CN112631612B - 一种基于遗传算法的kubernetes云平台配置的优化方法 - Google Patents

一种基于遗传算法的kubernetes云平台配置的优化方法 Download PDF

Info

Publication number
CN112631612B
CN112631612B CN202011410431.7A CN202011410431A CN112631612B CN 112631612 B CN112631612 B CN 112631612B CN 202011410431 A CN202011410431 A CN 202011410431A CN 112631612 B CN112631612 B CN 112631612B
Authority
CN
China
Prior art keywords
pod
instance
resource
crossing
vector
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
CN202011410431.7A
Other languages
English (en)
Other versions
CN112631612A (zh
Inventor
王翱宇
傅伟凯
才振功
苌程
丁轶群
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.)
Hangzhou Harmonycloud Technology Co Ltd
Original Assignee
Hangzhou Harmonycloud Technology 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 Hangzhou Harmonycloud Technology Co Ltd filed Critical Hangzhou Harmonycloud Technology Co Ltd
Priority to CN202011410431.7A priority Critical patent/CN112631612B/zh
Publication of CN112631612A publication Critical patent/CN112631612A/zh
Application granted granted Critical
Publication of CN112631612B publication Critical patent/CN112631612B/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
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • 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
    • 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

Landscapes

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

Abstract

本发明公开一种基于遗传算法的kubernetes云平台配置的优化方法，该方法通过改进的遗传算法结合了基于相似度匹配的调度算法，实现了集群实例配置的优化，为云平台使用者节省了基础设施成本，并提高了集群的整体资源利用率。

Description

一种基于遗传算法的kubernetes云平台配置的优化方法
技术领域
本发明涉及kubernetes云平台的应用领域，具体涉及一种基于遗传算法的kubernetes云 平台配置的优化方法。
背景技术
容器产品的竞争逐渐从Kubernetes的基础产品能力竞争向Kubernetes的成本优化等全生 命周期领域竞争，结合Kubernetes的降本提效能力也逐渐成为企业上云和搬站的核心能力。 AWS在云计算的成本优化有较多的最佳实践，并初步提出了面向K8s的成本优化建议，主要 考虑弹性和价格模型等一些初步的摸索。
云平台提供了多种多样的云服务器实例，它们的规格、各方面的性能以及一些特殊的资 源(GPU等)有所差别，不同的实例因这些差别有了不同的定价。云平台使用者如何配置自 己所需的服务器实例、优化自己的集群结构以降低成本是一大难题。
发明内容
针对现有技术的不足，本发明提出一种基于遗传算法的kubernetes云平台配置的优化方 法，该方法基于遗传算法搜索在满足服务质量的前提下的集群节点配置和容器部署的最优解， 从而有效地提高了kubernetes集群的利用率，降低了云平台使用者的成本。
本发明的目的通过如下的技术方案来实现；
一种基于遗传算法的kubernetes云平台配置的优化方法，具体包括如下步骤：
S1：定义Pod的资源请求向量；
S2：定义服务器实例的剩余资源向量，所述剩余资源由可用资源减去目前分配到此实例 的Pod的资源请求量得到；且所述剩余资源向量的排序方式与所述资源请求向量相同；
S3：进行编码，具体包括：
S3.1：对不同的实例类型使用自然数进行编号；
S3.2：对集群中的Pod进行编号，其中，被同一个kubernetes副本控制器管理的多个Pod 具有相同的编号；
S3.3：对基因按照组的形式进行编码，其中，每个组用用一个数字代表其实例类型，然 后用一组数字代表部署在实例之上的Pod；
S4：生成初始种群；
S4.1：生成一个随机数m∈[1,n]作为实例数量，其中n表示集群中不同类型Pod的总数；
S4.2：生成一个随机数x∈[1,NInstanceType]，取编号为x的实例类型放入基因内，重复m次， 得到一个长度为m的实例组x1,x2,…,xm；
S4.3：采用以下匹配算法将n个Pod放入实例组中：
(1)计算未放置到实例中的Pod的资源请求向量与所有实例的剩余资源向量之间的相似 度，然后根据相似度降序排序形成Pod与实例的相似度降序配对序列；
(2)从相似度降序配对序列中取出第一个配对，如果配对中实例的剩余资源足够容纳此 Pod，那么将此Pod放到此实例上，更新这个实例的剩余资源向量 Resourceremaining＝Resourceremaining-Resourcerequest，然后更新所有未放置Pod与这一实例的皮尔逊 系数，然后更新相似度降序配对序列；如果配对中实例的剩余资源并不能容纳此Pod，则从 相似度降序配对序列中去掉这一配对；
(3)重复执行步骤(2)，直到所选实例无法放下Pod或所有Pod都被放到实例中时结束， 结果作为生成的基因；
S4.5：重复步骤S4.1～S4.3共S次，得到S个不同的实例推荐-Pod部署方案，构成初始 染色体种群；
S5：通过下式计算适应度函数Fitness
Fitness＝ResourceUtility*RlaceRate
Figure BDA0002816365240000021
Figure BDA0002816365240000022
其中，ResouceUtility表示当前资源利用率，PlaceRate表示Pod成功放置率，W表示不 同资源的价值W＝[w1，w2，...，wnr]，nr表示资源向量的维数，Xi表示第i个Pod的资源请求 向量，Yj表示实例j的剩余资源向量，pi为中间变量；
S6：采用选择函数从S个不同的实例推荐-Pod部署方案中有放回地选择出S个方案；
S7：将S6选出的S个方案以交叉概率Pc作为父个体参与交叉，以1-Pc的概率直接保留； 所述交叉具体如下：
S7.1：从参与交叉的方案中取两个作为父个体；
S7.2：使用任意交叉算法选择实例作为交叉实例，
S7.3：将父个体2中参与交叉的实例替代掉父个体1中参与交叉的实例；
S7.4：删除因交叉而重复出现的Pod；
S7.5：将未放置的Pod以S4.3的匹配算法放置到各实例中，形成子个体1；此处未放置 的Pod包括S4.3中未放置Pod、交叉后丢失Pod、S7.4中删除的Pod；
S7.6：交换两个父个体，重复步骤S7.2～S7.4，形成子个体2；
S7.7：重复S7.1～S7.6，直至所有参与交叉的方案均生成子个体为止，由交叉组成的子个 体和直接保留的个体组成新种群，也是S个；
S8：对S7生成的新种群中的每一个方案进行变异，当存在实例上的Pod变为未放置状 态或存在原本就未能放置的Pod，则再次使用S4.3的匹配算法将其放置到各实例中；
S9：不断重复S5～S8，并将S8生成的结果作为S5的输入，当迭代次数达到设定的阈值 或者当前资源利用率高于设定的阈值即停止算法；选取最终种群中Pod成功放置率PlaceRate 为1并且资源利用率最高的方案作为最终方案。
进一步地，所述S6中的选择函数为轮盘赌选择算法。
进一步地，所述S8中中的变异具体为采用相同的概率选择如下几种操作进行变异：不变 异、随机删除任一实例、随机替换任一实例为一个其他的实例、添加一个新的随机实例。
进一步地，所述S7中的交叉选用单点交叉，此时S7.2和S7.3具体为：
S7.2：对两个父个体随机选择一个实例作为交叉点；
S7.3：将父个体2交叉点后的实例替代掉父个体1交叉点后的实例；
进一步地，所述S4.3中的相似度具体为计算皮尔逊系数。
本发明的有益效果如下：
(1)本发明的基于遗传算法的kubernetes云平台配置的优化方法，对遗传算法作了改进， 使其可以较好地处理变长的染色体，与此同时结合基于皮尔逊系数的匹配算法实现了容器的 放置；
(2)本发明的方法基于遗传算法搜索在满足服务质量的前提下的集群节点配置和容器部 署的最优解，从而有效地提高了kubernetes集群的利用率，降低了云平台使用者的成本。
附图说明
图1为本发明的方法的流程图；
图2为遗传算法基因编码示例图。
具体实施方式
下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应 当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
首先对本发明的方法涉及到的技术术语进行解释：
云计算平台：也称为云平台，是指基于硬件资源和软件资源的服务，提供计算、网络和 存储能力。云计算平台可以划分为3类：以数据存储为主的存储型云平台，以数据处理为主 的计算型云平台以及计算和数据存储处理兼顾的综合云计算平台。
kubernetes：简称K8s，是一个开源的，用于管理云平台中多个主机上的容器化的应用， Kubernetes的目标是让部署容器化的应用简单并且高效(powerful),Kubernetes提供了应用部 署，规划，更新，维护的一种机制。
Pod：是可以在Kubernetes中创建和管理的、最小的可部署的计算单元。
如图1所示，本发明的基于遗传算法的kubernetes云平台配置的优化方法，包括如下步 骤：
S1：定义Pod的资源请求向量；
cpu、内存可以使用K8s中Pod配额request值作为Pod所需的cpu、内存资源量；网络带宽、磁盘空间、I/O速率等可以使用历史数据的峰值作为所需资源量。那么Pod所需的资源量组成Pod的资源请求向量：[cpu request,内存request,网络请求速率峰值,…]，用Xi表示Pod i的资源请求向量。
S2：定义服务器实例的剩余资源向量，所述剩余资源由服务器有固定的可用资源减去目 前分配到此实例的Pod的资源请求量得到。由剩余资源按照和Pod资源请求向量相同的顺序 组成剩余资源向量：[cpu剩余资源,内存剩余资源,网络带宽剩余,…]，用Yj表示实例j的剩 余资源向量。
S3：进行编码，具体包括：
S3.1：对不同的实例类型使用自然数进行编号；
用NInstanceType表示云资源提供商提供的不同类型实例数量，每种不同的实例都可以使用 [1,NInstanceType]中的一个数来表示。实例类型代表了云资源提供商提供的实例，不同类型的实 例会有不同的资源数量，如cpu数量、内存大小等有所区别，具有相同编号的两台实例拥有 相同数量的资源。
S3.2：对集群中的Pod进行编号，其中，被同一个kubernetes副本控制器管理的多个Pod 具有相同的编号；
用NContainerType表示集群中不同类型Pod的总数，每种不同的Pod使用[1,NContainerType]中的 一个数表示。Pod编号用于区分集群中不同的Pod，通常Pod的直接管理者是不同类型的副 本控制器，被同一个副本控制器管理的多个Pod具有相同的编号。
S3.3：对基因按照组的形式进行编码，其中，每个组用用一个数字代表其实例类型，然 后用一组数字代表部署在实例之上的Pod；
如图2所示，给出一个示例，基因由四台节点实例组成，其中两台类型为1，一台为2， 一台为3。在每个节点实例上部署了Pod，在第一台上部署了类型为1、3、5的三个Pod，其他节点类似。
S4：生成初始种群；
S4.1：生成一个随机数m∈[1,n]作为实例数量，其中n表示集群中不同类型Pod的总数；
S4.2：生成一个随机数x∈[1,NInstanceType]，取编号为x的实例类型放入基因内，重复m次， 得到一个长度为m的实例组x1,x2,…,xm；
S4.3：采用以下匹配算法将n个Pod放入实例组中：
(1)计算未放置到实例中的Pod的资源请求向量与所有实例的剩余资源向量之间的相似 度(作为其中一种实施方式，这里选择计算皮尔逊系数)，然后根据皮尔逊系数降序排序形成 Pod与实例的皮尔逊降序配对序列；
(2)从皮尔逊降序配对序列中取出第一个配对，如果配对中实例的剩余资源足够容纳此 Pod，那么将此Pod放到此实例上，更新这个实例的剩余资源向量 Resourceremaining＝Resourceremaining-Resourcerequest，然后更新所有未放置Pod与这一实例的皮尔逊 系数，然后更新皮尔逊降序配对序列；如果配对中实例的剩余资源并不能容纳此Pod，则从 皮尔逊降序配对序列中去掉这一配对；
(3)重复执行步骤(2)，直到所选实例无法放下Pod或所有Pod都被放到实例中时结束， 结果作为生成的基因；
(4)重复步骤(1)～(3)共S次，得到S个不同的实例推荐-Pod部署方案，构成初始染色体种群；
S5：通过下式计算适应度函数Fitness
Fitness＝ResourceUtility*RlaceRate
Figure BDA0002816365240000051
Figure BDA0002816365240000061
其中，ResouceUtility表示当前资源利用率，PlaceRate表示Pod成功放置率(因为生成的 方案会有部分Pod无法放置的情况)，W表示不同资源的价值W＝[w1，w2，...，wnr]，nr表示 资源向量的维数，Xi表示第i个Pod的资源请求向量，Yj表示实例j的剩余资源向量，pi为中 间变量；
S6：采用选择函数从S个不同的实例推荐-Pod部署方案中有放回地选择出S个方案；
这里的选择函数优选轮盘赌算法，其他的选择函数，如随机竞争选择、最佳保留选择等 选择算法也可以。
S7：将S6选出的S个方案以交叉概率Pc作为父个体参与交叉，以1-Pc的概率直接保留； 所述交叉可以采用任意的交叉算法，这里以单点交叉为例进行展开：
S7.1：从参与交叉的方案中取两个作为父个体；
S7.2：对两个父个体随机选择一个实例作为交叉点；
S7.3：将父个体2交叉点后的实例替代掉父个体1交叉点后的实例；
S7.4：删除因交叉而重复出现的Pod；
S7.5：将未放置的Pod以S4.3的匹配算法放置到各实例中，形成子个体1；此处未放置 的Pod包括S4.3中未放置Pod、交叉后丢失Pod、S7.4中删除的Pod；
S7.6：交换两个父个体，重复步骤S7.2～S7.4，形成子个体2；
S7.7：重复S7.1～S7.6，直至所有参与交叉的方案均生成子个体为止，由交叉组成的子个 体和直接保留的个体组成新种群，也是S个；
S8：对S7生成的新种群中的每一个方案进行变异，当存在实例上的Pod变为未放置状 态或存在原本就未能放置的Pod，则再次使用S4.3的匹配算法将其放置到各实例中；
这里给出一种变异的方式，即采用相同的概率选择如下几种操作：不变异、随机删除任 一实例、随机替换任一实例为一个其他的实例、添加一个新的随机实例。
S9：不断重复S5～S8，并将S8生成的结果作为S5的输入，当迭代次数达到设定的阈值 或者当前资源利用率高于设定的阈值即停止算法；选取最终种群中Pod成功放置率PlaceRate 为1并且资源利用率最高的方案作为最终方案。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明， 尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前 述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精 神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (5)

1.一种基于遗传算法的kubernetes云平台配置的优化方法，其特征在于，该方法具体包括如下步骤：
S1：定义Pod的资源请求向量；
S2：定义服务器实例的剩余资源向量，所述剩余资源由可用资源减去目前分配到此实例的Pod的资源请求量得到；且所述剩余资源向量的排序方式与所述资源请求向量相同；
S3：进行编码，具体包括：
S3.1：对不同的实例类型使用自然数进行编号；
S3.2：对集群中的Pod进行编号，其中，被同一个kubernetes副本控制器管理的多个Pod具有相同的编号；
S3.3：对基因按照组的形式进行编码，其中，每个组用一个数字代表其实例类型，然后用一组数字代表部署在实例之上的Pod；
S4：生成初始种群；
S4.1：生成一个随机数m∈[1,n]作为实例数量，其中n表示集群中不同类型Pod的总数；
S4.2：生成一个随机数x∈[1,NInstanceType]，取编号为x的实例类型放入基因内，重复m次，得到一个长度为m的实例组x1,x2,…,xm；
S4.3：采用以下匹配算法将n个Pod放入实例组中：
（1）计算未放置到实例中的Pod的资源请求向量与所有实例的剩余资源向量之间的相似度，然后根据相似度降序排序形成Pod与实例的相似度降序配对序列；
（2）从相似度降序配对序列中取出第一个配对，如果配对中实例的剩余资源足够容纳此Pod，那么将此Pod放到此实例上，更新这个实例的剩余资源向量Resourceremaining=Resourceremaining-Resourcerequest，然后更新所有未放置Pod与这一实例的皮尔逊系数，然后更新相似度降序配对序列；如果配对中实例的剩余资源并不能容纳此Pod，则从相似度降序配对序列中去掉这一配对；
（3）重复执行步骤（2），直到所选实例无法放下Pod或所有Pod都被放到实例中时结束，结果作为生成的基因；
S4.5：重复步骤S4.1~S4.3共S次，得到S个不同的实例推荐-Pod部署方案，构成初始染色体种群；
S5：通过下式计算适应度函数Fitness
Figure 307751DEST_PATH_IMAGE002
Figure 287208DEST_PATH_IMAGE004
Figure 535787DEST_PATH_IMAGE006
其中，ResouceUtility表示当前资源利用率，PlaceRate表示Pod成功放置率，W表示不同资源的价值
Figure DEST_PATH_IMAGE007
，nr表示资源向量的维数，Xi表示第i个Pod的资源请求向量，Yj表示实例j的剩余资源向量，pi为中间变量；
S6：采用选择函数从S个不同的实例推荐-Pod部署方案中有放回地选择出S个方案；
S7：将S6选出的S个方案以交叉概率Pc作为父个体参与交叉，以1-Pc的概率直接保留；所述交叉具体如下：
S7.1：从参与交叉的方案中取两个作为父个体；
S7.2：使用任意交叉算法选择实例作为交叉实例，
S7.3：将父个体2中参与交叉的实例替代掉父个体1中参与交叉的实例；
S7.4：删除因交叉而重复出现的Pod；
S7.5：将未放置的Pod以S4.3的匹配算法放置到各实例中，形成子个体1；此处未放置的Pod包括S4.3中未放置Pod、交叉后丢失Pod、S7.4中删除的Pod；
S7.6：交换两个父个体，重复步骤S7.2~S7.4，形成子个体2；
S7.7：重复S7.1~S7.6，直至所有参与交叉的方案均生成子个体为止，由交叉组成的子个体和直接保留的个体组成新种群，也是S个；
S8：对S7生成的新种群中的每一个方案进行变异，当存在实例上的Pod变为未放置状态或存在原本就未能放置的Pod，则再次使用S4.3的匹配算法将其放置到各实例中；
S9：不断重复S5~S8，并将S8生成的结果作为S5的输入，当迭代次数达到设定的阈值或者当前资源利用率高于设定的阈值即停止算法；选取最终种群中Pod成功放置率
Figure 586788DEST_PATH_IMAGE008
为1并且资源利用率最高的方案作为最终方案。
2.根据权利要求1所述的基于遗传算法的kubernetes云平台配置的优化方法，其特征在于，所述S6中的选择函数为轮盘赌选择算法。
3.根据权利要求1所述的基于遗传算法的kubernetes云平台配置的优化方法，其特征在于，所述S8中的变异具体为采用相同的概率选择如下几种操作进行变异：不变异、随机删除任一实例、随机替换任一实例为一个其他的实例、添加一个新的随机实例。
4.根据权利要求1所述的基于遗传算法的kubernetes云平台配置的优化方法，其特征在于，所述S7中的交叉选用单点交叉，此时S7.2和S7.3具体为：
S7.2：对两个父个体随机选择一个实例作为交叉点；
S7.3：将父个体2交叉点后的实例替代掉父个体1交叉点后的实例。
5.根据权利要求1所述的基于遗传算法的kubernetes云平台配置的优化方法，其特征在于，所述S4.3中的相似度具体为计算皮尔逊系数。
CN202011410431.7A 2020-12-03 2020-12-03 一种基于遗传算法的kubernetes云平台配置的优化方法 Active CN112631612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011410431.7A CN112631612B (zh) 2020-12-03 2020-12-03 一种基于遗传算法的kubernetes云平台配置的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011410431.7A CN112631612B (zh) 2020-12-03 2020-12-03 一种基于遗传算法的kubernetes云平台配置的优化方法

Publications (2)

Publication Number Publication Date
CN112631612A CN112631612A (zh) 2021-04-09
CN112631612B true CN112631612B (zh) 2022-07-01

Family

ID=75308249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011410431.7A Active CN112631612B (zh) 2020-12-03 2020-12-03 一种基于遗传算法的kubernetes云平台配置的优化方法

Country Status (1)

Country Link
CN (1) CN112631612B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114090220B (zh) * 2022-01-13 2022-04-29 南京信息工程大学 一种分级cpu和内存资源调度方法
CN114064296B (zh) * 2022-01-18 2022-04-26 北京建筑大学 一种Kubernetes调度方法、装置和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679750B (zh) * 2017-09-30 2020-10-02 桂林电子科技大学 一种基于自适应系数遗传算法的云制造服务资源匹配方法
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
CN110033138A (zh) * 2019-04-18 2019-07-19 中国电子科技集团公司第二十九研究所 一种基于自适应遗传算法的多目标跟踪资源调度方法

Also Published As

Publication number Publication date
CN112631612A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN110851272B (zh) 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN108921472B (zh) 一种多车型的两阶段车货匹配方法
CN112631612B (zh) 一种基于遗传算法的kubernetes云平台配置的优化方法
EP1664995A2 (en) Methods and systems for multi-participant interactive evolutionary computing
CN105843666B (zh) 云计算中基于多目标优化的虚拟机放置方法
CN113191619A (zh) 一种应急救援物资分配及车辆调度动态优化方法
CN110008023B (zh) 基于遗传算法的云计算系统预算约束随机任务调度方法
CN109447264B (zh) 云计算环境下基于vham-r模型的虚拟机放置遗传优化方法
CN103281374A (zh) 一种云存储中数据快速调度的方法
CN113128839B (zh) 面向高端装备分布式制造与多模式运输的协同调度方法
CN116501711A (zh) 一种基于“存算分离”架构的算力网络任务调度方法
CN112559171B (zh) 一种移动边缘计算环境下基于延迟接受的多用户任务卸载方法
CN115421885B (zh) 一种分布式多目标云任务的调度方法、装置及云服务系统
CN114707693A (zh) 一种车辆配送路径规划方法及系统
CN113285832A (zh) 基于nsga-ii的电力多模态网络资源优化分配方法
Chen et al. A modified harmony search algorithm for solving the dynamic vehicle routing problem with time windows
Niazy et al. A hybrid chicken swarm optimization with tabu search algorithm for solving capacitated vehicle routing problem
Ding et al. A hybrid heuristic-genetic algorithm with adaptive parameters for static task scheduling in heterogeneous computing system
Karakoc et al. Priority based vehicle routing for agile blood transportation between donor/client sites
CN112787833B (zh) 内容分发网络cdn服务器的部署方法和装置
CN110689320A (zh) 一种基于协同进化算法的大规模多目标项目调度方法
CN115545406A (zh) 异址机器的生产配送协同调度方法和系统
CN110968428B (zh) 云工作流虚拟机配置和任务调度协同优化方法
CN112506644A (zh) 基于云边端混合计算模式系统的任务调度方法和系统
Bi et al. Evolutionary multi-objective optimization for multi-depot vehicle routing in logistics

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An Optimization Method for Kubernetes Cloud Platform Configuration Based on Genetic Algorithm

Granted publication date: 20220701

Pledgee: Guotou Taikang Trust Co.,Ltd.

Pledgor: HANGZHOU HARMONYCLOUD TECHNOLOGY Co.,Ltd.

Registration number: Y2024980004921