CN111176753A - 云资源优化配置方法、装置、电子设备及可读存储介质 - Google Patents
云资源优化配置方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111176753A CN111176753A CN201911323495.0A CN201911323495A CN111176753A CN 111176753 A CN111176753 A CN 111176753A CN 201911323495 A CN201911323495 A CN 201911323495A CN 111176753 A CN111176753 A CN 111176753A
- Authority
- CN
- China
- Prior art keywords
- simulated annealing
- annealing algorithm
- arrangement sequence
- elements
- cloud resource
- 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.)
- Granted
Links
Images
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
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
- G06F9/4451—User profiles; Roaming
-
- 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
- G06F9/5072—Grid computing
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种云资源优化配置方法、装置及可读存储介质,首先获取云资源占用集合,该云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;然后初始化模拟退火算法,并对该云资源占用集合中元素的排列顺序进行模拟退火算法处理,在该模拟退火算法进程满足预定条件时,将元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序并继续模拟退火过程,在模拟退火算法结束时,将待配置计算任务按照保存的最优解的迭代排列顺序配置到云资源,这样所使用的云资源数量最少;从而解决了无法找到一种使用云服务器数量最少的计算任务配置方案的技术问题,实现了提高云资源使用效率的技术效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种云资源优化配置方法、装置、电子设备及可读存储介质。
背景技术
云资源通常是大量服务器的集合,大量服务器构成大量的计算单元以承担多种不同的计算任务,当多个计算任务同时在云资源进行配置时,其配置顺序的不同会导致所使用服务器的数量不同,因此,找到一种使用服务器数量较少的计算任务配置方案可以最大化的提高云资源的使用效率。
发明内容
本申请实施例提供一种云资源优化配置方法、装置、电子设备及可读存储介质,首先获取云资源占用集合,该云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;然后初始化模拟退火算法,并对该云资源占用集合中元素的排列顺序进行模拟退火算法处理,在该模拟退火算法进程满足预定条件时,将元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序并继续模拟退火过程,在模拟退火算法结束时,将待配置计算任务按照保存的最优解的迭代排列顺序配置到云资源,这样所使用的云资源数量最少。
即本申请实施例中,通过对多个待配置计算任务的云资源占用情况的排列顺序进行模拟退火处理,并且,在该模拟退火处理过程中,增加了重加温过程,即回跳步骤,从而使模拟退火过程快速跳出局部最优解,从而找到了多个待配置计算任务的更优排列顺序,按照该更优排列顺序将多个待配置计算任务配置到云资源时,使用的云资源数量最少,提高了云资源的使用效率,从而解决了无法找到一种使用云服务器数量较少的计算任务配置方案的技术问题,实现了提高云资源使用效率的技术效果。
本申请实施例提供一种云资源优化配置方法,包括:
获取云资源占用集合,所述云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;
初始化模拟退火算法,并对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值,并将数值最小的所述函数值所对应的迭代排列顺序作为最优解保存;其中,所述函数值表示待配置计算任务采用所述函数值对应的迭代排列顺序时的云资源占用情况;
监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理;
在所述模拟退火算法结束时,将待配置计算任务按照保存的所述最优解的迭代排列顺序配置到所述云资源。
根据本公开实施例,所述初始化模拟退火算法的步骤包括:
获取所述模拟退火算法的初始化参数值,所述初始化参数值包括初始温度值、终止温度值和退火系数,其中,所述初始温度值大于所述终止温度值,所述退火系数小于1;
根据所述初始化参数值生成所述模拟退火算法的进程。
根据本公开实施例,所述根据所述初始化参数值生成所述模拟退火算法的进程的步骤包括:
在所述初始温度值与所述终止温度值之间,以所述初始温度值依次乘以所述退火系数的n次方,得到若干迭代温度值,其中,所述n为正整数;
按照由大到小的顺序将所述初始温度值、若干所述迭代温度值和所述终止温度值排序,得到所述模拟退火算法的进程。
根据本公开实施例,所述对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值的步骤包括:
设定所述云资源占用集合中元素的排列顺序为所述模拟退火算法的解,所述云资源占用集合中随机两个元素的顺序交换为所述模拟退火算法的解变动值;
采用模拟退火算法对所述云资源占用集合中元素的排列顺序进行处理;
对应所述模拟退火算法进程中的每个温度值,依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值。
根据本公开实施例,所述监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理的步骤包括:
监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理。
根据本公开实施例,所述监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理的步骤包括:
监测所述迭代温度值;
在所述迭代温度值初次达到跳转温度值时,将所述元素的当前迭代排列顺序回跳到重加温温度值所对应的迭代排列顺序,其中所述重加温温度值大于所述跳转温度值;
对所述元素的排列顺序继续进行所述模拟退火算法处理。
根据本公开实施例,所述根据所述初始化参数值生成所述模拟退火算法的进程的步骤之后还包括:
设定所述模拟退火算法的所述跳转温度值和所述重加温温度值。
本申请实施例提供一种云资源优化配置装置,包括:
获取模块,用于获取云资源占用集合,所述云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;
模拟退火处理模块,用于初始化模拟退火算法,并对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值,并将数值最小的所述函数值所对应的迭代排列顺序作为最优解保存;其中,所述函数值表示待配置计算任务采用所述函数值对应的迭代排列顺序时的云资源占用情况;
监测回跳模块,用于监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理;
配置模块,用于在所述模拟退火算法结束时,将待配置计算任务按照保存的所述最优解的迭代排列顺序配置到所述云资源。
根据本公开实施例,所述模拟退火处理模块包括:
第一初始化单元,用于获取所述模拟退火算法的初始化参数值,所述初始化参数值包括初始温度值、终止温度值和退火系数,其中,所述初始温度值大于所述终止温度值,所述退火系数小于1;
生成单元,用于根据所述初始化参数值生成所述模拟退火算法的进程。
根据本公开实施例,所述生成单元包括:
计算子单元,用于在所述初始温度值与所述终止温度值之间,以所述初始温度值依次乘以所述退火系数的n次方,得到若干迭代温度值,其中,所述n为正整数;
排序子单元,用于按照由大到小的顺序将所述初始温度值、若干所述迭代温度值和所述终止温度值排序,得到所述模拟退火算法的进程。
根据本公开实施例,所述模拟退火处理模块还包括:
设定单元,用于设定所述云资源占用集合中元素的排列顺序为所述模拟退火算法的解,所述云资源占用集合中随机两个元素的顺序交换为所述模拟退火算法的解变动值;
处理单元,用于采用模拟退火算法对所述云资源占用集合中元素的排列顺序进行处理;
保存单元,用于对应所述模拟退火算法进程中的每个温度值,依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值。
根据本公开实施例,所述监测回跳模块包括:
监测回跳单元,用于监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理。
根据本公开实施例,所述监测回跳单元包括:
监测子单元,用于监测所述迭代温度值;
回跳子单元,用于在所述迭代温度值初次达到跳转温度值时,将所述元素的当前迭代排列顺序回跳到重加温温度值所对应的迭代排列顺序,其中所述重加温温度值大于所述跳转温度值;
继续子单元,用于对所述元素的排列顺序继续进行所述模拟退火算法处理。
根据本公开实施例,所述模拟退火模块还包括:
第二初始化单元,用于设定所述模拟退火算法的所述跳转温度值和所述重加温温度值。
本申请实施例还提供一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上所述的云资源优化配置方法的步骤。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上所述的云资源优化配置方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本实施例的技术方案中,首先获取云资源占用集合,该云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;然后初始化模拟退火算法,并对该云资源占用集合中元素的排列顺序进行模拟退火算法处理,在该模拟退火算法进程满足预定条件时,将元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序并继续模拟退火过程,在模拟退火算法结束时,将待配置计算任务按照保存的最优解的迭代排列顺序配置到云资源。
也就是说,本实施例中,首先,对多个待配置计算任务的云资源占用情况的排列顺序进行模拟退火处理,以得到使用云资源数量较少的多个待配置计算任务配置顺序;并且,针对模拟退火过程中可能遇到的陷入局部最优解情况,本申请实施例中,在模拟退火过程中,增加了重加温过程,即模拟退火进程回跳步骤,从而使得该模拟退火过程能够快速跳出局部最优解,避免了由于长时间陷入局部最优解而不能得到更优解的情况,即,本申请实施例的方法,在初始化模拟退火算法的情况下,可以大概率的得到更优的解,从而按照该更优解的排列顺序将多个待配置计算任务配置到云资源时,使用的云资源数量最少,提高了云资源的使用效率,并且大大降低了云资源成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一实施例中所述云资源优化配置方法的流程图。
图2为本申请一实施例中所述模拟退火算法进程的示意图。
图3为本申请一实施例中所述模拟退火算法重加温步骤的示意图。
图4为本申请一实施例中所述云资源优化配置方法的流程图。
图5为本申请一实施例中所述云资源优化配置方法的流程图。
图6为本申请一实施例中所述根据所述初始化参数值生成所述模拟退火算法进程的示意图。
图7为本申请一实施例中所述云资源优化配置方法的流程图。
图8为本申请一实施例中所述云资源优化配置方法的流程图。
图9为本申请实施例中所述云资源优化配置装置的结构示意图。
图10为本申请实施例中所述云资源优化配置电子设备的结构示意图。
具体实施方式
发明概述
在云资源的使用过程中,通常需要将大量的计算任务配置到云资源上,例如配置到云服务器上,通过云服务器对该计算任务进行计算,而由于实际情况决定,不同的计算任务所占用云资源的大小不同,例如占用CPU数量不同、占用内存大小不同;因此,一定数量的待配置计算任务,当采用不同的配置顺序配置到云资源时,其所占用的云资源情况不同;基于使用成本及使用效率考虑,这就提出一种需求,即如何找到一种配置顺序,当一定数量的待配置计算任务采用该配置顺序时所占用的云资源较少。
基于上述需求,本申请实施例提出一种云资源优化配置方法。在该方法中:
首先,采用模拟退火算法处理多个待配置计算任务的云资源占用情况的排列顺序;模拟退火算法是一种近似求解最优化问题的方法,本申请实施例,将多个待配置计算任务的云资源占用情况的排列顺序作为模拟退火算法的解,将对应该排列顺序时多个待配置计算任务占用云资源的大小作为解的函数值,将上述排列顺序中随机两个元素的顺序交换作为模拟退火算法的解变动值,从而采用模拟退火算法近似得到最优解,即近似得到多个待配置计算任务的云资源占用情况的最优排列顺序;
其次,在模拟退火算法中增加了重加温步骤;本领域能够理解,在模拟退火算法中,虽然有可能跳出局部最优解并得到全局最优解,但是,随着温度的降低,根据Metropolis准则,其跳出局部最优解的概率减小,进而得到全局最优解的概率降低;针对上述情况,本申请实施例中,在模拟退火算法中增加了重加温步骤,即,在模拟退火算法的进程满足预设条件时,将元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后继续模拟退火算法处理;也就是说,本申请实施例中,在满足预设条件时,通过将模拟退火算法的温度适当提高,根据Metropolis准则提高了接受较差解的概率,从而提高了跳出局部最优解的概率,进而提高了得到全局最优解的概率,即,本申请实施例的方法,在初始化模拟退火算法的情况下,可以大概率的得到全局最优解,从而按照该全局最优解的排列顺序将多个待配置计算任务配置到云资源时,使用的云资源数量最少,提高了云资源的使用效率,并且大大降低了云资源成本。
为了更好的理解上述技术方案,下面将参考附图详细地描述本申请的示例实施例,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例性实施例的限制。
示例性方法
图1示出了本申请实施例的云资源优化配置方法的流程图。
参照图1,本申请实施例提供的云资源优化配置方法,该方法包括:
S101,获取云资源占用集合,所述云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;
S102,初始化模拟退火算法,并对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值,并将数值最小的所述函数值所对应的迭代排列顺序作为最优解保存;其中,所述函数值表示待配置计算任务采用所述函数值对应的迭代排列顺序时的云资源占用情况;
S103,监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理;
S104,在所述模拟退火算法结束时,将待配置计算任务按照保存的所述最优解的迭代排列顺序配置到所述云资源。
本实施例中,首先获取云资源占用集合,该云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;然后初始化模拟退火算法,并对该云资源占用集合中元素的排列顺序进行模拟退火算法处理,在该模拟退火算法进程满足预定条件时,将元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序并继续模拟退火过程,在模拟退火算法结束时,将待配置计算任务按照保存的最优解的迭代排列顺序配置到云资源;也就是说,本实施例中,首先,对多个待配置计算任务的云资源占用情况的排列顺序进行模拟退火处理,以得到使用云资源数量较少的多个待配置计算任务配置顺序;并且,针对模拟退火过程中可能遇到的陷入局部最优解情况,本申请实施例中,在模拟退火过程中,增加了重加温过程,即模拟退火进程回跳步骤,从而使得该模拟退火过程能够快速跳出局部最优解,避免了由于长时间陷入局部最优解而不能得到更优解的情况,即,本申请实施例的方法,在初始化模拟退火算法的情况下,可以大概率的得到更优的解,从而按照该更优解的排列顺序将多个待配置计算任务配置到云资源时,使用的云资源数量最少,提高了云资源的使用效率,并且大大降低了云资源成本。
上述从整体上对本申请实施例的云资源优化配置方法进行了说明,下面将分步骤具体说明。
S101,获取云资源占用集合,所述云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况。
具体的说,针对一定规格及数量的待配置计算任务,首先需要获取每个待配置计算任务的云资源占用情况,然后以每个待配置计算任务的云资源占用情况作为元素,构成云资源占用集合,即,该云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况。
为了便于理解,下面结合示例对该步骤进行说明。
譬如,结合下表1,现有15种不同规格、每种100个的待配置计算任务需要配置到云资源,每种待配置计算任务占用云服务器的情况不同,例如类型5的待配置计算任务,其所占用云服务器的情况为:需要占用服务器的2核CPU和4G内存;获取每个待配置计算任务的云资源占用情况后,可以得到云资源占用结合,例如在下表1的例子中,该云资源占用集合M包括1500个元素,其中,每个元素Mn表示一个待配置计算任务的云资源占用情况。
表1不同规格待配置计算任务占用云服务器的情况
类型 | 个数 | CPU | 内存 |
类型1 | 100 | 1核 | 1G |
类型2 | 100 | 1核 | 2G |
类型3 | 100 | 1核 | 4G |
类型4 | 100 | 2核 | 2G |
类型5 | 100 | 2核 | 4G |
类型6 | 100 | 2核 | 8G |
类型7 | 100 | 4核 | 4G |
类型8 | 100 | 4核 | 8G |
类型9 | 100 | 4核 | 16G |
类型10 | 100 | 8核 | 8G |
类型11 | 100 | 8核 | 16G |
类型12 | 100 | 8核 | 32G |
类型13 | 100 | 16核 | 16G |
类型14 | 100 | 16核 | 32G |
类型15 | 100 | 16核 | 64G |
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域技术人员可以根据需要进行设置,本发明对此不做限制,例如,上述针对云资源占用情况仅为举例说明,本领域技术人员可以根据需要将云资源占用情况设置为其它形式。
S102,初始化模拟退火算法,并对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值,并将数值最小的所述函数值所对应的迭代排列顺序作为最优解保存;其中,所述函数值表示待配置计算任务采用所述函数值对应的迭代排列顺序时的云资源占用情况。
该步骤中,根据实际需要对模拟退火算法进行初始化,并对云资源占用集合中元素的排列顺序进行模拟退火算法处理;具体为,将多个待配置计算任务的云资源占用情况的排列顺序作为模拟退火算法的解,将对应该排列顺序时多个待配置计算任务占用云资源的大小作为解的函数值,将上述排列顺序中随机两个元素的顺序交换作为模拟退火算法的解变动值。
能够理解,对模拟退火算法初始化后,能够得到模拟退火算法退火的进程,或者说得到模拟退火算法的总迭代次数,对应模拟退火算法的每次迭代,得到并保存云资源占用集合中元素的迭代排列顺序及其对应的函数值,该函数值即为待配置计算任务采用该迭代排列顺序时的云资源占用情况;然后将数值最小的函数值所对应的迭代排列顺序作为最优解保存,即将待配置计算任务占用云资源最小的迭代排列顺序作为最优解保存。
