CN106293936A - 一种物理主机虚拟内存的局部最优解的确定方法及装置 - Google Patents

一种物理主机虚拟内存的局部最优解的确定方法及装置 Download PDF

Info

Publication number
CN106293936A
CN106293936A CN201610617305.6A CN201610617305A CN106293936A CN 106293936 A CN106293936 A CN 106293936A CN 201610617305 A CN201610617305 A CN 201610617305A CN 106293936 A CN106293936 A CN 106293936A
Authority
CN
China
Prior art keywords
chromosome
optimal solution
virtual memory
physical host
locally optimal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610617305.6A
Other languages
English (en)
Inventor
张博
高峰
薛昊原
钱兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Beijing Electronic Information Industry Co Ltd
Original Assignee
Inspur Beijing Electronic Information Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inspur Beijing Electronic Information Industry Co Ltd filed Critical Inspur Beijing Electronic Information Industry Co Ltd
Priority to CN201610617305.6A priority Critical patent/CN106293936A/zh
Publication of CN106293936A publication Critical patent/CN106293936A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5077—Logical partitioning of resources; Management or configuration of virtualized resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45583—Memory management, e.g. access or allocation

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种物理主机虚拟内存的局部最优解的确定方法及装置，通过选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；确定孩子染色体集合，孩子染色体集合为父母染色体经变异产生的多条染色体；将多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。本发明可以确定物理主机在运算时间内取得的相对合理的虚拟内存阀值，并且可以根据不同的设备机型或采用不同硬件的主机针对性的设置相对合理虚拟内存的阀值，从而大大提高了虚拟内存的准确度和，避免了因经验数值带来的误差，引起资源的不足或浪费。

