CN110111146B - 一种面向云实例选择的多目标优化求解方法 - Google Patents

一种面向云实例选择的多目标优化求解方法 Download PDF

Info

Publication number
CN110111146B
CN110111146B CN201910361905.4A CN201910361905A CN110111146B CN 110111146 B CN110111146 B CN 110111146B CN 201910361905 A CN201910361905 A CN 201910361905A CN 110111146 B CN110111146 B CN 110111146B
Authority
CN
China
Prior art keywords
pareto set
complete
cloud instance
complete pareto
cartesian product
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.)
Active
Application number
CN201910361905.4A
Other languages
English (en)
Other versions
CN110111146A (zh
Inventor
王鹏伟
蒋昌俊
章昭辉
刘文强
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.)
Donghua University
Original Assignee
Donghua University
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 Donghua University filed Critical Donghua University
Priority to CN201910361905.4A priority Critical patent/CN110111146B/zh
Publication of CN110111146A publication Critical patent/CN110111146A/zh
Application granted granted Critical
Publication of CN110111146B publication Critical patent/CN110111146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向云实例选择的多目标优化求解方法，包括以下步骤：A.背景问题定义：定义该求解器的问题背景；B.初始完全Pareto集合生成：得到需求个数为1下的初始Pareto集合；C.广义笛卡尔积生成：将完全Pareto集合和初始Pareto集合进行广义笛卡尔积；D.中间完全Pareto集合生成：对广义笛卡尔积进行遍历操作得到新的完全Pareto集合；E.最终完全Pareto集合生成：通过递归C、D操作得到最终的完全Pareto集合。本发明能够解决类似云实例类型选择问题的多目标优化问题，可以得到完整的Pareto集合，帮助用户更加准确的作出决策。另外，本发明能够解决类似的多目标优化问题，得到完全Pareto集合。