结合上述的例子及图2,例如在获取云资源占用集合M后,对模拟退火算法初始化,得到模拟退火算法的总迭代次数为P次,本领域能够理解,对应模拟退火算法的每次迭代进程Pn(n取值为0到P的正整数),可以得到集合M中所有元素的一个排列顺序Xn,然后根据现有云服务器的情况(例如每个云服务器的规格相同,均为:56核CPU、128G内存),计算得到集合M中元素在Xn的排列顺序下,占用云服务器的个数为Yn,该Yn即为Xn所对应的函数值,然后对应下次迭代进程Pn+1,令Xn+1=Xn+ΔX,即Xn+1为在Xn基础上增加改变量ΔX后的排列顺序,然后计算得到Yn+1,如此,随着模拟退火算法的迭代次数增加,可以得到一系列的Xn和Yn,然后将数值最小的Yn所对应的Xn作为最优解保存。
能够理解,随着模拟退火算法的进程,该最优解为动态保存。
S103,监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理。
该步骤即为在模拟退火算法中添加重加温步骤。
在S102的基础上,并且结合图3,监测模拟退火算法的进程,即监测模拟退火算法的迭代进程,在模拟退火算法的迭代进程满足预定条件时,将模拟退火算法的当前迭代进程Pn回跳到预定回返进程对应的迭代进程Pm,对应的,即将当前的迭代排列顺序Xn回跳到预定回返进程所对应的迭代排列顺序Xm,然后对集合M中元素的排列顺序继续模拟退火算法处理;本步骤中,由于在Xm基础上,Xm+1=Xm+ΔX,Xm+1为在Xm基础上随机交换两个元素后的排列顺序,因此,Xm+1不同于之前进程中的取值,能够跳出局部最优解。
S104,在所述模拟退火算法结束时,将待配置计算任务按照保存的所述最优解的迭代排列顺序配置到所述云资源。
在模拟退火算法的迭代进程结束后,保存的最优解即为找到的一个较优排列顺序,将一定规格、一定数量的待配置计算任务按照该最优解的排列顺序配置待云服务器上,使用的云服务器数量较少,从而提高了云服务器的使用效率,降低了使用成本。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域技术人员可以根据需要进行设置,本发明对此不做限制。
一种可能实施方式为,参看图4,步骤S102中,所述初始化模拟退火算法的步骤包括:
S201,获取所述模拟退火算法的初始化参数值,所述初始化参数值包括初始温度值、终止温度值和退火系数,其中,所述初始温度值大于所述终止温度值,所述退火系数小于1;
S202,根据所述初始化参数值生成所述模拟退火算法的进程。
根据模拟退火算法,能够理解,对模拟退火算法初始化,需要设定模拟退火算法的初始温度值、终止温度值和退火系数,其中,初始温度值大于终止温度值,该退火系数小于1,例如,初始温度值为500,终止温度值为1,退火系数为0.999,然后根据初始温度值、终止温度值和退火系数生成模拟退火算法的进程。
一种可能实施方式为,参看图5,步骤S202中,所述根据所述初始化参数值生成所述模拟退火算法的进程的步骤包括:
S2021,在所述初始温度值与所述终止温度值之间,以所述初始温度值依次乘以所述退火系数的n次方,得到若干迭代温度值,其中,所述n为正整数;
S2022,按照由大到小的顺序将所述初始温度值、若干所述迭代温度值和所述终止温度值排序,得到所述模拟退火算法的进程。
即,在初始温度值T0和终止温度值T(终)确定的区间,以初始温度值T0依次乘以退火系数H的n次方,得到一系列的迭代温度值(T1、T2、T3……),即Tn=T0×Hn,然后将初始温度值、若干迭代温度值和终止温度值排序,得到模拟退火算法的进程。
结合上面的例子及图6,例如,模拟退火算法的进程包括由500到1的一系列迭代温度值,每个迭代温度值对应一个迭代进程,因此,每个迭代温度值对应一个Xn及Yn。
一种可能实施方式为,参看图7,步骤S102中,所述对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值的步骤包括:
S204,设定所述云资源占用集合中元素的排列顺序为所述模拟退火算法的解,所述云资源占用集合中随机两个元素的顺序交换为所述模拟退火算法的解变动值;
S205,采用模拟退火算法对所述云资源占用集合中元素的排列顺序进行处理;
S206,对应所述模拟退火算法进程中的每个温度值,依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值。
本实施例中,设定云资源占用集合中元素的排列顺序为模拟退火算法的解,云资源占用集合中随机两个元素的顺序交换为模拟退火算法的解变动值;然后对云资源占用集合中元素的排列顺序进行模拟退火算法处理,对应模拟退火算进程的每个温度值,依次得到并保存每个迭代排列顺序及函数值。
具体的,采用模拟退火算法对所述云资源占用集合中元素的排列顺序进行处理为:例如在模拟退火算法的进程为迭代温度值Tk时,具有排列顺序Xk和函数值Yk,然后按照Metropolis准则接受Xk+1作为新解;其中,Metropolis准则为如下公式1所述:
上述公式1中,Yk表示Xk的函数值,T表示Xk对应的迭代温度值Tk,P表示接受Xk+1作为新解的概率,当Yk+1<Yk时,接受Xk+1作为新解,当Yk+1≥Yk时,则以的概率接受该较差的新解Xk+1。
一种可能实施方式为,步骤S103中,所述监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理的步骤包括:
S301,监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理。
本实施方式中,该重加温步骤仅在模拟退火算法的进程初次满足预设条件时实施,即该重加温步骤仅执行一次,避免了函数不收敛或者无限循环情况的发生。
一种可能实施方式为,参看图8,步骤S301中,所述监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理的步骤包括:
S3011,监测所述迭代温度值;
S3012,在所述迭代温度值初次达到跳转温度值时,将所述元素的当前迭代排列顺序回跳到重加温温度值所对应的迭代排列顺序,其中所述重加温温度值大于所述跳转温度值;
S3013,对所述元素的排列顺序继续进行所述模拟退火算法处理。
本实施方式中,参看图3,可以通过迭代温度值监测模拟退火算法的进程,在模拟退火算法的迭代温度值达到跳转温度值时,执行重加温过程,即将集合M中元素的当前迭代排列顺序回跳到重加温温度值所对应的迭代排列顺序,然后继续模拟退火算法。
其中,具体的,可以通过如下公式2、3分别设定跳转温度值和重加温温度值:
T0-T(跳)=0.9×(T0-T(终)) 公式2
T(重)-T(跳)=0.3×(T0-T(终)) 公式3
上述公式中,T0表示初始温度值,T(终)表示终止温度值,T(跳)表示跳转温度值,T(重)表示重加温温度值。
本实施方式中,能够理解,在按照Metropolis准则接受Xk+1作为新解时,接受较差解的概率随温度降低,因此,模拟退火算法跳出局部最优解的概率减小,进而得到全局最优解的概率降低,因此,本申请实施方式中,在迭代温度值较低的T(跳)时,通过重加温步骤,从而可激活概率提高了接受较差解的概率,从而提高了跳出局部最优解的概率,进而提高了得到全局最优解的概率,即,本申请实施例的方法,在初始化模拟退火算法的情况下,可以大概率的得到全局最优解,从而按照该全局最优解的排列顺序将多个待配置计算任务配置到云资源时,使用的云资源数量最少,提高了云资源的使用效率,并且大大降低了云资源成本。
一种可能实施方式为,步骤S102中,在步骤S202,所述根据所述初始化参数值生成所述模拟退火算法的进程的步骤之后还包括:
S203,设定所述模拟退火算法的所述跳转温度值和所述重加温温度值。
本实施例中,首先,对多个待配置计算任务的云资源占用情况的排列顺序进行模拟退火处理,以得到使用云资源数量较少的多个待配置计算任务配置顺序;并且,针对模拟退火过程中可能遇到的陷入局部最优解情况,本申请实施例中,在模拟退火过程中,增加了重加温过程,即模拟退火进程回跳步骤,从而使得该模拟退火过程能够快速跳出局部最优解,避免了由于长时间陷入局部最优解而不能得到更优解的情况。
具体的,在上述具体例子基础上,即,云资源占用集合M包括1500个元素,每个元素的云资源占用情况可参看表1;云服务器的规格均统一为:56核CPU,128G内存;模拟退火算法的初始温度值为500,终止温度值为1,退火系数为0.999,跳转温度值通过公式2得到,重加温温度值通过公式3得到;然后对该集合M中1500个元素的排列顺序进行模拟退火算法处理并得到最优解,实验测得该1500个元素采用该最优解的排列顺序时,共占用184台云服务器,而采用贪婪算法时,共占用215台云服务器,通过对比,可以看到,本实施例的云资源优化配置方法可以显著减少云服务器的使用数量,减少了14.42%,从而降低了云服务器的使用成本,提高了效率。
需要说明的是,上述跳转温度值和重加温温度值可以根据实际需要设定,本申请对此不做限制。
示例性装置
图9为本申请一实施例中所述云资源优化配置装置的结构示意图。
结合图9,一种云资源优化配置装置,包括:
获取模块91,用于获取云资源占用集合,所述云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;
模拟退火处理模块92,用于初始化模拟退火算法,并对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值,并将数值最小的所述函数值所对应的迭代排列顺序作为最优解保存;其中,所述函数值表示待配置计算任务采用所述函数值对应的迭代排列顺序时的云资源占用情况;
监测回跳模块93,用于监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理;
配置模块94,用于在所述模拟退火算法结束时,将待配置计算任务按照保存的所述最优解的迭代排列顺序配置到所述云资源。
一种可能实施方式中,所述模拟退火处理模块92包括:
第一初始化单元921,用于获取所述模拟退火算法的初始化参数值,所述初始化参数值包括初始温度值、终止温度值和退火系数,其中,所述初始温度值大于所述终止温度值,所述退火系数小于1;
生成单元922,用于根据所述初始化参数值生成所述模拟退火算法的进程。
一种可能实施方式中,所述生成单元922包括:
计算子单元9221,用于在所述初始温度值与所述终止温度值之间,以所述初始温度值依次乘以所述退火系数的n次方,得到若干迭代温度值,其中,所述n为正整数;
排序子单元9222,用于按照由大到小的顺序将所述初始温度值、若干所述迭代温度值和所述终止温度值排序,得到所述模拟退火算法的进程。
一种可能实施方式中,所述模拟退火处理模块92还包括:
设定单元924,用于设定所述云资源占用集合中元素的排列顺序为所述模拟退火算法的解,所述云资源占用集合中随机两个元素的顺序交换为所述模拟退火算法的解变动值;
处理单元925,用于采用模拟退火算法对所述云资源占用集合中元素的排列顺序进行处理;
保存单元926,用于对应所述模拟退火算法进程中的每个温度值,依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值。
一种可能实施方式中,所述监测回跳模块93包括:
监测回跳单元931,用于监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理。
一种可能实施方式中,所述监测回跳单元931包括:
监测子单元9311,用于监测所述迭代温度值;
回跳子单元9312,用于在所述迭代温度值初次达到跳转温度值时,将所述元素的当前迭代排列顺序回跳到重加温温度值所对应的迭代排列顺序,其中所述重加温温度值大于所述跳转温度值;
继续子单元9313,用于对所述元素的排列顺序继续进行所述模拟退火算法处理。
一种可能实施方式中,所述模拟退火模块92还包括:
第二初始化单元923,用于设定所述模拟退火算法的所述跳转温度值和所述重加温温度值。
本领域技术人员可以理解,根据本申请实施例的云资源优化配置装置的其它细节与之前根据本申请实施例的云资源优化配置方法中描述的相应细节相同,这里为了避免重复便不再赘述。
示例性电子设备
本申请实施例还提供一种云资源优化配置电子设备,结合图10,图10示出了本申请实施例的电子设备的框图。
该电子设备包括一个或多个处理器511和存储器512。
处理器511可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备中的其他组件以执行期望的功能。
存储器512可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器511可以运行所述程序指令,以实现上文所述的本申请的各个实施例的云资源优化配置方法的步骤以及/或者其他期望的功能。
当然,为了简化,图10中仅示出了该电子设备中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法、装置和电子设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的云资源优化配置方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的云资源优化配置方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合均应包含在本发明保护的范围之内。
Claims (10)
1.一种云资源优化配置方法,其特征在于,包括:
获取云资源占用集合,所述云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;
初始化模拟退火算法,并对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值,并将数值最小的所述函数值所对应的迭代排列顺序作为最优解保存;其中,所述函数值表示待配置计算任务采用所述函数值对应的迭代排列顺序时的云资源占用情况;
监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理;
在所述模拟退火算法结束时,将待配置计算任务按照保存的所述最优解的迭代排列顺序配置到所述云资源。
2.根据权利要求1所述的云资源优化配置方法,其特征在于,所述初始化模拟退火算法的步骤包括:
获取所述模拟退火算法的初始化参数值,所述初始化参数值包括初始温度值、终止温度值和退火系数,其中,所述初始温度值大于所述终止温度值,所述退火系数小于1;
根据所述初始化参数值生成所述模拟退火算法的进程。
3.根据权利要求2所述的云资源优化配置方法,其特征在于,所述根据所述初始化参数值生成所述模拟退火算法的进程的步骤包括:
在所述初始温度值与所述终止温度值之间,以所述初始温度值依次乘以所述退火系数的n次方,得到若干迭代温度值,其中,所述n为正整数;
按照由大到小的顺序将所述初始温度值、若干所述迭代温度值和所述终止温度值排序,得到所述模拟退火算法的进程。
4.根据权利要求3所述的云资源优化配置方法,其特征在于,所述对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值的步骤包括:
设定所述云资源占用集合中元素的排列顺序为所述模拟退火算法的解,所述云资源占用集合中随机两个元素的顺序交换为所述模拟退火算法的解变动值;
采用模拟退火算法对所述云资源占用集合中元素的排列顺序进行处理;
对应所述模拟退火算法进程中的每个温度值,依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值。
5.根据权利要求3所述的云资源优化配置方法,其特征在于,所述监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理的步骤包括:
监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理。
6.根据权利要求5所述的云资源优化配置方法,其特征在于,所述监测所述模拟退火算法的进程,在所述模拟退火算法的进程初次满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理的步骤包括:
监测所述迭代温度值;
在所述迭代温度值初次达到跳转温度值时,将所述元素的当前迭代排列顺序回跳到重加温温度值所对应的迭代排列顺序,其中所述重加温温度值大于所述跳转温度值;
对所述元素的排列顺序继续进行所述模拟退火算法处理。
7.根据权利要求6所述的云资源优化配置方法,其特征在于,所述根据所述初始化参数值生成所述模拟退火算法的进程的步骤之后还包括:
设定所述模拟退火算法的所述跳转温度值和所述重加温温度值。
8.一种云资源优化配置装置,其特征在于,包括:
获取模块,用于获取云资源占用集合,所述云资源占用集合中每个元素表示每个待配置计算任务的云资源占用情况;
模拟退火处理模块,用于初始化模拟退火算法,并对所述云资源占用集合中元素的排列顺序进行模拟退火算法处理,按照所述模拟退火算法的进程依次得到并保存所述元素的若干迭代排列顺序和每个所述迭代排列顺序的函数值,并将数值最小的所述函数值所对应的迭代排列顺序作为最优解保存;其中,所述函数值表示待配置计算任务采用所述函数值对应的迭代排列顺序时的云资源占用情况;
监测回跳模块,用于监测所述模拟退火算法的进程,在所述模拟退火算法的进程满足预设条件时,将所述元素的当前迭代排列顺序回跳到预定回返进程所对应的迭代排列顺序,然后对所述元素的排列顺序继续进行所述模拟退火算法处理;
配置模块,用于在所述模拟退火算法结束时,将待配置计算任务按照保存的所述最优解的迭代排列顺序配置到所述云资源。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的云资源优化配置方法的步骤。
10.一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的云资源优化配置方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323495.0A CN111176753B (zh) | 2019-12-20 | 2019-12-20 | 云资源优化配置方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911323495.0A CN111176753B (zh) | 2019-12-20 | 2019-12-20 | 云资源优化配置方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176753A true CN111176753A (zh) | 2020-05-19 |
CN111176753B CN111176753B (zh) | 2021-01-05 |
Family
ID=70650253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911323495.0A Active CN111176753B (zh) | 2019-12-20 | 2019-12-20 | 云资源优化配置方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176753B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204398A (zh) * | 2021-05-27 | 2021-08-03 | 咪咕文化科技有限公司 | 应用程序子模块的确定方法、装置、电子设备及存储介质 |
CN113722292A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 分布式数据系统的应灾处理方法、装置、设备及存储介质 |
CN115242626A (zh) * | 2022-07-21 | 2022-10-25 | 中国建设银行股份有限公司 | 云资源配置预估方法、装置、设备、存储介质及程序产品 |
CN115277044A (zh) * | 2022-05-17 | 2022-11-01 | 南京赛宁信息技术有限公司 | OpenStack加密链路节点分层方法与系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244673A1 (en) * | 2006-04-14 | 2007-10-18 | Deepak Khosla | Methods and apparatus for optimal resource allocation |
CN102063339A (zh) * | 2010-12-21 | 2011-05-18 | 北京高森明晨信息科技有限公司 | 基于云计算系统的资源负载均衡的方法和设备 |
CN102394812A (zh) * | 2011-10-21 | 2012-03-28 | 南京邮电大学 | 一种认知网络自反馈动态自适应资源分配方法 |
CN102789542A (zh) * | 2012-06-27 | 2012-11-21 | 西安电子科技大学 | 基于多目标分布式估计的水火电系统负荷分配方法 |
CN102915355A (zh) * | 2012-10-11 | 2013-02-06 | 李英明 | 一种基于和声搜索和模拟退火的多处理机任务调度的方法 |
CN104239213A (zh) * | 2014-09-29 | 2014-12-24 | 北京航空航天大学 | 一种面向航天器自动化测试的并行测试任务两阶段调度方法 |
WO2015021540A1 (en) * | 2013-08-15 | 2015-02-19 | Zymeworks Inc. | Systems and methods for in silico evaluation of polymers |
CN105260232A (zh) * | 2015-11-06 | 2016-01-20 | 武汉纺织大学 | 一种实现云计算虚拟机内部资源优化配置的方法及系统 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN106527132A (zh) * | 2016-11-10 | 2017-03-22 | 华南理工大学 | 基于遗传模拟退火算法的蛇形机器人运动控制方法 |
CN107330174A (zh) * | 2017-06-21 | 2017-11-07 | 太原科技大学 | 一种基于遗传退火算法的轮毂电机优化方法 |
CN107548549A (zh) * | 2015-04-27 | 2018-01-05 | 微软技术许可有限责任公司 | 分布式计算环境中的资源平衡 |
CN107610012A (zh) * | 2017-09-22 | 2018-01-19 | 皇晓琳 | 一种选课和排课系统及其选课和排课方法 |
CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
CN108416523A (zh) * | 2018-03-08 | 2018-08-17 | 中国人民解放军陆军工程大学 | 任务调度方法、装置、电子设备及存储介质 |
CN109934405A (zh) * | 2019-03-12 | 2019-06-25 | 北京科技大学 | 基于模拟退火算法的有时限的多车型多车次路径规划方法 |
CN110321217A (zh) * | 2019-03-25 | 2019-10-11 | 深圳大学 | 一种多目标的云资源调度方法、装置、设备及存储介质 |
-
2019
- 2019-12-20 CN CN201911323495.0A patent/CN111176753B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070244673A1 (en) * | 2006-04-14 | 2007-10-18 | Deepak Khosla | Methods and apparatus for optimal resource allocation |
CN102063339A (zh) * | 2010-12-21 | 2011-05-18 | 北京高森明晨信息科技有限公司 | 基于云计算系统的资源负载均衡的方法和设备 |
CN102394812A (zh) * | 2011-10-21 | 2012-03-28 | 南京邮电大学 | 一种认知网络自反馈动态自适应资源分配方法 |
CN102789542A (zh) * | 2012-06-27 | 2012-11-21 | 西安电子科技大学 | 基于多目标分布式估计的水火电系统负荷分配方法 |
CN102915355A (zh) * | 2012-10-11 | 2013-02-06 | 李英明 | 一种基于和声搜索和模拟退火的多处理机任务调度的方法 |
WO2015021540A1 (en) * | 2013-08-15 | 2015-02-19 | Zymeworks Inc. | Systems and methods for in silico evaluation of polymers |
CN104239213A (zh) * | 2014-09-29 | 2014-12-24 | 北京航空航天大学 | 一种面向航天器自动化测试的并行测试任务两阶段调度方法 |
CN107548549A (zh) * | 2015-04-27 | 2018-01-05 | 微软技术许可有限责任公司 | 分布式计算环境中的资源平衡 |
CN105260232A (zh) * | 2015-11-06 | 2016-01-20 | 武汉纺织大学 | 一种实现云计算虚拟机内部资源优化配置的方法及系统 |
CN106156897A (zh) * | 2016-08-22 | 2016-11-23 | 武汉轻工大学 | 物流配送中最优路径规划模拟系统 |
CN106527132A (zh) * | 2016-11-10 | 2017-03-22 | 华南理工大学 | 基于遗传模拟退火算法的蛇形机器人运动控制方法 |
CN107330174A (zh) * | 2017-06-21 | 2017-11-07 | 太原科技大学 | 一种基于遗传退火算法的轮毂电机优化方法 |
CN107610012A (zh) * | 2017-09-22 | 2018-01-19 | 皇晓琳 | 一种选课和排课系统及其选课和排课方法 |
CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
CN108416523A (zh) * | 2018-03-08 | 2018-08-17 | 中国人民解放军陆军工程大学 | 任务调度方法、装置、电子设备及存储介质 |