Description

一种物理主机虚拟内存的局部最优解的确定方法及装置
技术领域
本发明涉及通用服务器技术领域，特别是涉及一种物理主机虚拟内存的局部最优解的确定方法及装置。
背景技术
随着服务器虚拟化技术的发展和物理主机运算能力的提升，高性能的虚拟化技术越来越成为社会发展的需要。这就对虚拟化技术提出了巨大的挑战，例如，一台物理主机上运行多达十几台甚至几十台虚拟机来完成不同的业务需求，每台虚拟机都要提供相对独立的模拟内存环境。随着社会的发展，软件越来越庞大，所占用的内存资源越来越多，甚至于一个程序吃掉十几G内存也时常发生。
因此，针对物理主机的虚拟内存的最优阀值显得至关重要，如果阀值过大，那么从调度虚拟机产生较重的延时；如果阀值过小，虽然调度性能是提高，但是限制同时运行的虚拟机数量，造成资源的浪费。如果依靠以往的经验数值，可能产生误差较大，尤其类似硬件升级比如内存由DDR3升级为DDR4的情况，产生更大的误差。
鉴于此，提供一种物理主机虚拟内存的局部最优解的确定方法及装置是非常有必要的。
发明内容
本发明的目的是提供一种物理主机虚拟内存的局部最优解的确定方法及装置，目的在于解决现有技术中物理主机的虚拟内存的相对合理阀值难以确定，导致资源浪费或调度延时较多的问题。
为解决上述技术问题，本发明提供一种物理主机虚拟内存的局部最优解的确定方法，包括：
选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；
确定孩子染色体集合，所述孩子染色体集合为所述父母染色体经变异产生的多条染色体；
将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；
重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。
可选地，所述确定孩子染色体集合包括：
通过采用所述父母染色体的平均值、方差、期望、部分交叉、父母个体或全部加减部分区间的方式产生所述孩子染色体，以生成所述孩子染色体集合。
可选地，在所述将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之前还包括：
将不符合预设要求的染色体进行剔除。
可选地，所述将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体包括：
通过每条染色体所对应个体的适应程度确定最优的染色体，其中，适应度越高则选择概率越大。
可选地，在所述将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之后还包括：
对所有染色体的计算数据进行记录。
本发明还提供了一种物理主机虚拟内存的局部最优解的确定装置，包括：
父母染色体选择模块，用于选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；
孩子染色体集合确定模块，用于确定孩子染色体集合，所述孩子染色体集合为所述父母染色体经变异产生的多条染色体；
最优解选择模块，用于将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；
局部最优解确定模块，用于重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。
可选地，所述孩子染色体集合确定模块具体用于：
通过采用所述父母染色体的平均值、方差、期望、部分交叉、父母个体或全部加减部分区间的方式产生所述孩子染色体，以生成所述孩子染色体集合。
可选地，还包括：
剔除模块，用于在将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之前，将不符合预设要求的染色体进行剔除。
可选地，所述最优解选择模块具体用于：
通过每条染色体所对应个体的适应程度确定最优的染色体，其中，适应度越高则选择概率越大。
可选地，还包括：
记录模块，用于在将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之后，对所有染色体的计算数据进行记录。
本发明所提供的物理主机虚拟内存的局部最优解的确定方法及装置，通过选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；确定孩子染色体集合，孩子染色体集合为父母染色体经变异产生的多条染色体；将多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。本发明所提供的物理主机虚拟内存的局部最优解的确定方法及装置，可以确定物理主机在运算时间内取得的相对合理的虚拟内存阀值，并且可以根据不同的设备机型或采用不同硬件的主机针对性的设置相对合理虚拟内存的阀值，从而大大提高了虚拟内存的准确度和，避免了因经验数值带来的误差，引起资源的不足或浪费。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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为本发明所提供的物理主机虚拟内存的局部最优解的确定方法的一种具体实施方式的流程图；
图2为本发明遗传算法的的运行时间和得到最优解的结果示意图；
图3为本发明实施例提供的物理主机虚拟内存的局部最优解的确定装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明所提供的物理主机虚拟内存的局部最优解的确定方法的一种具体实施方式的流程图如图1所示，该方法包括：
步骤S101：选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；
本申请中，可以随机选择多个染色体作为初始值传入遗传算法得到最优的两条为父母染色体，当然还可以将往经验数据也可作为初始染色体，这均不影响本发明的实现。
步骤S102：确定孩子染色体集合，所述孩子染色体集合为所述父母染色体经变异产生的多条染色体；
步骤S103：将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；
步骤S104：重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。
本发明所提供的物理主机虚拟内存的局部最优解的确定方法，通过选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；确定孩子染色体集合，孩子染色体集合为父母染色体经变异产生的多条染色体；将多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。本发明所提供的物理主机虚拟内存的局部最优解的确定方法及装置，可以确定物理主机在运算时间内取得的相对合理的虚拟内存阀值，并且可以根据不同的设备机型或采用不同硬件的主机针对性的设置相对合理虚拟内存的阀值，从而大大提高了虚拟内存的准确度，避免了因经验数值带来的误差，引起资源的不足或浪费。
在上述实施例的基础上，本发明所提供的物理主机虚拟内存的局部最优解的确定方法中，确定孩子染色体集合可以具体为：
通过采用所述父母染色体的平均值、方差、期望、部分交叉、父母个体或全部加减部分区间的方式产生所述孩子染色体，以生成所述孩子染色体集合。
根据父母染色体产生多个孩子染色体，比如经过取父母染色体平均值，方差，期望，部分交叉，父母个体或全部加减部分区间等方式产生一个孩子染色体的集合，这个部分也可以称为父母染色体变异。
进一步地，在将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之前还包括：
将不符合预设要求的染色体进行剔除。
在上述任一实施例的基础上，将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体的过程可以具体为：
通过每条染色体所对应个体的适应程度确定最优的染色体，其中，适应度越高则选择概率越大。
评估每条染色体所对应个体的适应程度，首先剔除明显不符合要求的染色体，然后将这些染色体传入遗传算法中，遵照适应度越高，选择概率越大的原则，从种群中选择两个计算结果最优的染色体作为父方和母方，重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。
作为一种具体实施方式，本发明所提供的物理主机虚拟内存的局部最优解的确定方法在所述将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之后还可以进一步包括
对所有染色体的计算数据进行记录。
如图2本发明遗传算法的的运行时间和得到最优解的结果示意图所示，当到达一定时间后，结果将趋近于最优解，但是未到达运行时间内就是局部最优解，因为最优解有可能运行时间太长，所以只能取可以接受的部分最优解。
遗传算法确定物理主机虚拟内存局部最优解的完成的必要条件包括：(1)染色体的确定、(2)测试虚拟机功能和数量一致、(3)针对虚机的调度算法一致且保证调度虚机的随机性、(4)、保存每条染色体、(5)分析结果取的局部最优解。
生物遗传物质的主要载体是染色体，在遗传算法中，染色体通常是一串数据(或数组)，用来作为优化问题的解的代码，其本身不一定是解。遗传算法一般经过这样几个过程：首先，随机产生一定数量的随机染色体，这些随机产生的染色体组成一个种群。种群中染色体的数目称为种群大小或种群规模。然后用评价函数评价每一个染色体的优劣，即染色体对环境的适应程度(称为适应度)，用来作为以后遗传的依据。接着进行选择过程，选择的目的是为了从当前种群中选出优良的染色体，使他们称为新一代的染色体，判断染色体优良与否的标准就是各自的适应度，即染色体的适应度越高，其被选择的机会就越多。通过选择过程，产生一个新的种群。对这个新的种群进行交叉操作，交叉操作是遗传算法中主要的遗传操作之一。接着进行变异操作，变异的操作是挖掘种群中个体的多样性，克服有可能陷入局部解的弊病。这样，经过上述运算产生的染色体称为后代。然后，对新的种群(即后代)重复进行选择、交叉和变异操作，经过给定次数的迭代处理后，把最好的染色体最为优化问题的最优解。
最优化问题表示方法：最优化问题的解有两种表示方法：二进制向量和浮点向量。使用二进制向量作为一个染色体来表示决策变量的真实值，向量的长度依赖于要求的精度，使用二进制代码的必要性已经受到一些批评。在求解复杂优化问题时，二进制向量表示结构有时不大方便。另一种表示方法是浮点向量，每一个染色体由一个浮点向量表示，其长度与解向量相同。这里用x＝(x1,x2,...,xn)表示最优化问题的解，其中n是维数，则相应的染色体也是V＝(x1,x2,...,xn)。
处理约束条件：处理约束条件的关键在于(1)删除约束条件中所有的等式，(2)设计恰当的遗传操作以保证所有新产生的染色体在可行集中。
初始化过程：评价函数(用eval(V)来表示)用来对种群中的每个染色V设定一个概率，以使该染色体被选择的可能性与种群中其它染色体的适应性成比例，即通过轮盘赌，适应性强的染色体被选择产生后代的机会要大。第一种方法，设目前该代中的染色V1,V2,...,Vn,可以根据染色体的序进行再生分配，而不是根据实际的目标值。无论何种数学规划(单目标、多目标或目标规划)都可以作一合理假设，即在染色体V1、V2、...、Vn中，决策者可以给出一个序的关系，使染色体由好到坏进行重排，就是说，一个染色体体越好，其序号越小。设参数定义基于序的评价函数为：
i＝1,2,...,n
i＝1意味着染色体最好，i＝n说明染色体是最差的。
第二种方法对适应度进行适当的缩放调整(称为适应度定标)来设计评价函数。用f1,f2,...,fn(即染色体V1,V2,...,Vn各自的目标值)来表示原来的适应度。Goldberg提出一种线性适应度定标方案：
i＝1,2,...,n
其中为新的适应度，a和b为参数。这种方法假定使用者了解目标函数的性质，这样才能设计合理的参数a和b。这种情况下，评价函数定义为：
i＝1,2,...,n
选择过程：选择过程是以旋转轮盘赌n次为基础的。每次旋转都为新的种群选择一个染色体。赌轮是按照每个染色体的适应度进行选择染色体的。无论使用哪一种评价函数，选择函数总可以写成如下形式：(1)对每个染色体Vi,计算累计概率qi；(2)从区间[0,qn]中产生一个随机数r；(3)若r＝qi，则选择第i个染色体Vi,(1≤i≤n)；(4)重复步骤2和步骤3共n次，这样可以得到n个复制的染色体。在实际应用中可以将qi,i＝1,2,...,n除以qn，使qn＝1，新的概率同样与适应度成正比。
交叉过程：首先定义Pc作为交叉操作的概率，这个概率说明种群中有期望值为Pc·n个染色体进行交叉操作。为确定交叉操作的父代，从i＝1到n重复以下操作：从[0,1]中产生随机数r，如果r<Pc，则选择Vi作为一个父代。用,...,表示上面选择的父代,并把他们随机分成下面的对
,,,...，
然后对每对进行交叉操作，如首先产生(0,1)之间的一个随机数c,然后按下列形式在之间进行交叉操作，并产生两个后代X和Y
如果可行集是凸的，这种凸组合交叉运算保证两个后代也是可行的；如果可行集不是凸集或很难验证，这时需要对X,Y进行检验，如果不符合约束条件，则需重新产生c值，重复以上交叉操作。
变异操作：定义Pm作为交叉操作的概率，这个概率说明种群中有期望值为Pm·n个染色体进行交叉操作。类似交叉操作，首先选择需要变异的父代，然后对每个需变异的父代(用V表示)，用下列方法进行变异。在Rn中随机选择变异方向d，取M为足够大的一个数，如果V+M·d是不可行的，则设M为0到M之间的随机数，直到其可行为止。
循环操作：将选择好的染色体再次传入遗传算法，记录每个染色体，然后再进入上述循环操作。
得到最优解：可以设定算法运行时间，根据记录的染色体日志或者自适应方案选择规定时间内的最优解。
下面对本发明实施例提供的物理主机虚拟内存的局部最优解的确定装置进行介绍，下文描述的物理主机虚拟内存的局部最优解的确定装置与上文描述的物理主机虚拟内存的局部最优解的确定方法可相互对应参照。
图3为本发明实施例提供的物理主机虚拟内存的局部最优解的确定装置的结构框图，参照图3物理主机虚拟内存的局部最优解的确定装置可以包括：
父母染色体选择模块100，用于选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；
孩子染色体集合确定模块200，用于确定孩子染色体集合，所述孩子染色体集合为所述父母染色体经变异产生的多条染色体；
最优解选择模块300，用于将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；
局部最优解确定模块400，用于重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。
在上述实施例的基础上，本发明所提供的物理主机虚拟内存的局部最优解的确定装置中，孩子染色体集合确定模块200可以具体用于：
通过采用所述父母染色体的平均值、方差、期望、部分交叉、父母个体或全部加减部分区间的方式产生所述孩子染色体，以生成所述孩子染色体集合。
进一步地，本发明所提供的物理主机虚拟内存的局部最优解的确定装置还可以包括：
剔除模块，用于在将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之前，将不符合预设要求的染色体进行剔除。
在上述任一实施例的基础上，最优解选择模块300可以具体用于：
通过每条染色体所对应个体的适应程度确定最优的染色体，其中，适应度越高则选择概率越大。
作为一种具体实施方式，本实施例还可以进一步包括：
记录模块，用于在将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之后，对所有染色体的计算数据进行记录。
综上所述，本发明所提供的物理主机虚拟内存的局部最优解的确定方法及装置具有下述有益效果：
(1)现行的大多数优化算法都是基于线性、凸性、可微性等要求，而遗传算法只需要适合度信息，不需要导数等其他辅助信息，对问题的依赖性较小，因而具有高度的非线性；
(2)遗传算法从一组初始点开始搜索，而不是从某一个单一的初始点开始搜索。而且给出的是一组优化解，而不是一个优化解，这样可以给设计者更大的选择余地；
(3)遗传算法具有很强的易修改性。即使对虚拟内存大小问题进行很小的改动(比如目标函数的改进)，现行的大多数算法就有可能完全不能使用，而遗传算法则只需作很小的修改就完全可以适应新的问题；
4)将搜索过程作用在编码后的字符串上，不直接作用在优化问题的具体变量上，在搜索中用到的是随机的变换规则，而不是确定的规则。它在搜索时采用启发式的搜索，而不是盲目的穷举，因而具有更高所搜索效率，得出更精确的虚拟内存大小。用遗传算法确定物理主机虚拟内存局部最优解具有上述优点，使其弥补了普通算法寻找此类问题的不足和以往经验数据引起的误差，采用高度非线性的方法，并实现给出局部最优解的方法，大大降低了此类问题的复杂度，有效提高了虚拟内存大小和物理主机的适配度，不论是在算法方面还是在虚拟内存的确定等问题都有很高的技术价值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的物理主机虚拟内存的局部最优解的确定方法以及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种物理主机虚拟内存的局部最优解的确定方法，其特征在于，包括：
选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；
确定孩子染色体集合，所述孩子染色体集合为所述父母染色体经变异产生的多条染色体；
将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；
重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。
2.如权利要求1所述的物理主机虚拟内存的局部最优解的确定方法，其特征在于，所述确定孩子染色体集合包括：
通过采用所述父母染色体的平均值、方差、期望、部分交叉、父母个体或全部加减部分区间的方式产生所述孩子染色体，以生成所述孩子染色体集合。
3.如权利要求2所述的物理主机虚拟内存的局部最优解的确定方法，其特征在于，在所述将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之前还包括：
将不符合预设要求的染色体进行剔除。
4.如权利要求1至3任一项所述的物理主机虚拟内存的局部最优解的确定方法，其特征在于，所述将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体包括：
通过每条染色体所对应个体的适应程度确定最优的染色体，其中，适应度越高则选择概率越大。
5.如权利要求4所述的物理主机虚拟内存的局部最优解的确定方法，其特征在于，在所述将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之后还包括：
对所有染色体的计算数据进行记录。
6.一种物理主机虚拟内存的局部最优解的确定装置，其特征在于，包括：
父母染色体选择模块，用于选择多个染色体作为初始值传入遗传算法，得到最优的两条作为父母染色体；
孩子染色体集合确定模块，用于确定孩子染色体集合，所述孩子染色体集合为所述父母染色体经变异产生的多条染色体；
最优解选择模块，用于将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体；
局部最优解确定模块，用于重复上述过程，直到满足预设条件为止，将得到的最优解作为物理主机虚拟内存的局部最优解。
7.如权利要求6所述的物理主机虚拟内存的局部最优解的确定装置，其特征在于，所述孩子染色体集合确定模块具体用于：
通过采用所述父母染色体的平均值、方差、期望、部分交叉、父母个体或全部加减部分区间的方式产生所述孩子染色体，以生成所述孩子染色体集合。
8.如权利要求7所述的物理主机虚拟内存的局部最优解的确定装置，其特征在于，还包括：
剔除模块，用于在将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之前，将不符合预设要求的染色体进行剔除。
9.如权利要求6至8任一项所述的物理主机虚拟内存的局部最优解的确定装置，其特征在于，所述最优解选择模块具体用于：
通过每条染色体所对应个体的适应程度确定最优的染色体，其中，适应度越高则选择概率越大。
10.如权利要求9所述的物理主机虚拟内存的局部最优解的确定装置，其特征在于，还包括：
记录模块，用于在将所述多条染色体传入遗传算法中，从种群中选择计算结果最优的染色体作为父母染色体之后，对所有染色体的计算数据进行记录。
CN201610617305.6A 2016-07-29 2016-07-29 一种物理主机虚拟内存的局部最优解的确定方法及装置 Pending CN106293936A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610617305.6A CN106293936A (zh) 2016-07-29 2016-07-29 一种物理主机虚拟内存的局部最优解的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610617305.6A CN106293936A (zh) 2016-07-29 2016-07-29 一种物理主机虚拟内存的局部最优解的确定方法及装置

Publications (1)

Publication Number Publication Date
CN106293936A true CN106293936A (zh) 2017-01-04

Family

ID=57663498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610617305.6A Pending CN106293936A (zh) 2016-07-29 2016-07-29 一种物理主机虚拟内存的局部最优解的确定方法及装置

Country Status (1)

Country Link
CN (1) CN106293936A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897117A (zh) * 2017-02-27 2017-06-27 郑州云海信息技术有限公司 一种物理主机虚拟内存分析方法及装置
CN108465244A (zh) * 2018-03-30 2018-08-31 腾讯科技（深圳）有限公司 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质
CN111324422A (zh) * 2020-02-24 2020-06-23 武汉轻工大学 多目标虚拟机部署方法、装置、设备及存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897117A (zh) * 2017-02-27 2017-06-27 郑州云海信息技术有限公司 一种物理主机虚拟内存分析方法及装置
CN108465244A (zh) * 2018-03-30 2018-08-31 腾讯科技（深圳）有限公司 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质
CN108465244B (zh) * 2018-03-30 2019-05-07 腾讯科技（深圳）有限公司 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质
WO2019184777A1 (zh) * 2018-03-30 2019-10-03 腾讯科技（深圳）有限公司 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质
CN111324422A (zh) * 2020-02-24 2020-06-23 武汉轻工大学 多目标虚拟机部署方法、装置、设备及存储介质
CN111324422B (zh) * 2020-02-24 2024-04-16 武汉轻工大学 多目标虚拟机部署方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Branke et al. Portfolio optimization with an envelope-based multi-objective evolutionary algorithm
Erdal et al. Bagging ensemble models for bank profitability: An emprical research on Turkish development and investment banks
Sadat Hosseini et al. Short-term load forecasting of power systems by gene expression programming
CN103905246B (zh) 基于分组遗传算法的链路预测方法
CN107016571A (zh) 数据预测方法及其系统
Ouzineb et al. A heuristic method for non-homogeneous redundancy optimization of series-parallel multi-state systems
CN106293936A (zh) 一种物理主机虚拟内存的局部最优解的确定方法及装置
CN106295806A (zh) 确定规定时间内访问存储服务器的存储容量的方法及装置
US20220269967A1 (en) Quantum Circuit Generation Method and Related Device
CN108171327A (zh) 一种基于卷积运算的矩阵转化方法、装置及介质
Wang et al. Optimal Neural Tuning Curves for Arbitrary Stimulus Distributions: Discrimax, Infomax and Minimum $ L_p $ Loss
US20230393813A1 (en) Sorting apparatus and method
CN104050193B (zh) 生成报文的方法和实现该方法的数据处理系统
Miessi Sanches et al. Ordinary least squares estimation of a dynamic game model
CN104392317B (zh) 一种基于遗传文化基因算法的项目调度方法
CN110223105B (zh) 基于人工智能模型的交易策略生成方法和引擎
Stolpe Technology and the dynamics of specialization in open economies
Helseth Stochastic network constrained hydro-thermal scheduling using a linearized progressive hedging algorithm
Shen et al. Geosimulation model using geographic automata for simulating land-use patterns in urban partitions
Nuñez-Piña et al. Modeling of throughput in production lines using response surface methodology and artificial neural networks
CN107301459A (zh) 一种基于fpga异构运行遗传算法的方法及系统
CN112801415A (zh) 基于马尔科夫链分布模型的超短期负荷预测方法及系统
Krotki et al. Mass imputation
CN104809098A (zh) 基于期望最大确定统计模型参数的方法和装置
CN108256694A (zh) 基于重复遗传算法的模糊时间序列预测系统、方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170104

RJ01 Rejection of invention patent application after publication