CN113268339A - 基于差分进化算法的动态负载均衡方法及系统 - Google Patents

基于差分进化算法的动态负载均衡方法及系统 Download PDF

Info

Publication number
CN113268339A
CN113268339A CN202110425030.7A CN202110425030A CN113268339A CN 113268339 A CN113268339 A CN 113268339A CN 202110425030 A CN202110425030 A CN 202110425030A CN 113268339 A CN113268339 A CN 113268339A
Authority
CN
China
Prior art keywords
load balancing
differential evolution
evolution algorithm
server
rate
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
Application number
CN202110425030.7A
Other languages
English (en)
Other versions
CN113268339B (zh
Inventor
贾德香
杨宁
谢开
罗朝春
吕文涛
刘永辉
陈庆祺
吕干云
张显
刘永卫
吕经纬
高春成
史述红
袁明珠
周艳红
王清波
李守保
张金城
董武军
杨文培
张亚丽
张倩
胡婉莉
王蕾
习培玉
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.)
Beijing Power Exchange Center Co ltd
State Grid Energy Research Institute Co Ltd
State Grid Hunan Electric Power Co Ltd
State Grid Electric Power Research Institute
Original Assignee
Beijing Power Exchange Center Co ltd
State Grid Energy Research Institute Co Ltd
State Grid Hunan Electric Power Co Ltd
State Grid Electric Power Research Institute
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 Beijing Power Exchange Center Co ltd, State Grid Energy Research Institute Co Ltd, State Grid Hunan Electric Power Co Ltd, State Grid Electric Power Research Institute filed Critical Beijing Power Exchange Center Co ltd
Priority to CN202110425030.7A priority Critical patent/CN113268339B/zh
Publication of CN113268339A publication Critical patent/CN113268339A/zh
Application granted granted Critical
Publication of CN113268339B publication Critical patent/CN113268339B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Multi Processors (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明公开了一种基于差分进化算法的动态负载均衡方法，包括计算服务器群的若干负载均衡指标；响应于任意一负载均衡指标超过对应的阈值，采用差分进化算法进行动态负载均衡；其中，差分进化算法以所有负载均衡指标之和最小为目标，服务器的动态权值为优化量，差分进化算法中的变异率和交叉率为自适应调整的变异率和交叉率。同时公开了相应的系统。本发明采用变异率和交叉率自适应调整的差分进化算法进行负载均衡，相较于现有的方法更能满足快速响应、处理大量并发请求的要求。

Description

基于差分进化算法的动态负载均衡方法及系统
技术领域
本发明涉及一种基于差分进化算法的动态负载均衡方法及系统，属于负载均衡领域。
背景技术
随着电力市场的放开，我国电力市场的接入成员数量和市场交易规模将呈爆炸式增长，这就要求新一代电力交易平台能够支持数百万用户的便捷接入和数据的高效采集与传输。这对电力交易技术支持系统的服务器提出了更高的要求，要求服务器保持快速的响应，同时为大量并发客户提供高质量的服务。
Nginx服务器作为一种优秀的HTTP和反向代理服务器，以其稳定性、高并发性、低系统资源消耗和开放源代码等优点，常被广泛应用于高并发电力交易技术支持系统，Nginx服务器内置了许多第三方负载均衡算法，如轮询算法(RR)、最小连接算法(LC)，内置这些算法的Nginx服务器并不能满足快速响应、处理大量并发请求的要求，因此现在急需一种新的负载均衡方法。
发明内容
本发明提供了一种基于差分进化算法的动态负载均衡方法及系统，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
基于差分进化算法的动态负载均衡方法，包括：
计算服务器群的若干负载均衡指标；
响应于任意一负载均衡指标超过对应的阈值，采用差分进化算法进行动态负载均衡；其中，差分进化算法以所有负载均衡指标之和最小为目标，服务器的动态权值为优化量；差分进化算法中的变异率和交叉率为自适应调整的变异率和交叉率。
负载均衡指标包括服务器群的综合负载均衡度和服务器群的链路负载均衡度。
服务器群综合负载均衡度的计算公式如下，
Figure BDA0003029451390000021
其中，δp为服务器群的综合负载均衡度；TK为当前周期；m为分析时长；N为服务器群内的服务器数量；PUt(Svi)为服务器Svi当前周期的实时综合利用率；
Figure BDA0003029451390000022
为服务器群中所有服务器实时综合利用率的均值；
PUt(Svi)＝R1PUCPU(Svi)+R2PUMemory(Svi)+R3PUBd(Svi)
其中，R1、R2、R3为CPU、内存和带宽的服务影响权；PUCPU(Svi)、PUMemory(Svi)、PUBd(Svi)分别为服务器Svi当前周期的CPU、内存和带宽占用比。
服务器群链路负载均衡度的计算公式如下，
Figure BDA0003029451390000023
其中，δDL为服务器群的链路负载均衡度；loadi(t)为第i个链路当前周期的已用带宽；
Figure BDA0003029451390000024
为所有链路已用带宽的平均值；TK为当前周期；m为分析时长；N为服务器群内的服务器数量。
变异率自适应调整的公式为，
Figure BDA0003029451390000031
其中，Fn+1为第n+1代种群的变异率；Fn为第n代种群的变异率；λ为变异率衰减系数；C为与目标函数f最大值相对的常数；
Figure BDA0003029451390000032
为第n+1代种群的最优个体；
Figure BDA0003029451390000033
为第n代种群的最优个体。
交叉率自适应调整的公式为，
Figure BDA0003029451390000034
其中，n为当前迭代数；Crn为当前迭代对应的交叉率；D为最大迭代数。
响应于所有负载均衡指标均不超过对应的阈值，选择负载最小的服务器处理请求。
基于差分进化算法的动态负载均衡系统，包括：
负载均衡指标计算模块：计算服务器群的若干负载均衡指标；
负载均衡模块：响应于任意一负载均衡指标超过对应的阈值，采用差分进化算法进行动态负载均衡；其中，差分进化算法以所有负载均衡指标之和最小为目标，服务器的动态权值为优化量；差分进化算法中的变异率和交叉率为自适应调整的变异率和交叉率。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行基于差分进化算法的动态负载均衡方法。
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行基于差分进化算法的动态负载均衡方法的指令。
本发明所达到的有益效果：本发明采用变异率和交叉率自适应调整的差分进化算法进行负载均衡，相较于现有的方法更能满足快速响应、处理大量并发请求的要求。
附图说明
图1为本发明方法的流程图；
图2为本发明方法与现有两种方法的平均响应时间对比结果
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，基于差分进化算法的动态负载均衡方法，包括以下步骤：
步骤1，计算服务器群的若干负载均衡指标。
步骤2，响应于所有负载均衡指标均不超过对应的阈值，选择负载最小的服务器处理请求；响应于任意一负载均衡指标超过对应的阈值，采用差分进化算法进行动态负载均衡；其中，差分进化算法以所有负载均衡指标之和最小为目标，服务器的动态权值为优化量；差分进化算法中的变异率和交叉率为自适应调整的变异率和交叉率。
上述方法采用变异率和交叉率自适应调整的差分进化算法进行负载均衡，相较于现有的方法更能满足快速响应、处理大量并发请求的要求。
这里的负载均衡指标主要有两个，包括服务器群的综合负载均衡度和服务器群的链路负载均衡度。
1)服务器群的综合负载均衡度
为了评估服务器群的服务能力，从CPU、内存(RAM)、服务器带宽三个方面分析了运行项目的服务器资源消耗；
假设服务器群中有N个服务器，度量服务器的综合服务性能，如下所示：
P(Svi)＝R1PCPU(Svi)+R2PMemory(Svi)+R3PBd(Svi)
其中，P(Svi)为服务器Svi的综合服务性能，R1、R2、R3为CPU、内存和带宽的服务影响权，PCPU(Svi)、PMemory(Svi)、PBd(Svi)为服务器Svi的CPU负载能力、内存负载能力和带宽负载能力；
这样，服务器的实时综合利用率可定义为：
PUt(Svi)＝R1PUCPU(Svi)+R2PUMemory(Svi)+R3PUBd(Svi)
其中，PUCPU(Svi)、PUMemory(Svi)、PUBd(Svi)分别为服务器Svi当前周期的CPU、内存和带宽占用比，PUt(Svi)为服务器Svi当前周期的实时综合利用率；
那么服务器群的综合负载均衡度为：
Figure BDA0003029451390000051
其中，δp为服务器群的综合负载均衡度，TK为当前周期，m为分析时长，
Figure BDA0003029451390000052
为服务器群中所有服务器实时综合利用率的均值；
服务器的当前默认权重可表示为：
Figure BDA0003029451390000053
其中，Wt(Svi)为服务器Svi的当前(即当前周期)默认权重，Pt(Svi)为服务器Svi当前周期的综合服务性能。
2)服务器群的链路负载均衡度
为了反映网络的链路负载衡度，定义了一个链路负载衡度性参数。在统计学中，方差是用来衡量随机变量的离散度的。对于一个网络，链路负载衡度参数可以定义为网络中所有链路使用带宽的方差，但直接监测方差是不合适的。网络中短期链路负载不衡度的状态可以忽略，直接监控方差可能会触发不必要的负载衡度算法。因此，这里通过计算一段时间内所用链路带宽的标准差值，可以平滑瞬时的短期流量波动。计算过程如式下所示：
Figure BDA0003029451390000061
其中，δDL为服务器群的链路负载均衡度，loadi(t)为第i个链路当前周期的已用带宽，
Figure BDA0003029451390000062
为所有链路已用带宽的平均值。
这样，根据服务器群两个负载均衡指标δp和δDL，可有效动态评估服务器群性能和链路负载均衡性；设定两个阈值
Figure BDA0003029451390000063
当任一负载均衡指标超过对应阈值时，网络链路处于较强不平衡状态，采用差分进化算法进行动态负载均衡；否则选择负载最小的服务器处理请求，即当前默认权重最大的服务器。
传统的差分进化算法的基本思想是：在可行解的范围内，根据自然生存规律进行随机优化的方法。首先随机生成初始种群，对初始种群进行交叉和变异操作，然后，根据优胜劣汰的生存规律，对种群进行选择和操作；具体如下：
11)种群初始化
生成初始种群如下：
X0＝Xmin+rand()(Xmax-Xmin)
其中，X0为第0代种群，rand()用以产生(0,1)之间的随机数，Xmax、Xmin分别为个体的最大值和最小值，在种群初始化后，得到NP个初始个体；
12)种群变异
差分进化算法的变异操作不同于其他智能优化算法，如遗传算法和粒子群优化算法。这也是该优化算法的一个重要特点，变异模式的不同选择对种群的优化效率有一定的影响。
采用以下变异策略为：
Figure BDA0003029451390000071
其中，
Figure BDA0003029451390000072
为通过变异操作获得的第n+1代种群的第j个个体，
Figure BDA0003029451390000073
为第n代种群的第t1个个体和第t2个个体，t1和t2为(1,NP)之间的两个随机正整数，
Figure BDA0003029451390000074
为通过变异操作获得的第n代种群的第j个个体，
Figure BDA0003029451390000075
为第n代种群的最优个体，F为变异率，一般F∈[0,2]；
13)种群交叉
在传统的差分进化算法中，交叉率设置为一个固定的常数，一般Cr∈[0,2]，种群交叉方法：
Figure BDA0003029451390000076
其中，
Figure BDA0003029451390000077
为通过交叉操作获得的第n+1代种群的第j个个体，
Figure BDA0003029451390000078
为突变操作后n+1代第j个个体的第j′染色体进行交叉，
Figure BDA0003029451390000079
为第n代第j个个体的第j′染色体；
14)种群选择
差分进化算法的选择操作基于贪婪搜索机制，根据初始个体和交叉个体的适应度进行选择，适应性较差的个体进入下一代群体；选择方法如下：
Figure BDA0003029451390000081
其中，
Figure BDA0003029451390000082
为经过选择操作后获得的第n+1代种群的第j个个体，
Figure BDA0003029451390000083
为经过前面交叉操作后获得的第n+1代种群的第j个个体，f为差分进化算法的目标函数。
在传统的差分进化算法中，固定的变异率和交叉率不能有效地平衡搜索范围和搜索方向之间的矛盾，因此，为了提高优化能力，设计了一种具有自适应调整的变异率和交叉率的差分进化算法。
在交易支持系统的负载均衡处理过程中，变异率可在权值动态优化中缩放种群向量。在权重优化的初始阶段，为了保证种群的多样性，需要较大的变异率来防止进化过程陷入局部最优解，在权重优化的后期，为了有效地保留种群中的优秀个体，需要较小的变异率，这样可以有效地提高最优解的搜索速度。
因此，自适应变异率的设计可有效地平衡电力交易技术支持系统动态权重优化的全局搜索和局部搜索能力，对于动态权重优化，变异率的自适应调整可以表示为：
Figure BDA0003029451390000084
其中，Fn+1为第n+1代种群的变异率，Fn为第n代种群的变异率，λ为变异率衰减系数，一般为0.1，C为与目标函数f最大值相对的常数，
Figure BDA0003029451390000085
为第n+1代种群的最优个体，
Figure BDA0003029451390000086
为第n代种群的最优个体。
那么，自适应调整变异率后，权重优化的变异率序列为[F0,F1,F2,…,FD]。
为了进一步提高交易支撑系统的服务器负载权重优化效果，在自适应调整变异率后继续对交叉率进行自适应调整，交叉率自适应调整具体如下：
Figure BDA0003029451390000091
其中，n为当前迭代数，Crn为当前迭代对应的交叉率，D为最大迭代数。
由于变异因子和交叉因子的适应性，差分进化在迭代开始时具有较强的全局搜索能力，在迭代结束时具有较高的计算精度和较快的收敛速度，而且变异率和交叉率不需要人工干预，适应性强。
为了验证上述方法的效果，进行仿真实验，在虚拟机中构建了五台服务器，一台作为客户端测试连接，一台作为反向代理服务器，另外三台作为后端服务器。在后端服务器上搭建Nginx+PHP环境，实现动态网站运行环境。Nginx通过fastcgi接口与PHP文件交互。PHP动态资源文件被引入并放置在根目录中的位置。搭建实验环境后，采用Httperf和Autobench进行了性能测试。Httperf可以根据不同的测试需求生成不同的工作负载。Autobench是基于Httperf开发的一个脚本工具，它可以根据参数设置自动执行并行测试，并将结果保存在数据库中。
在仿真实验中，分别对默认轮询算法(RR)、最小连接算法(LC)和上述方法进行了测试，统计数据如图2和表1所示。
由图2可以清楚发现，上述方法的平均响应时间基本在不同的请求速率下是最短的，特别是在较高的并发访问数时，因此它的性能优于其他两种算法。
表1实际并发连接数结果对比
Figure BDA0003029451390000092
Figure BDA0003029451390000101
表1结果显示，当并发请求数小于2000时，三种算法的实际连接数对比，可以看出，在算法执行过程中，当请求数增加到2000个时，虽然三种算法都失败了，但在相同并发数请求数的情况下，上述方法能够处理的并发请求数明显高于其他两种算法；而并发请求数小于1000时，上述方法能够处理的并发请求数也显著高于其他两种算法。
基于差分进化算法的动态负载均衡系统，包括：
负载均衡指标计算模块：计算服务器群的若干负载均衡指标；
负载均衡模块：响应于任意一负载均衡指标超过对应的阈值，采用差分进化算法进行动态负载均衡；其中，差分进化算法以所有负载均衡指标之和最小为目标，服务器的动态权值为优化量；差分进化算法中的变异率和交叉率为自适应调整的变异率和交叉率。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行基于差分进化算法的动态负载均衡方法。
一种计算设备，包括一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行基于差分进化算法的动态负载均衡方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.基于差分进化算法的动态负载均衡方法，其特征在于，包括：
计算服务器群的若干负载均衡指标；
响应于任意一负载均衡指标超过对应的阈值，采用差分进化算法进行动态负载均衡；其中，差分进化算法以所有负载均衡指标之和最小为目标，服务器的动态权值为优化量；差分进化算法中的变异率和交叉率为自适应调整的变异率和交叉率。
2.根据权利要求1所述的基于差分进化算法的动态负载均衡方法，其特征在于：负载均衡指标包括服务器群的综合负载均衡度和服务器群的链路负载均衡度。
3.根据权利要求2所述的基于差分进化算法的动态负载均衡方法，其特征在于：服务器群综合负载均衡度的计算公式如下，
Figure FDA0003029451380000011
其中，δp为服务器群的综合负载均衡度；TK为当前周期；m为分析时长；N为服务器群内的服务器数量；PUt(Svi)为服务器Svi当前周期的实时综合利用率；
Figure FDA0003029451380000012
为服务器群中所有服务器实时综合利用率的均值；
PUt(Svi)＝R1PUCPU(Svi)+R2PUMemory(Svi)+R3PUBd(Svi)
其中，R1、R2、R3为CPU、内存和带宽的服务影响权；PUCPU(Svi)、PUMemory(Svi)、PUBd(Svi)分别为服务器Svi当前周期的CPU、内存和带宽占用比。
4.根据权利要求2所述的基于差分进化算法的动态负载均衡方法，其特征在于：服务器群链路负载均衡度的计算公式如下，
Figure FDA0003029451380000021
其中，δDL为服务器群的链路负载均衡度；loadi(t)为第i个链路当前周期的已用带宽；
Figure FDA0003029451380000022
为所有链路已用带宽的平均值；TK为当前周期；m为分析时长；N为服务器群内的服务器数量。
5.根据权利要求1所述的基于差分进化算法的动态负载均衡方法，其特征在于：变异率自适应调整的公式为，
Figure FDA0003029451380000023
其中，Fn+1为第n+1代种群的变异率；Fn为第n代种群的变异率；λ为变异率衰减系数；C为与目标函数f最大值相对的常数；
Figure FDA0003029451380000024
为第n+1代种群的最优个体；
Figure FDA0003029451380000025
为第n代种群的最优个体。
6.根据权利要求1所述的基于差分进化算法的动态负载均衡方法，其特征在于：交叉率自适应调整的公式为，
Figure FDA0003029451380000026
其中，n为当前迭代数；Crn为当前迭代对应的交叉率；D为最大迭代数。
7.根据权利要求1所述的基于差分进化算法的动态负载均衡方法，其特征在于：响应于所有负载均衡指标均不超过对应的阈值，选择负载最小的服务器处理请求。
8.基于差分进化算法的动态负载均衡系统，其特征在于，包括：
负载均衡指标计算模块：计算服务器群的若干负载均衡指标；
负载均衡模块：响应于任意一负载均衡指标超过对应的阈值，采用差分进化算法进行动态负载均衡；其中，差分进化算法以所有负载均衡指标之和最小为目标，服务器的动态权值为优化量；差分进化算法中的变异率和交叉率为自适应调整的变异率和交叉率。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于：所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、一个或多个存储器以及一个或多个程序，其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
CN202110425030.7A 2021-04-20 2021-04-20 基于差分进化算法的动态负载均衡方法及系统 Expired - Fee Related CN113268339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110425030.7A CN113268339B (zh) 2021-04-20 2021-04-20 基于差分进化算法的动态负载均衡方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110425030.7A CN113268339B (zh) 2021-04-20 2021-04-20 基于差分进化算法的动态负载均衡方法及系统

Publications (2)

Publication Number Publication Date
CN113268339A true CN113268339A (zh) 2021-08-17
CN113268339B CN113268339B (zh) 2022-08-19

Family

ID=77229064

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110425030.7A Expired - Fee Related CN113268339B (zh) 2021-04-20 2021-04-20 基于差分进化算法的动态负载均衡方法及系统

Country Status (1)

Country Link
CN (1) CN113268339B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422517A (zh) * 2022-01-24 2022-04-29 广东三合电子实业有限公司 一种服务器负载均衡系统及其方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200210864A1 (en) * 2018-01-15 2020-07-02 Dalian Minzu University Method for detecting community structure of complicated network
CN112380016A (zh) * 2020-11-30 2021-02-19 华南理工大学 基于改进遗传算法的云计算资源负载均衡调度方法及应用

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200210864A1 (en) * 2018-01-15 2020-07-02 Dalian Minzu University Method for detecting community structure of complicated network
CN112380016A (zh) * 2020-11-30 2021-02-19 华南理工大学 基于改进遗传算法的云计算资源负载均衡调度方法及应用

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114422517A (zh) * 2022-01-24 2022-04-29 广东三合电子实业有限公司 一种服务器负载均衡系统及其方法

Also Published As

Publication number Publication date
CN113268339B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
Ren et al. A dynamic load balancing strategy for cloud computing platform based on exponential smoothing forecast
CN113938488B (zh) 一种基于动静态加权轮询的负载均衡方法
CN113110933B (zh) 一种具有Nginx负载均衡技术的系统
US7467291B1 (en) System and method for calibrating headroom margin
Liu et al. Resource allocation optimization based on mixed integer linear programming in the multi-cloudlet environment
CN108881432A (zh) 基于ga算法的云计算集群负载调度方法
CN106385468A (zh) Web集群的可预测动态负载均衡方法
CN109710412A (zh) 一种基于动态反馈的Nginx负载均衡方法
CN102622275A (zh) 一种云计算环境下负载均衡实现方法
CN107566535B (zh) 基于Web地图服务并发访问时序规则的自适应负载均衡方法
CN113268339B (zh) 基于差分进化算法的动态负载均衡方法及系统
Song et al. A deep reinforcement learning-based task scheduling algorithm for energy efficiency in data centers
CN113568759B (zh) 一种基于云计算的大数据处理方法及其系统
CN117033004B (zh) 负载均衡方法、装置、电子设备及存储介质
CN109995818A (zh) 一种服务器负载均衡的方法及装置
CN118193188A (zh) 一种基于虚拟化平台动态负载均衡系统及方法
CN111858029B (zh) 基于离散粒子群的Storm集群负载均衡方法及系统
US11374869B2 (en) Managing bandwidth based on user behavior
CN114945024B (zh) 基于长短期记忆网络的服务器负载均衡优化方法
CN110069319A (zh) 一种面向朵云资源管理的多目标虚拟机调度方法及系统
Zhu et al. Load balancing algorithm for web server based on weighted minimal connections
KR20160044623A (ko) 리눅스 가상 서버의 로드 밸런싱 방법
Bao et al. Nginx-Based Combined Dynamic and Static Load Balancing Algorithm Research
CN113377544A (zh) 一种基于负荷数据动态更新率的web集群负载均衡方法
Peng et al. The realization of load balancing algorithm in cloud computing

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220819

CF01 Termination of patent right due to non-payment of annual fee