CN111290853A - 一种基于自适应改进遗传算法的云数据中心调度方法 - Google Patents
一种基于自适应改进遗传算法的云数据中心调度方法 Download PDFInfo
- Publication number
- CN111290853A CN111290853A CN202010038159.8A CN202010038159A CN111290853A CN 111290853 A CN111290853 A CN 111290853A CN 202010038159 A CN202010038159 A CN 202010038159A CN 111290853 A CN111290853 A CN 111290853A
- Authority
- CN
- China
- Prior art keywords
- data center
- cloud data
- machine resource
- genetic algorithm
- probability
- 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
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- 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
- 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
- G06F2009/4557—Distribution of virtual machine instances; Migration and load balancing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提供了一种基于自适应改进遗传算法的云数据中心调度方法,通过采用双曲正切函数构造自适应律,分别对遗传算法交叉概率、变异概率数值及交叉算子及变异算子进行了自适应调整,使得当交叉、变异个体适应度趋于最大值时,该自适应律可提高个体的交叉、变异概率,即增大进化为更优个体的概率;当交叉、变异个体适应度趋于最小值时,该自适应律可降低个体的交叉、变异概率,即尽可能保留较优个体的基因;从而,有效提高了算法的收敛速度、稳定性和可靠性;通过仿真实验表明自适应改进后遗传算法具有很好的全局收敛性和稳定性,较大程度的降低了云数据中心的运营能耗及网络拥塞度。
Description
技术领域
本发明属于云数据中心资源调度技术领域,特别涉及一种基于自适应改进遗传算法的云数据中心调度方法。
背景技术
云计算是一种基于虚拟化技术的新型计算模式,它将大量用网络连接的不同数据中心的计算资源构成一个资源池,并根据用户对计算能力、存储空间、网络带宽及其他信息服务的需求而实现统一调度;因此,快速合理的对各种计算资源进行调度是云计算须解决的关键问题。
随着云计算产业的发展,国内外学者对云数据中心的研究方向已经从数据中心资源调度优化所关注的稳定性、安全可靠性,逐步转向如何通过资源调度优化来降低数据中心运营能耗及网络用塞度等问题。国内外学者诸多相关研究多以单一的能耗或负载均衡性为优化目标,但在资源调度任务数量或调度的实时性方面都存在局限性。
发明内容
针对现有技术中存在的技术问题,本发明提供了一种基于自适应改进遗传算法的云数据中心调度方法,以解决常规遗传算法容易陷入局部搜索而难以实现全局寻优的技术问题。
为达到上述目的,本发明采用的技术方案为:
本发明提供了一种基于自适应改进遗传算法的云数据中心调度方法,包括以下步骤:
S1、建立云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系;确定虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件;建立模型目标函数;
S2、设置交叉概率pc、变异概率pm及种群数量pop;
S3、采用浮点数编码,得到染色体编码;
S4、根据待分配的任务数量、种群大小,确定初始种群;并根据约束条件产生指定数量的可行解;
S5、根据模型目标函数,计算各染色体的拥塞度及能耗;并通过预设权重进行加权,得到各染色体的目标函数值;取目标函数值的倒数,得到适应度函数值;
S6、采用轮盘赌选择算子;
S7、采用染色体内双点交叉策略,按设定的交叉概率进行交叉操作,选择染色体内任意两个基因,判断基因互换之后物理机资源节点Nj的能力是否满足约束条件;
S8、采用染色体内单点交叉策略,按设定的变异概率进行变异操作,选择染色体任意一个基因,对其进行基因突变;
S9、采用双曲正切函数来构造交叉、变异概率的自适应律,使交叉、变异概率在极点处处于平缓变化,即完成云数据中心调度。
进一步的,步骤S1中,云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系如下式:
其中,aji为资源分配关系矩阵元素;
aji=1表示将编号为i的虚拟机资源需求分配给编号为j的物理机资源节点上;
aji=0表示没有将虚拟机资源需求Ti分配到物理机资源节点Nj上。
进一步的,步骤S1中,虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件为物理机资源节点Nj的计算能力Ncj、存储能力Nmj及网络带宽Nbj满足虚拟机资源需求Ti对其计算能力Tcj、存储能力Tmj及网络带宽Tbj的最小需求量。
进一步的,步骤S1中,模型目标函数包括资源节点利用率Nurj、平均资源占用率Noc、资源节点拥塞度目标函数f_crowd、运行能耗目标函数f_enecost及总目标函数F。
进一步的,资源节点利用率Nurj的数学表达式为:
其中,c1为虚拟机资源需求计算能力的利用率权重系数;
c2为虚拟机资源需求存储能力的利用率权重系数;
c3为虚拟机资源需求网络带宽的利用率权重系数;
平均资源占用率Noc的数学表达式为:
其中,n为物理机资源节点数量;
资源节点拥塞度目标函数f_crowd的数学表达式为:
运行能耗目标函数f_enecost的数学表达式为:
d1为虚拟机资源需求计算能力的能耗权重系数;
d2为虚拟机资源需求存储能力的能耗权重系数;
d3为虚拟机资源需求网络带宽的能耗权重系数;
总目标函数F的数学表达式为:
F=w1f_crowd+w2f_enecost
其中,w1为物理机资源节点网络拥塞度权重系数;w2为物理机资源节点运行耗能权重系数。
进一步的,步骤2中,交叉概率pc=0.2、变异概率pm=0.9及种群数量pop=50。
进一步的,步骤S6中,采用轮盘赌选择算子过程,具体包括以下步骤:
步骤S601、计算种群中每个个体的适应度f(xi),其中i=1,2,...,N,N为种群大小;
步骤S602、计算每个个体被遗传到下一代种群的中的概率P(xi);
步骤S603、计算每个个体的累计概率qi;
步骤S604、在[0,1]区间内产生一个均匀分布的伪随机数r;
步骤S605、若r<q[1],则选择个体1;否则,选择个体k,使得q[k-1]<r≤q[k]成立;
步骤S606、重复步骤S604、步骤S605,共N次。
进一步的,步骤S7中,当基因互换后物理机资源节点Nj的能力满足约束条件时,则进行交叉操作;否则,不进行交叉操作。
进一步的,步骤S9中,通过双曲正切函数构造交叉、变异概率的自适应律曲线,使得交叉、变异概率及交叉、变异算子实现自适应调整。
进一步的,物理机资源节点Nj与虚拟机资源需求Ti之间建立SLA(服务等级协议)。
与现有技术相比,本发明的有益效果为:
本发明提供了一种基于自适应改进遗传算法的云数据中心调度方法,采用双曲正切函数构造自适应律,分别对遗传算法交叉概率、变异概率数值及交叉算子及变异算子进行了自适应调整,使得当交叉、变异个体适应度趋于最大值时,该自适应律可提高个体的交叉、变异概率,即增大进化为更优个体的概率;当交叉、变异个体适应度趋于最小值时,该自适应律可降低个体的交叉、变异概率,即尽可能保留较优个体的基因;从而,有效提高了算法的收敛速度、稳定性和可靠性;通过仿真实验表明自适应改进后遗传算法具有很好的全局收敛性和稳定性,较大程度的降低了云数据中心的运营能耗及网络拥塞度。
附图说明
图1为本发明所述的基于自适应遗传算法的云数据中心调度方法流程图;
图2为本发明所述的基于自适应遗传算法云数据中心调度方法中各级别参数的平均相对偏差率趋势图;其中,图2a为交叉概率的平均相对偏差率趋势图;图2b为变异概率的平均相对偏差率;图2c为种群数量的平均相对偏差率趋势图;
图3为本发明所述的基于自适应遗传算法云数据中心调度方法中的染色体编码示意图;
图4为本发明所述的基于自适应遗传算法云数据中心调度方法中的轮盘赌选择示意图;
图5为本发明所述的基于自适应遗传算法云数据中心调度方法中的交叉算子示意图;
图6为本发明所述的基于自适应遗传算法云数据中心调度方法中的遗传算法交叉、变异自适应律曲线;
图7为本发明所述的基于自适应遗传算法云数据中心调度方法中的收敛曲线;其中,图7a为当物理机资源节点数为10,待分配任务为20时的自适应遗传算法的收敛曲线;图7b为当物理机资源节点数为10,待分配任务为40时的自适应遗传算法的收敛曲线;图7c为当物理机资源节点数为10,待分配任务为60时的自适应遗传算法的收敛曲线。
具体实施方式
下面将结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
本发明提供了一种基于自适应改进遗传算法的云数据中心调度方法,包括以下步骤:
如附图1所示,步骤1、建立云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系;确定虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件;建立模型目标函数;
本发明中采用矩阵A表示云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系,矩阵A为m×n维矩阵,矩阵A的表达式为:
其中,aji为资源分配关系矩阵元素;
aji=1表示将编号为i的虚拟机资源需求分配给编号为j的物理机资源节点上;
aji=0表示没有将虚拟机资源需求Ti分配到物理机资源节点Nj上;
云计算环境中存在两级资源调度:一级调度是指将用户的任务队列分配给虚拟机的过程;二级调度是指将虚拟机的计算资源、存储资源和网络资源分配给物理机的过程,本发明主要研究二级的资源调度问题;云计算环境下二级资源调度模型可用n个物理机资源节点和m个虚拟机资源需求来描述。
每个物理机资源节点和虚拟机资源需求分别由计算能力、存储能力、网络带宽三个元素构成。在计算、存储及网络带宽能力等条件的约束下,将物理机资源有效、合理地分配给虚拟机,实现较低能耗及网络拥塞度的资源调度是本研究的主要目的,以下是对物理机资源节点及虚拟机资源需求的描述:
物理机资源节点集合为:{N1,N2...Nj...Nm},Nj表示第j个物理机资源节点,第j个物理机资源节点的计算能力、存储能力及网络带宽分别用Ncj、Nmj及Nbj来表示;
虚拟机资源需求集合为:{T1,T2...Ti...Tm},Ti表示第i个虚拟机资源需求,第i个虚拟机资源需求的计算能力、存储能力及网络带宽分别用Tcj、Tmj及Tbj来表示;
虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件为:物理机资源节点Nj的计算能力Ncj、存储能力Nmj及网络带宽Nbj满足虚拟机资源需求Ti对其其计算能力Tcj、存储能力Tmj及网络带宽Tbj的最小需求量,其表达式如下:
Ncj≥Tcj,Nmj≥Tmj,Nbj≥Tbj (2)
模型目标函数包括资源节点利用率Nurj、平均资源占用率Noc、资源节点拥塞度目标函数f_crowd、运行能耗目标函数f_enecost及总目标函数F。
其中,资源节点利用率Nurj的数学表达式为:
其中:
c1为虚拟机资源需求计算能力的利用率权重系数;
c2为虚拟机资源需求存储能力的利用率权重系数;
c3为虚拟机资源需求网络带宽的利用率权重系数;
平均资源占用率Noc的数学表达式为:
其中,n为物理机资源节点数量;
资源节点拥塞度目标函数f_crowd的数学表达式为:
运行能耗目标函数f_enecost的数学表达式为:
d1为虚拟机资源需求计算能力的能耗权重系数;
d2为虚拟机资源需求存储能力的能耗权重系数;
d3为虚拟机资源需求网络带宽的能耗权重系数;
总目标函数F的数学表达式为:
F=w1f_crowd+w2f_enecost (7)
其中,w1为物理机资源节点网络拥塞度权重系数;w2为物理机资源节点运行耗能权重系数。
步骤2、设置交叉概率pc、变异概率pz及种群数量pop;
对于元启发式算法,参数的选择对实验结果有很大影响;为了充分发挥本发明所述的自适应改进遗传算法在云数据中心调度过程的性能,本发明选取交叉概率pc、变异概率pm及种群数量pop三个参数;
本发明采用直交法设计了AGA参数实验方法,通过多次实验,即可得到最佳趋势,比全因子法具有更大的可行性。AGA的参数和级别配置分别如表1所示;
根据参数的数量及其级别,选择L9(34)作为最合适的正交数组以满足最低设计要求;正交数组具有9种不同的参数级别组合,以获得更合理的结果,对每种算法对应的9种参数组分别运行30次。
为了验证参数级别对算法的影响,本发明记录了自适应改进遗传算法获得的最小目标函数值,并通过与所有算法的最佳已知解决方案的最小目标函数的相对百分比偏差RPD进行了比较;最小目标函数的相对百分比偏差RPD的公式如下:
其中,Obj是由给定算法在每个实例的30次运行中获得的最小目标函数值;
Obj*是与所有算法实例相对应的最小目标函数值;
因此,平均相对偏差率ARPD可以从上述公式中得出,作为性能统计数据。
对于AGA,相应的正交数组L9(34)和每个参数的趋势分别表示在表2中,通过表3根据有效程度对交叉概率pc、变异概率pm及种群数量pop三个参数进行排序,得到变异概率pm为第一,交叉概率pc为第二,种群数量pop为第三;根据附图2中的交叉概率pc、变异概率pm及种群数量pop和相应的平均相对偏差率ARPD趋势图,获得上述交叉概率pc、变异概率pm及种群数量pop三个参数的良好组合,即交叉概率pc=0.9、变异概率pm=0.2及种群数量pop=50。
表1.自适应遗传算法正交阵L9(34)的参数和等级
表2.自适应遗传算法正交阵列L9(34)的平均相对偏差率
表3.自适应遗传算法各参数的平均相对偏差等级
步骤3、本发明中采用浮点数编码,把问题空间的参数转换成遗传空间的的由基因按一定结构组成的染色体或个体,采用浮点数编码便于处理决策变量的约束条件,可大幅提升运算效率。具体如下:
对于一组数量为m的虚拟机资源需求,其物理机资源节点数量为n;其编码方式为[n1,n2,...nj];其中,nj为编号为m的虚拟机资源需求分配到物理机资源节点nj;
如附图3所示,假设m=9,n=5,染色体编码方式情况如附图3所示;其中,x(1,2...m)为组成染色体的m个基因;nj(j=1,2...n)为物理机资源节点编号,nj∈(1,2,3,4,5);
步骤4、根据虚拟机资源需求及物理机资源节点的数量,通过正交阵列L9(34)试验,确定最佳初始种群数量,并根据约束条件随机产生指定数量的可行解;以期通过自适应遗传算法在可行解中实现全局寻优,找到最优解;
步骤5、根据模型目标函数,计算各染色体的拥塞度及能耗;并通过预设权重进行加权,得到各染色体的目标函数值;取目标函数值的倒数,得到适应度函数值;
步骤6、采用轮盘赌选择算子;轮盘赌选择是遗传算法中使用最多的选择算子之一,个体被选中的概率与其适应度函数值的大小成正比,充分体现出遗传算法的特点,如附图4所示;具体包括以下步骤:
步骤61、计算种群中每个个体的适应度f(xi),其中i=1,2,...,N,N为种群大小;
步骤62、计算每个个体被遗传到下一代种群的中的概率P(xi);
步骤63、计算每个个体的累计概率qi,qi为染色体xi,(i=1,2,...n)的累计概率;
步骤64、在[0,1]区间内产生一个均匀分布的伪随机数r;
步骤65、若r<q[1],则选择个体1;否则,选择个体k,使得q[k-1]<r≤q[k]成立;
步骤66、重复步骤64、步骤65,共N次。
步骤7、采用染色体内双点交叉策略,按设定的交叉概率进行交叉操作,选择染色体内任意两个基因,判断基因互换之后物理机资源节点Nj的能力是否满足约束条件;当基因互换后物理机资源节点Nj的能力满足约束条件时,则进行交叉操作;否则,不进行交叉操作,如附图5所示;
步骤8、采用染色体内单点交叉策略,按设定的变异概率进行变异操作,选择染色体任意一个基因,对其进行基因突变;
步骤9、采用双曲正切函数来构造交叉、变异概率的自适应律,使交叉、变异概率在极点处处于平缓变化,即完成云数据中心调度;
其中,Fmax为种群中最大适应度;Favg为种群平均适应度;Fc为执行交叉操作的两个个体适应度中的较大值;Fm为执行变异操作个体的适应度;Pcmax、Pcmin、Pmmax及Pmmin分别为交叉概率、变异概率取值的上、下限;CrossoverSingle-Point为单点交叉算子;CrossoverPartial-Mapped为局部交叉算子;MutationSingle-Point为单点变异算子;MutationMultiple-Point为多点变异算子。
其中,公式(9)、公式(10)分别为交叉概率和变异概率自适应调整的取值计算公式,公式(11)、公式(12)分别为交叉及变异算子的自适应表达式。通过附图6中遗传算法交叉、变异自适应律曲线图,可以看出当交叉、变异个体适应度趋于平均值时,该自适应律可提高个体的交叉、变异概率,即增大进化为更优个体的概率;当交叉、变异个体适应度趋于最大值时,该自适应律可降低个体的交叉、变异概率,即尽可能保留较优个体的基因。
仿真实验设计及结果分析
参考附图7所示,对自适应遗传算法进行了实验分析,实验结果如下:
(1)如附图7a所示,当物理机资源节点数为10,待分配任务为20时,本发明所述的自适应遗传算法的收敛曲线如附图7a所示,可看出,当迭代至25次时,曲线开始收敛,当迭代到50次时,算法收敛曲线趋于稳定,目标函数值为0.1512,其能耗指标为0.2159,拥挤指标为0.05051。
(2)如附图7b所示,当物理机资源节点数为10,待分配任务为40时,本发明所述的自适应遗传算法的收敛曲线如附图7b所示,可看出,当迭代至50次时,曲线开始收敛,当迭代到100次时,算法收敛曲线趋于稳定,目标函数值为0.1517,其相对应的能耗指标为0.2160,拥挤指标为0.05220。
(3)如附图7c所示,当物理机资源节点数为10,待分配任务为60时,本发明所述的自适应遗传算法的收敛曲线,可看出,当迭代至50次时,曲线开始收敛,当迭代到100次时,算法收敛曲线趋于稳定,目标函数值为0.1519,其相对应的能耗指标为0.2161,拥挤指标为0.05320。
本发明所述的一种基于自适应改进遗传算法的云数据调度方法,基于SLA(服务等级协议),以能耗及网络拥塞度为目标建立了调度优化的数学模型,采用了改进遗传算法来解决云数据中心的资源调度问题;本发明中设定了一组资源节点与三组不同数量的待分配任务队列,通过Matlab平台分别实现了基于自适应改进遗传算法的资源调度分配及优化;针对常规遗传算法容易陷入局部搜索从而难以全局寻优且能耗、拥塞度指标过高的问题,本发明中采用双曲正切函数对交叉、变异概率及交叉算子、变异算子分别进行了自适应调整;提高了算法的收敛速度、稳定性和可靠性;仿真实验表明:自适应改进后遗传算法具有很好的全局收敛性和稳定性,较大程度的降低了云数据中心的运营能耗及网络拥塞度。
本发明所述的一种基于自适应改进遗传算法的云数据中心调度方法,以能耗及网络拥塞度为目标,建立了云计算数据中心的资源分配机制及策略,实现了虚拟机资源需求与物理机资源节点之间的资源调度优化,对常规遗传算法容易陷入局部搜索从而难以全局寻优的问题,本发明通过自适应调整策略,分别对交叉及变异过程中的交叉概率、变异概率数值、交叉算子与变异算子进行了自适应调整。
自适应交叉概率是随着进化过程的进行自适应调整的,在进化的开始阶段,交叉概率要选的大一些,这样的粗略搜索过程有利于保持种群的多样性,而在后期,则需要进行细致搜索,防止破化最优解,加快收敛速度。
自适应的变异概率一般采取从大到小的变化方式。这样,在开始阶段进行广泛搜索可以保持种群的多样性,在将要结束时进行细致搜索可以防止最优解被破坏。另外,在优化过程中,多次进行从广泛搜索到细致搜索的操作,利用这种方法可以使得算法既能保证搜索的全面性和精确性,也可以很快的跳出局部最优,从而更快更好地收敛到全局最优,经过实验证明,这种变异方法与以往的自适应算法相比较,在收敛速度、收敛精度上都有很大的提高,尤其对于多峰函数更加有效。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,包括以下步骤:
S1、建立云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系;确定虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件;建立模型目标函数;
S2、设置交叉概率pc、变异概率pm及种群数量pop;
S3、采用浮点数编码,得到染色体编码;
S4、根据待分配的任务数量、种群大小,确定初始种群;并根据约束条件产生指定数量的可行解;
S5、根据模型目标函数,计算各染色体的拥塞度及能耗;并通过预设权重进行加权,得到各染色体的目标函数值;取目标函数值的倒数,得到适应度函数值;
S6、采用轮盘赌选择算子;
S7、采用染色体内双点交叉策略,按设定的交叉概率进行交叉操作,选择染色体内任意两个基因,判断基因互换之后物理机资源节点Nj的能力是否满足约束条件;
S8、采用染色体内单点交叉策略,按设定的变异概率进行变异操作,选择染色体任意一个基因,对其进行基因突变;
S9、采用双曲正切函数来构造交叉、变异概率的自适应律,使交叉、变异概率在极点处处于平缓变化,即完成云数据中心调度。
3.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,步骤S1中,虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件为物理机资源节点Nj的计算能力Ncj、存储能力Nmj及网络带宽Nbj满足虚拟机资源需求Ti对其计算能力Tcj、存储能力Tmj及网络带宽Tbj的最小需求量。
4.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,步骤S1中,模型目标函数包括资源节点利用率Nurj、平均资源占用率Noc、资源节点拥塞度目标函数f_crowd、运行能耗目标函数f_enecost及总目标函数F。
5.根据权利要求4所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,资源节点利用率Nurj的数学表达式为:
其中,c1为虚拟机资源需求计算能力的利用率权重系数;
c2为虚拟机资源需求存储能力的利用率权重系数;
c3为虚拟机资源需求网络带宽的利用率权重系数;
平均资源占用率Noc的数学表达式为:
其中,n为物理机资源节点数量;
资源节点拥塞度目标函数f_crowd的数学表达式为:
运行能耗目标函数f_enecost的数学表达式为:
d1为虚拟机资源需求计算能力的能耗权重系数;
d2为虚拟机资源需求存储能力的能耗权重系数;
d3为虚拟机资源需求网络带宽的能耗权重系数;
总目标函数F的数学表达式为:
F=w1f_crowd+w2f_enecost
其中,w1为物理机资源节点网络拥塞度权重系数;w2为物理机资源节点运行耗能权重系数。
6.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,步骤2中,交叉概率pc=0.2、变异概率pm=0.9及种群数量pop=50。
7.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,步骤S6中,采用轮盘赌选择算子过程,具体包括以下步骤:
步骤S601、计算种群中每个个体的适应度f(xi),其中i=1,2,...,N,N为种群大小;
步骤S602、计算每个个体被遗传到下一代种群的中的概率P(xi);
步骤S603、计算每个个体的累计概率qi;
步骤S604、在[0,1]区间内产生一个均匀分布的伪随机数r;
步骤S605、若r<q[1],则选择个体1;否则,选择个体k,使得q[k-1]<r≤q[k]成立;
步骤S606、重复步骤S604、步骤S605,共N次。
8.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,步骤S7中,当基因互换后物理机资源节点Nj的能力满足约束条件时,则进行交叉操作;否则,不进行交叉操作。
9.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,步骤S9中,通过双曲正切函数构造交叉、变异概率的自适应律曲线,使得交叉、变异概率及交叉、变异算子实现自适应调整。
10.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法,其特征在于,物理机资源节点Nj与虚拟机资源需求Ti之间建立SLA(服务等级协议)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038159.8A CN111290853B (zh) | 2020-01-14 | 2020-01-14 | 一种基于自适应改进遗传算法的云数据中心调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010038159.8A CN111290853B (zh) | 2020-01-14 | 2020-01-14 | 一种基于自适应改进遗传算法的云数据中心调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111290853A true CN111290853A (zh) | 2020-06-16 |
CN111290853B CN111290853B (zh) | 2023-06-23 |
Family
ID=71021219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010038159.8A Active CN111290853B (zh) | 2020-01-14 | 2020-01-14 | 一种基于自适应改进遗传算法的云数据中心调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111290853B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528088A (zh) * | 2022-04-25 | 2022-05-24 | 北京航天驭星科技有限公司 | 卫星检测任务的处理方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881549A (zh) * | 2015-06-11 | 2015-09-02 | 北京航空航天大学 | 一种包含无关项的Reed-Muller逻辑电路的功耗优化方法 |
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
CN108184241A (zh) * | 2017-12-19 | 2018-06-19 | 重庆工商大学 | 面向不同优先级目标的异构有向传感器网络节点调度方法 |
US20190080240A1 (en) * | 2017-09-08 | 2019-03-14 | SparkCognition, Inc. | Execution of a genetic algorithm with variable evolutionary weights of topological parameters for neural network generation and training |
CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
-
2020
- 2020-01-14 CN CN202010038159.8A patent/CN111290853B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881549A (zh) * | 2015-06-11 | 2015-09-02 | 北京航空航天大学 | 一种包含无关项的Reed-Muller逻辑电路的功耗优化方法 |
CN106777527A (zh) * | 2016-11-24 | 2017-05-31 | 上海市特种设备监督检验技术研究院 | 基于神经网络模型的起重机小车运行能耗分析方法 |
US20190080240A1 (en) * | 2017-09-08 | 2019-03-14 | SparkCognition, Inc. | Execution of a genetic algorithm with variable evolutionary weights of topological parameters for neural network generation and training |
CN108184241A (zh) * | 2017-12-19 | 2018-06-19 | 重庆工商大学 | 面向不同优先级目标的异构有向传感器网络节点调度方法 |
CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
Non-Patent Citations (4)
Title |
---|
C. HERVÁS-MARTÍNEZ: "Hyperbolic Tangent Basis Function Neural Networks Training by Hybrid Evolutionary Programming for Accurate Short-Term Wind Speed Prediction", 《 2009 NINTH INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS DESIGN AND APPLICATIONS》 * |
田贵超: "改进型自适应遗传算法的研究", 《万方学位论文数据库》 * |
苏凯: "一种QoS感知的服务全局优化选择算法", 《华中科技大学学报(自然科学版)》 * |
陈明杰等: "改进自适应遗传算法在函数优化中的应用研究", 《哈尔滨工程大学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114528088A (zh) * | 2022-04-25 | 2022-05-24 | 北京航天驭星科技有限公司 | 卫星检测任务的处理方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111290853B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846472A (zh) | 一种自适应遗传粒子群混合算法的优化方法 | |
CN112286677B (zh) | 一种面向资源受限边缘云的物联网应用优化部署方法 | |
CN112346839B (zh) | 一种基于进化算法的关联任务调度方法 | |
CN112181598B (zh) | 基于改进遗传算法的云计算任务调度方法 | |
CN109600178A (zh) | 一种边缘计算中能耗与时延和最小化的优化方法 | |
CN110717300A (zh) | 面向电力物联实时在线监测业务的边缘计算任务分配方法 | |
CN111813506A (zh) | 一种基于粒子群算法资源感知计算迁移方法、装置及介质 | |
CN113992677A (zh) | 一种延迟与能耗联合优化的mec计算卸载方法 | |
CN114741955A (zh) | 一种基于安全云的多目标优化任务调度方法 | |
CN116107692A (zh) | 动态融合遗传算法的边缘容器多目标蚁群优化调度方法 | |
CN112926785A (zh) | 支撑电力大数据的云数据中心负载优化调度方法 | |
CN111290853B (zh) | 一种基于自适应改进遗传算法的云数据中心调度方法 | |
Zhou et al. | Deep reinforcement learning-based algorithms selectors for the resource scheduling in hierarchical cloud computing | |
CN113139639B (zh) | 一种基于mombi面向智慧城市应用多目标计算迁移方法和装置 | |
CN109889573B (zh) | 混合云中基于ngsa多目标的副本放置方法 | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
CN111047040A (zh) | 基于IFPA算法的Web服务组合方法 | |
Mo et al. | Multi-objective cross-layer resource scheduling for internet of things in edge-cloud computing | |
CN107911763B (zh) | 一种基于QoS的智能配用电通信网EPON网络规划方法 | |
CN113285832B (zh) | 基于nsga-ii的电力多模态网络资源优化分配方法 | |
CN112954022A (zh) | 一种基于智能变电站的多并发实时通信方法及装置 | |
Zhou | A heuristic task scheduling strategy for intelligent manufacturing in the big data-driven fog computing environment | |
Tang et al. | Grid task scheduling strategy based on differential evolution-shuffled frog leaping algorithm | |
Liu et al. | A new task scheduling strategy based on improved ant colony algorithm in IaaS layer |
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 |