Description

一种面向云实例选择的多目标优化求解方法
技术领域
本发明涉及一种面向云实例选择的能够产生完全Pareto集合的多目标优化求解器。
背景技术
随着数据量的增长，用户对于设备的要求也在上升，但是对于多数个人或者中小型企业来说，构建硬件环境的开销过于昂贵。此时，云计算pay-as-you-go的价格模式非常适合用户将应用迁移到云上，降低自己购买和维护硬件的开销。Amazon是著名的云服务提供商之一，Amazon EC2是IaaS的代表之一，可以提供给用户CPU、网络、内存、存储等基础硬件资源。
Amazon EC2提供给用户许多购买选项，比如：预留实例、按需实例和竞价实例。同时，每一种购买选项下又分为多种不同的云实例类型，他们的性能和价格之间存在着很大的差距。对此，用户想要从庞杂的云市场中选择满足自己需求的云实例类型集合是一个非常重要的问题和挑战。
发明内容
本发明的目的是：通过使用Amazon EC2的云实例类型数据去完成云实例类型选择问题的求解，以生成满足用户需求的完全Pareto集合。
为了达到上述目的，本发明的技术方案是提供了一种面向云实例选择的多目标优化求解方法，设完全Pareto集合为Pn，则集合Pn是由解空间中非劣解组成的，并且没有遗漏和多余，其特征在于，包括以下步骤：
步骤1、问题背景定义，包括以下步骤：
步骤101、通过使用爬虫获取Amazon EC2提供的按需实例类型信息，包括云实例类型的性能和价格指标；
步骤102、对云实例类型选择问题进行定义，将选择的云实例类型的性能进行求和得到总体性能，将选择的云实例类型的价格进行求和得到总体价格；
步骤2、生成初始完全Pareto集合P1，初始完全Pareto集合P1是当用户需求数为1时的结果；
步骤3、通过将中间完全Pareto集合Pi和初始完全Pareto集合P1进行广义笛卡尔积得到广义笛卡尔积Ri+1，广义笛卡尔积Ri+1作为用户需求数为i+1时的搜索空间，是解空间的一个子集，并且要远小于解空间；
步骤4、生成中间完全Pareto集合Pi+1，在广义笛卡尔积Ri+1中进行遍历，选择其中所有的非劣解组成中间完全Pareto集合Pi+1；
步骤5、迭代执行步骤3和4，直到需求数达到指定的需求数n，此时得到的中间完全Pareto集合即为最终的完全Pareto集合Pn。
优选地，步骤2中，通过遍历云实例类型数据，选择其中所有的非劣解组成所述完全Pareto集合P1。
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明利用广义笛卡尔积代替解空间进行Pareto集合的生成，得到的结果比智能优化算法更完整，并且不会有多余的劣解出现在最后的集合中。得到的完全Pareto集合可以帮助用户更加准确的进行购买决策，使得用户的选择更加准确。本发明具有快速高效，贴合需求等优点。该发明对于想要如何选择云实例类型以及解决类似多目标优化问题的用户具有普遍适用性。可在企业中进行推广和应用，具有较强的社会及商业价值。
附图说明
图1是本发明的整体流程图；
图2是本发明中完全Pareto集合生成算法流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种面向云实例选择的多目标优化求解方法，如图1所示，包括以下步骤：A.背景问题定义；B.初始完全Pareto集合生成；C.广义笛卡尔积生成；D.中间完全Pareto集合生成；E.最终完全Pareto集合生成。
其中，步骤A具体包括：
A1.通过使用爬虫获取Amazon EC2提供的按需实例类型信息，主要包括云实例类型的性能和价格指标；
A2.对云实例类型选择问题进行定义，将选择的云实例类型的性能进行求和作为总体性能，将选择的云实例类型的价格进行求和作为总体价格。对于该问题，目标是最大化总体的性能，最小化总体的价格，这是一个多目标优化问题，最终需要得到一个完全Pareto集合Pn，该集合Pn是由解空间中非劣解组成的，并且没有遗漏和多余。
步骤B具体包括：通过遍历云实例类型数据，选择其中的所有非劣解组成初始完全Pareto集合P1，可以认为该初始完全Pareto集合P1是当用户需求数为1时的结果。
步骤C具体包括：通过将中间完全Pareto集合Pi和初始完全Pareto集合P1进行广义笛卡尔积，其得到的广义笛卡尔积记为Ri+1，广义笛卡尔积Ri+1作为用户需求数为i+1时的搜索空间，它是解空间的一个子集，并且要远小于解空间。
步骤D具体包括：在广义笛卡尔积Ri+1中进行遍历，选择其中所有的非劣解组成新的完全Pareto集合Pi+1。
步骤E具体包括迭代执行步骤C和D，直到需求数达到指定的需求数n，此时得到的中间完全Pareto集合即为最终的完全Pareto集合Pn。
不难发现，本发明利用广义笛卡尔积代替解空间进行Pareto集合的生成，得到的结果比智能优化算法更完整，并且不会有多余的劣解出现在最后的集合中。得到的完全Pareto集合可以帮助用户更加准确的进行购买决策，使得用户的选择更加准确。本发明具有快速高效，贴合需求等优点。该发明对于想要如何选择云实例类型以及解决类似多目标优化问题的用户具有普遍适用性。可在企业中进行推广和应用，具有较强的社会及商业价值。

Claims (1)

1.一种面向云实例选择的多目标优化求解方法，设完全Pareto集合为Pn，则集合Pn是由解空间中非劣解组成的，并且没有遗漏和多余，其特征在于，包括以下步骤：
步骤1、问题背景定义，包括以下步骤：
步骤101、通过使用爬虫获取Amazon EC2提供的按需实例类型信息，包括云实例类型的性能和价格指标；
步骤102、对云实例类型选择问题进行定义，将选择的云实例类型的性能进行求和得到总体性能，将选择的云实例类型的价格进行求和得到总体价格；
步骤2、生成初始完全Pareto集合P1，初始完全Pareto集合P1是当用户需求数为1时的结果，其中，通过遍历云实例类型数据，选择其中所有的非劣解组成所述完全Pareto集合P1；
步骤3、通过将中间完全Pareto集合Pi和初始完全Pareto集合P1进行广义笛卡尔积得到广义笛卡尔积Ri+1，广义笛卡尔积Ri+1作为用户需求数为i+1时的搜索空间，是解空间的一个子集，并且要远小于解空间；
步骤4、生成中间完全Pareto集合Pi+1，在广义笛卡尔积Ri+1中进行遍历，选择其中所有的非劣解组成中间完全Pareto集合Pi+1；
步骤5、迭代执行步骤3和4，直到需求数达到指定的需求数n，此时得到的中间完全Pareto集合即为最终的完全Pareto集合Pn。
CN201910361905.4A 2019-04-30 2019-04-30 一种面向云实例选择的多目标优化求解方法 Active CN110111146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910361905.4A CN110111146B (zh) 2019-04-30 2019-04-30 一种面向云实例选择的多目标优化求解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910361905.4A CN110111146B (zh) 2019-04-30 2019-04-30 一种面向云实例选择的多目标优化求解方法

Publications (2)

Publication Number Publication Date
CN110111146A CN110111146A (zh) 2019-08-09
CN110111146B true CN110111146B (zh) 2023-07-11

Family

ID=67487845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910361905.4A Active CN110111146B (zh) 2019-04-30 2019-04-30 一种面向云实例选择的多目标优化求解方法

Country Status (1)

Country Link
CN (1) CN110111146B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5963447A (en) * 1997-08-22 1999-10-05 Hynomics Corporation Multiple-agent hybrid control architecture for intelligent real-time control of distributed nonlinear processes
CN106845642A (zh) * 2017-01-22 2017-06-13 北京科技大学 一种带约束云工作流调度的自适应多目标进化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2411328C (en) * 2001-11-07 2009-06-23 Analog Design Automation Inc. Method of interactive optimization in circuit design

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5963447A (en) * 1997-08-22 1999-10-05 Hynomics Corporation Multiple-agent hybrid control architecture for intelligent real-time control of distributed nonlinear processes
CN106845642A (zh) * 2017-01-22 2017-06-13 北京科技大学 一种带约束云工作流调度的自适应多目标进化方法

Also Published As

Publication number Publication date
CN110111146A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
US11461593B2 (en) Federated learning of clients
US9159024B2 (en) Real-time predictive intelligence platform
Ballon Business modelling revisited: the configuration of control and value
Jain et al. A multiarmed bandit incentive mechanism for crowdsourcing demand response in smart grids
JP2016527584A5 (zh)
Jiang et al. Data-driven auction mechanism design in IaaS cloud computing
US20140214496A1 (en) Dynamic profitability management for cloud service providers
Cabrera et al. A simulation-optimization approach to deploy Internet services in large-scale systems with user-provided resources
CN111724039B (zh) 一种向电力用户推荐客服人员的推荐方法
JP6782680B2 (ja) 指示分析のためのシステムおよび方法
EP3451271A1 (en) Systems and methods for expediting rule-based data processing
Petrescu Cloud computing and business-to-business networks
Winsper et al. Decentralized supply chain formation using max‐sum loopy belief propagation
Shum Heliopolitics: The international political economy of solar supply chains
CN104966204A (zh) 一种网络店铺的生成方法和装置
CN107492017B (zh) 一种基于电商类PaaS平台的订单拆分系统及其实现方法
CN110111146B (zh) 一种面向云实例选择的多目标优化求解方法
EP4300387A1 (en) Optimal intraday scheduling of aggregated distributed energy resources (ders)
Zhou et al. The impact of service and channel integration on the stability and complexity of the supply chain
KR102104162B1 (ko) 네트워크 자원을 생성하는 기법
Bensch Recommender systems for strategic procurement in value networks
CN117396886A (zh) 用于时间序列预测的时空图神经网络
CN106095882A (zh) 一种多云平台环境下的个性化云推荐方法
CN106651414A (zh) 关键词价格设置方法及装置
CN103995878A (zh) 一种分布式个性化推荐方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant