资源负载均衡的设备在实现资源负载均衡时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于云计算系统的资源负载均衡的设备与基于云计算系统的资源负载均衡的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

以上实施例提供的技术方案中的全部或部分内容可以通过软件编程实现，其软件程序存储在可读取的存储介质中，存储介质例如：计算机中的硬盘、光盘或软盘。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于云计算系统的资源负载均衡的方法，其特征在于，具体包括：

根据控制参数初始化第一种群Q(t)，所述控制参数至少包括种群大小M，量子染色体长度N，进化代数t和种群温度T；所述第一种群Q(t)是指云计算系统中第t代M个相互独立的任务，所述第一种群初始化为 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$ 其中

表示第t代的第j个任务，1＜j＜M， ${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$ cost_i和sint_i初均始化为

根据所述第一种群Q(t)生成第一种群的进化版本P(t)，并根据所述第一种群的进化版本P(t)的适应度进行选择操作和交叉操作，获取优选个体，所述第一种群的进化版本P(t)的温度为T_t+1＝T_t×(1-t/M)，所述第一种群的进化版本为 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right],$ 其中，

是量子染色体长度为N的串(x₁x₂…x_N)，其中，所述选择操作是指将父代的个体信息传递到子代，每代中的每一个个体按照适应度的大小决定它能够复制到下一代的概率，所述交叉操作是把两个父个体的染色体加以替换重组而生成新个体的操作；

对所述第一种群的进化版本P(t)执行变异操作，生成新种群P(t)′，其中，所述变异操作是量子遗传模拟退火算法中的一部分，若没有所述变异操作，所述子代和交叉过的所述父代没有任何区别，只要存在所述变异操作，所述子代的基因就会发生改变；

判断新种群P(t)′的温度是否为0，若不为0，则对所述新种群P(t)′进行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，否则输出当前的优选个体。

2.如权利要求1所述的方法，其特征在于，所述根据所述第一种群的进化版本P(t)的适应度进行选择操作和交叉操作，获取优选个体，具体包括：

计算出所述第一种群的进化版本P(t)中所有个体的选择概率，并生成一个随机数；

根据所述第一种群的进化版本P(t)中所有个体的选择概率、所述随机数和预设条件，判断是否存在满足所述预设条件的个体，若存在，则获取该个体作为优选个体。

3.如权利要求1所述的方法，其特征在于，所述对所述第一种群的进化版本P(t)执行变异操作，具体包括：

根据量子旋转门U(θ)对第一种群的进化版本P(t)执行变异操作，得到新种群 $P{\left(t\right)}^{\′}=\left\{\begin{array}{c}P\left(t\right)\\ \left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)\end{array}\right.,$ $U\left(\mathrm{\θ}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right),$

所述[α_iβ_i]^T为所述量子染色体中第i个量子位，所述[α′_iβ′_i]^T为变异后量子染色体中第i个量子位。

4.如权利要求1所述的方法，其特征在于，所述交叉操作为全干扰交叉方式。

5.一种基于云计算系统的资源负载均衡的设备，其特征在于，所述设备包括：

初始化单元，用于根据控制参数初始化第一种群，所述控制参数至少包括种群大小M，量子染色体长度N，进化代数t和种群温度T，所述第一种群Q(t)是指云计算系统中第t代M个相互独立的任务，所述第一种群初始化为 $Q\left(t\right)=\left[\begin{array}{cccc}{q}_1^t& q_2^t& ...& q_M^t\end{array}\right],$ 其中

表示第t代的第j个任务，1＜j＜M， ${q^t}_j=\left[\begin{array}{c}\cos t_1\\ \sin t_1\end{array}\right|\left.\begin{array}{c}{\cos t}_2\\ {\sin t}_2\end{array}\right|\begin{array}{c}...\\ ...\end{array}\left|\begin{array}{c}\cos t_N\\ {\sin t}_N\end{array}\right],$ cost_i和sint_i初均始化为

选择交叉单元，用于根据所述第一种群Q(t)生成第一种群的进化版本P(t)，并根据所述第一种群的进化版本P(t)的适应度进行选择操作和交叉操作，获取优选个体，所述第一种群的进化版本P(t)的温度为T_t+1＝T_t×(1-t/M)，所述第一种群的进化版本为 $P\left(t\right)=\left[\begin{array}{cccc}{x}_1^t& x_2^t& ...& x_M^t\end{array}\right],$ 其中，是量子染色体长度为N的串(x₁x₂…x_N)，其中，所述选择操作是指将父代的个体信息传递到子代，每代中的每一个个体按照适应度的大小决定它能够复制到下一代的概率，所述交叉操作是把两个父个体的染色体加以替换重组而生成新个体的操作；

变异单元，用于对所述第一种群的进化版本P(t)执行变异操作，生成新种群P(t)′，其中，所述变异操作是量子遗传模拟退火算法中的一部分，若没有所述变异操作，所述子代和交叉过的所述父代没有任何区别，只要存在所述变异操作，所述子代的基因就会发生改变；

判断单元，用于判断新种群P(t)′的温度是否为0，若不为0，则对所述新种群P(t)′执行选择操作和交叉操作，生成下一代种群P(t)″，获取优选个体，并继续进行变异操作P(t)″，否则输出当前的优选个体。

6.如权利要求5所述的设备，其特征在于，所述选择交叉单元具体包括：

计算子单元，用于计算出第一种群的进化版本P(t)中所有个体的选择概率，并生成一个随机数；

选择子单元，用于根据所述第一种群的进化版本P(t)中所有个体的选择概率、所述随机数和预设条件，判断是否存在满足所述预设条件的个体，若存在，则获取该个体作为优选个体。

7.如权利要求5所述的设备，其特征在于，所述变异单元具体包括：

根据量子旋转门U(θ)对第一种群的进化版本P(t)执行变异操作，生成新种群 $P{\left(t\right)}^{\′}=\left\{\begin{array}{c}P\left(t\right)\\ \left(\begin{array}{c}{\mathrm{\α}}_i^{\′}\\ {\mathrm{\β}}_i^{\′}\end{array}\right)=U\left(\mathrm{\θ}\right)\left(\begin{array}{c}{\mathrm{\α}}_i\\ {\mathrm{\β}}_i\end{array}\right)\end{array}\right.,$ $U\left(\mathrm{\θ}\right)=\left(\begin{array}{cc}\cos \left({\mathrm{\θ}}_i\right)& -\sin \left({\mathrm{\θ}}_i\right)\\ \sin \left({\mathrm{\θ}}_i\right)& \cos \left({\mathrm{\θ}}_i\right)\end{array}\right),$

所述[α_iβ_i]^T为所述量子染色体中第i个量子位，所述[α′_iβ′_i]^T为变异后量子染色体中第i个量子位。

8.如权利要求5所述的设备，其特征在于，所述选择交叉单元采用的交叉操作为全干扰交叉方式。

Images