CN109934405A (zh) * | 2019-03-12 | 2019-06-25 | 北京科技大学 | 基于模拟退火算法的有时限的多车型多车次路径规划方法 |
CN110321217A (zh) * | 2019-03-25 | 2019-10-11 | 深圳大学 | 一种多目标的云资源调度方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
陈丹: ""基于遗传聚类的社团发现算法研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
黄璐: ""基于遗传算法的云计算任务调度算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204398A (zh) * | 2021-05-27 | 2021-08-03 | 咪咕文化科技有限公司 | 应用程序子模块的确定方法、装置、电子设备及存储介质 |
CN113722292A (zh) * | 2021-08-30 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 分布式数据系统的应灾处理方法、装置、设备及存储介质 |
CN113722292B (zh) * | 2021-08-30 | 2024-02-09 | 深圳平安智慧医健科技有限公司 | 分布式数据系统的应灾处理方法、装置、设备及存储介质 |
CN115277044A (zh) * | 2022-05-17 | 2022-11-01 | 南京赛宁信息技术有限公司 | OpenStack加密链路节点分层方法与系统 |
CN115242626A (zh) * | 2022-07-21 | 2022-10-25 | 中国建设银行股份有限公司 | 云资源配置预估方法、装置、设备、存储介质及程序产品 |
CN115242626B (zh) * | 2022-07-21 | 2024-04-05 | 中国建设银行股份有限公司 | 云资源配置预估方法、装置、设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111176753B (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176753B (zh) | 云资源优化配置方法、装置、电子设备及可读存储介质 | |
CN110515739B (zh) | 深度学习神经网络模型负载计算方法、装置、设备及介质 | |
JP2018533807A5 (zh) | ||
CN111414987A (zh) | 神经网络的训练方法、训练装置和电子设备 | |
US20180203684A1 (en) | Staged application rollout | |
JP6570156B2 (ja) | データベースシステム最適化の方法、システム、電子装置及び記憶媒体 | |
US20080052692A1 (en) | System, Method and Computer Program Product for Checking a Software Entity | |
CN111984400A (zh) | 神经网络的内存分配方法及装置 | |
CN104281495A (zh) | 多核处理器共享高速缓存任务调度方法 | |
Peng et al. | Diversity vs. parallelism in distributed computing with redundancy | |
CN114265702A (zh) | 一种iSCSI服务负载均衡方法、装置、设备及介质 | |
CN114519006A (zh) | 测试方法、装置、设备以及存储介质 | |
CN113094899A (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN112418413A (zh) | 存储数据的装置和方法以及执行分组卷积运算的装置 | |
US9372636B1 (en) | Tiered-storage design | |
Petrou et al. | Optimization of a parallel permutation testing function for the SPRINT R package | |
CN112016611A (zh) | 生成器网络和策略生成网络的训练方法、装置和电子设备 | |
CN102549615A (zh) | 损失分布计算系统、损失分布计算方法和损失分布计算使用程序 | |
Li | Power grid simulation via efficient sampling-based sensitivity analysis and hierarchical symbolic relaxation | |
JP2008165694A (ja) | 連立一次方程式の求解処理方式 | |
CN114270341B (zh) | 一种数据属性的分组方法、装置、设备及存储介质 | |
CN111046620A (zh) | 计算系统以及设计与制造存储器系统的方法 | |
US20180365063A1 (en) | System allocating links for data packets in an electronic system | |
US20180011795A1 (en) | Information processing apparatus and cache information output method | |
CN111400377B (zh) | 一种目标数据集的确定方法及装置 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200703 Address after: 100085 Floor 102-1, Building No. 35, West Second Banner Road, Haidian District, Beijing Applicant after: Seashell Housing (Beijing) Technology Co.,Ltd. Address before: 300 280 Tianjin Economic and Technological Development Zone Nangang Industrial Zone Office Building C Block 1, Room 112, Unit 05 Applicant before: BEIKE TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |