CN113364819A - 基于土狼优化算法的企业级PaaS系统资源调度方法 - Google Patents
基于土狼优化算法的企业级PaaS系统资源调度方法 Download PDFInfo
- Publication number
- CN113364819A CN113364819A CN202010143206.5A CN202010143206A CN113364819A CN 113364819 A CN113364819 A CN 113364819A CN 202010143206 A CN202010143206 A CN 202010143206A CN 113364819 A CN113364819 A CN 113364819A
- Authority
- CN
- China
- Prior art keywords
- wolf
- enterprise
- algorithm
- level
- resource scheduling
- 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.)
- Pending
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 311
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000004891 communication Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 30
- 239000002689 soil Substances 0.000 claims description 24
- 241000282421 Canidae Species 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 4
- 238000005303 weighing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 15
- 230000007246 mechanism Effects 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 12
- 230000002068 genetic effect Effects 0.000 description 5
- 239000002245 particle Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 108700041286 delta Proteins 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- OFHCOWSQAMBJIW-AVJTYSNKSA-N alfacalcidol Chemical compound C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C\C=C1\C[C@@H](O)C[C@H](O)C1=C OFHCOWSQAMBJIW-AVJTYSNKSA-N 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000035605 chemotaxis Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及资源调度技术领域，具体涉及基于土狼优化算法的企业级PaaS系统资源调度方法，采用如下五个步骤：步骤一：问题编码与初始化；步骤二：土狼成长；步骤三：土狼进化；步骤四：不同土狼群之间的交流；步骤五：选择最佳土狼；它提出将群智能优化算法的土狼算法用于解决企业级PaaS系统的资源调度问题，从而为解决企业级PaaS系统资源调度问题提供了新的解决方法；它在土狼算法中融合小生境技术，改进了土狼算法的进化机制，从而提高土狼算法在寻找企业级PaaS系统资源调度全局最优解的能力；并且改进土狼算法中计算土狼群文化趋势的方法，从而提高土狼算法在寻找企业级PaaS系统资源调度的收敛精度。
Description
【技术领域】
本发明涉及资源调度技术领域，具体涉及一种基于小生境技术的土狼优化算法的企业级PaaS系统资源调度方法。
【背景技术】
企业级PaaS系统资源调度问题属于资源调度范畴，云计算下的资源调度一直以来都是研究的重点，云计算系统效率的高低很大程度上取决于系统能否有效、合理地分配资源关系到云计算下。
传统的资源调度算法包括:先来先服务(FCFS:First Come First Service)调度算法、轮转(Round Robin)调度算法、Min-min(最小-最小)调度算法、Max-min(最大-最小)算法等，这些算法在求解的过程中简单易行，但是存在一个普遍的缺点，即算法的负载在一般情况下都是不均衡的。对于企业级PaaS系统而言，实现负载均衡是基本要求之一。近年来，随着群体智能算法的不断发展，将群体智能算法运用在资源调度中已经成为了当前研究的热点。群体智能算法包括Holland教授提出的遗传算法、Kirkpatrick等人提出的模拟退火算法、Eberhart Russell和James Kennedy提出的粒子群算法、Dorigo Marco等人提出的蚁群算法等等。
目前，评价资源调度是否合理，常用的指标有：任务完成的时间、花费的成本、负载的均衡、资源的消耗等。陈超等人在简单遗传算法的基础上提出变异算子的两种操作方法，加快算法收敛速度，并且实现了负载均衡的任务调度目标。王艳平和高仲合利用蚁群算法，在任务与资源之间加入一个查找表并在信息素更新时引入成功率因子，缩短了任务的执行时间。程春玲[10]提出基于改进遗传算法的最小能耗调度算法，实现了降低系统总能耗同时缩短任务完成时间。赵宏伟等人提出基于群体感应交流机制的细菌觅食优化算法和在群体协作过程中引入细菌趋化动作的优化算法，缩短了任务的执行时间并且提高了系统负载均衡。
上述算法中，均在资源调度问题上的某些方面上取得良好的效果，表现出较好的自适应性，但也存在着各自的不足。例如在遗传算法中，它的计算量大，并且没有充分利用反馈机制，因此它的求解过程慢，完成资源调度所花费的时间较长；在粒子群算法中，它容易陷入局部最优，从而导致收敛精度较低，同时它的参数设置需要先前经验，参数设置得不合适，可能导致错过最优解；在蚁群算法中，它的计算量大，求解速度较慢，同样它的参数设置需要不断调试，不恰当的设置会导致求解效果差，从而无法实现较好的资源调度效果。
【发明内容】
本发明的目的在于针对现有技术的缺陷和不足，提供基于土狼优化算法的企业级PaaS系统资源调度方法。
本发明所述的基于土狼优化算法的企业级PaaS系统资源调度方法，采用如下步骤：
步骤一：问题编码与初始化阶段，采用如下步骤：
(3)根据企业级PaaS系统资源调度问题，建立数学优化函数；选择CPU利用、内存利用、磁盘输入输出利用，作为PaaS系统调度问题的指标，建立优化目标函数；以企业级PaaS系统中应用P的实例数为n，形成CPU利用率函数C、内存利用率函数M和磁盘利用率函数D；
(4)根据企业级PaaS系统资源调度问题，初始化土狼，采用如下步骤：
A.在土狼算法中，随机将土狼分成Np个土狼群，并且每个土狼群中包含Nc只土狼；
C.每一只土狼代表一个候选解，每个解向量由土狼的内在因素和外在社会因素构成，每一个因素代表一个决策变量，d个因素构成了一个含d个决策变量的解向量；
C.用步骤一中的(1)中建立的目标优化函数衡量每只土狼；在第t时刻第p个土狼群中第c只土狼可以表示为：
其社会适应能力，即目标优化函数的值为：
步骤二：土狼成长阶段，采用如下步骤：
(4)定义每个土狼群的阿尔法土狼；其t时刻第p个土狼群的阿尔法土狼可以表示为：
(5)计算每个土狼群的文化趋势：对于第j因素，在第t时刻，第p个土狼群中的文化趋势可以表示为：
其中，
表示在t时刻第p个土狼群中第c只土狼在j因素的社会状况；
(6)更新土狼：在第t时刻，第p个土狼群的第c只土狼新的社会适应能力表示为：
其中，r1和r2是从0至1之间的随机数，分别表示阿尔法土狼和土狼群文化趋势的影响权重；
步骤三：土狼进化，采用如下步骤：
(5)在每个土狼群中随机选择两只土狼作为父母(P1、P2)产生两只新的土狼崽(C1、C2)；
(6)分别计算两只父母土狼和两只新生土狼的环境适应能力为f(P1)、f(P2)、f(C1)、f(C2)；
(7)计算父母土狼与新生土狼之间两两的欧氏距离为EdP1C1、EdP2C2、EdP1C2、EdP2C1；
(8)根据父母土狼和新生土狼之间的环境适应能力和欧氏距离进行进化，在EdP1C1+EdP2C2≤EdP1C2+EdP2C1，有如下情况结论：
如果f(C1)>f(P1)，则新生土狼C1代替父母土狼P1，否则新生土狼C1不能存活；
如果f(C2)>f(P2)，则新生土狼C2代替父母土狼P2，否则新生土狼C2不能存活；
在EdP1C1+EdP2C2>EdP1C2+EdP2C1的情况下，如果f(C2)>f(P1)，则新生土狼C2代替父母土狼P1，否则新生土狼C2不能存活；
如果f(C1)>f(P2)，则新生土狼C1代替父母土狼P2，否则新生土狼C1不能存活；
步骤四：不同土狼群之间的交流：
设定土狼离群的概率为：
土狼从一个群体到另一个群体被视为不同土狼群之间的交流；
步骤五：选择最佳土狼；不断重复上述步骤二-步骤四，直到满足事先规定好的迭代终止条件，停止计算，并将环境适应能力最强的土狼作为本算法的最优解，从而找到解决企业级PaaS系统资源调度的最优解。
进一步地，步骤一中的CPU利用率函数C为：
每台服务器中应用P的CUP利用率为C1，C2，···，Cn；ui为服务器i的CPU利用率的权重。
进一步地，步骤一中的内存利用率函数M为：
，每台服务器中应用P的内存利用率为M1，M2，···，Mn。
进一步地，步骤一中的磁盘利用率函数D为：
每台服务器中应用P的磁盘输入输出利用率为D1，D2，···，Dn。
本发明有益效果为：本发明所述的基于土狼优化算法的企业级PaaS系统资源调度方法，它提出将群智能优化算法的土狼算法用于解决企业级PaaS系统的资源调度问题，从而为解决企业级PaaS系统资源调度问题提供了新的解决方法；它在土狼算法中融合小生境技术，改进了土狼算法的进化机制，从而提高土狼算法在寻找企业级PaaS系统资源调度全局最优解的能力；并且改进土狼算法中计算土狼群文化趋势的方法，从而提高土狼算法在寻找企业级PaaS系统资源调度的收敛精度。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1是本发明的拓扑结构示意图；
图2是本发明中的任务完成时间对比图；
图3是本发明中的负载均衡对比图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
如图1所示，本具体实施方式所述的基于土狼优化算法的企业级PaaS系统资源调度方法，采用如下五个步骤：步骤一：问题编码与初始化；步骤二：土狼成长；步骤三：土狼进化；步骤四：不同土狼群之间的交流；步骤五：选择最佳土狼。具体陈述如下：
步骤一：问题编码与初始化阶段，采用如下步骤：
(5)根据企业级PaaS系统资源调度问题，建立数学优化函数；选择CPU利用、内存利用、磁盘输入输出利用，作为PaaS系统调度问题的指标，建立优化目标函数；以企业级PaaS系统中应用P的实例数为n，形成CPU利用率函数C、内存利用率函数M和磁盘利用率函数D；
进一步地，步骤一中的CPU利用率函数C为：
每台服务器中应用P的CUP利用率为C1，C2，···，Cn；ui为服务器i的CPU利用率的权重。
进一步地，步骤一中的内存利用率函数M为：
，每台服务器中应用P的内存利用率为M1，M2，···，Mn。
进一步地，步骤一中的磁盘利用率函数D为：
每台服务器中应用P的磁盘输入输出利用率为D1，D2，···，Dn。
(6)根据企业级PaaS系统资源调度问题，初始化土狼，采用如下步骤：
A.在土狼算法中，随机将土狼分成Np个土狼群，并且每个土狼群中包含Nc只土狼；
D.每一只土狼代表一个候选解，每个解向量由土狼的内在因素和外在社会因素构成，每一个因素代表一个决策变量，d个因素构成了一个含d个决策变量的解向量；
C.用步骤一中的(1)中建立的目标优化函数衡量每只土狼；在第t时刻第p个土狼群中第c只土狼可以表示为：
其社会适应能力，即目标优化函数的值为：
步骤二：土狼成长阶段，采用如下步骤：
(7)定义每个土狼群的阿尔法土狼；其t时刻第p个土狼群的阿尔法土狼可以表示为：
本发明中，在土狼算法中，假设每个土狼群中只有一只阿尔法土狼，考虑到对企业级PaaS系统调度的资源使用和时间消耗最小化，因此在t时刻第p个土狼群的阿尔法土狼可以表示为：
(8)计算每个土狼群的文化趋势：对于第j因素，在第t时刻，第p个土狼群中的文化趋势可以表示为：
其中，
表示在t时刻第p个土狼群中第c只土狼在j因素的社会状况；
本发明中，在土狼算法中，将每个土狼群中土狼社会适应能力的中位数作为该土狼群的文化趋势。虽然中位数不容易受到极端数据的影响，但是它不能很好反映数据的整体情况。平均值是将所有的数据计算入内，具有良好的数据统计性质，常常被用作趋势计算的指标。因此本发明改进了土狼算法中原有的文化趋势计算方式，因此，对于第j因素，在第t时刻，第p个土狼群中的文化趋势可以表示为：
其中，
表示在t时刻第p个土狼群中第c只土狼在j因素的社会状况。
(9)更新土狼：在第t时刻，第p个土狼群的第c只土狼新的社会适应能力表示为：
其中，r1和r2是从0至1之间的随机数，分别表示阿尔法土狼和土狼群文化趋势的影响权重；
本发明中，在土狼算法中，设定每个土狼会受到该土狼群中阿尔法土狼δ1和文化趋势δ2的影响，因此，在第t时刻，第p个土狼群的第c只土狼新的社会适应能力表示为：
其中，r1和r2是从0至1之间的随机数，分别表示阿尔法土狼和土狼群文化趋势的影响权重。
步骤三：土狼进化，采用如下步骤：
(9)在每个土狼群中随机选择两只土狼作为父母(P1、P2)产生两只新的土狼崽(C1、C2)；
(10)分别计算两只父母土狼和两只新生土狼的环境适应能力为f(P1)、f(P2)、f(C1)、f(C2)；
(11)计算父母土狼与新生土狼之间两两的欧氏距离为EdP1C1、EdP2C2、EdP1C2、EdP2C1；
(12)根据父母土狼和新生土狼之间的环境适应能力和欧氏距离进行进化，在EdP1C1+EdP2C2≤EdP1C2+EdP2C1，有如下情况结论：
如果f(C1)>f(P1)，则新生土狼C1代替父母土狼P1，否则新生土狼C1不能存活；
如果f(C2)>f(P2)，则新生土狼C2代替父母土狼P2，否则新生土狼C2不能存活；
在EdP1C1+EdP2C2>EdP1C2+EdP2C1的情况下，如果f(C2)>f(P1)，则新生土狼C2代替父母土狼P1，否则新生土狼C2不能存活；
如果f(C1)>f(P2)，则新生土狼C1代替父母土狼P2，否则新生土狼C1不能存活；
本发明中，土狼进化步骤是本发明的重点，本发明将小生境技术引入土狼的进化机制。每一次迭代，在每个土狼群中随机选择两只土狼作为父母(P1、P2)产生两只新的土狼崽(C1、C2)。随后分别计算两只父母土狼和两只新生土狼的环境适应能力为f(P1)、f(P2)、f(C1)、f(C2),计算父母土狼与新生土狼之间两两的欧氏距离为EdP1C1、EdP2C2、EdP1C2、EdP2C1。最后根据父母土狼和新生土狼之间的环境适应能力和欧氏距离进行进化，具体规则为：在EdP1C1+EdP2C2≤EdP1C2+EdP2C1的情况下，如果f(C1)>f(P1)，则新生土狼C1代替父母土狼P1，否则新生土狼C1不能存活；如果f(C2)>f(P2)，则新生土狼C2代替父母土狼P2，否则新生土狼C2不能存活。在EdP1C1+EdP2C2>EdP1C2+EdP2C1的情况下，如果f(C2)>f(P1)，则新生土狼C2代替父母土狼P1，否则新生土狼C2不能存活；如果f(C1)>f(P2)，则新生土狼C1代替父母土狼P2，否则新生土狼C1不能存活。
步骤四：不同土狼群之间的交流：
设定土狼离群的概率为：
土狼从一个群体到另一个群体被视为不同土狼群之间的交流；
本发明中，在土狼算法中，土狼一开始是被随机分配到不同的土狼群中，但是随着是的推移，有些土狼会离开原本的土狼群，加入到其他新的土狼群，因此，土狼算法设定土狼离群的概率为：
土狼从一个群体到另一个群体被视为不同土狼群之间的交流。
步骤五：选择最佳土狼；不断重复上述步骤二-步骤四，直到满足事先规定好的迭代终止条件，停止计算，并将环境适应能力最强的土狼作为本算法的最优解，从而找到解决企业级PaaS系统资源调度的最优解。
本发明的理论支撑资料如下：Salcedo-Sanz研究者对诸多群智能算法进行了大量的调研和实验后，发现群智能优化算法取得良好寻优效果的基础是在寻优的过程中在探索和勘探之间保存平衡。
在此基础之上，Pierezan和Leandro两位学者受到土狼群对适应环境的过程和土狼群之间的组织结构，于2018年提出了一种新的群体智能优化算法——土狼算法。这个算法为寻优过程中的探索机制和勘探机制之间的平衡提供了新的思路。
虽然土狼算法有实现简单，容易设定参数等优点，但是它的收敛精度有待进一步提高。因此本发明提出将小生境技术引入土狼算法，旨在提高土狼算法的全局搜索能力，并将改进后的土狼算法应用到解决企业级PaaS系统的资源调度问题。
本发明的具体实施过程分为两个部分：
1、扩展Cloudlet类实现基于小生境技术的土狼算法：实施过程首先需要对Cloudlet类进行扩展，通过增加属性实现基于小生境技术的土狼算法。
具体实现：第一步，初始化土狼。采用间接编码方式，设编码长度为子任务的个数，随机初始化土狼的社会环境。
第二步，土狼成长。
首先，需要找出每个土狼群的阿尔法土狼，考虑到对企业级PaaS系统调度的资源使用和时间消耗最小化，因此将每个土狼群中适应度最小的土狼作为该土狼群的阿尔法土狼；
其次，计算每个土狼群的文化趋势，本发明改进了土狼算法中原有的文化趋势计算方式，将每个土狼群中土狼社会适应能力的算术平均数作为该土狼群的文化趋势；
最后，更新土狼，在土狼算法中，设定每个土狼会受到该土狼群中阿尔法土狼δ1和文化趋势δ2的影响，因此，每只土狼根据自身原有的社会状况加上阿尔法土狼和土狼群文化趋势的影响更新社会状况。其中，阿尔法土狼和土狼群文化趋势的影响权重是从0至1之间的随机数。
第三步，土狼进化。本发明采用小生境技术改进土狼的进化机制，在每一次迭代过程中；
首先，在每个土狼群中随机选择两只土狼作为父母(P1、P2)，随后产生两只新的土狼崽(C1、C2)；
其次，计算两只父母土狼和两只新生土狼的环境适应能力为f(P1)、f(P2)、f(C1)、f(C2)，分别计算父母土狼与新生土狼之间两两的欧氏距离为EdP1C1、EdP2C2、EdP1C2、EdP2C1；
最后，根据父母土狼和新生土狼之间的环境适应能力和欧氏距离进行进化，具体规则为：在EdP1C1+EdP2C2≤EdP1C2+EdP2C1的情况下，如果f(C1)>f(P1)，则新生土狼C1代替父母土狼P1，否则新生土狼C1不能存活；如果f(C2)>f(P2)，则新生土狼C2代替父母土狼P2，否则新生土狼C2不能存活。在EdP1C1+EdP2C2>EdP1C2+EdP2C1的情况下，如果f(C2)>f(P1)，则新生土狼C2代替父母土狼P1，否则新生土狼C2不能存活；如果f(C1)>f(P2)，则新生土狼C1代替父母土狼P2，否则新生土狼C1不能存活。
第四步，土狼群之间的交流。土狼一开始是被随机分配到不同的土狼群中，但是随着是的推移，有些土狼会离开原本的土狼群，加入到其他新的土狼群，因此，土狼算法设定土狼离群的概率为整体土狼数的平方乘以0.005。土狼从一个群体到另一个群体被视为不同土狼群之间的交流。
第五步，选择最佳土狼。不断重复上述第2-4步骤，直到迭代了500次，停止计算，并将环境适应能力最强的土狼作为本算法的最优解。
2、使用基于小生境技术的土狼算法进行企业级PaaS系统资源调度；
首先，初始化CloudSim的环境。CloudSim需要运作在JDK1.6版本以上，本实验使用jdk-7u80和CloudSim3.0.3版本，随后设置JDK和CloudSim的环境变量。
其次，创建数据中心、物理中心和虚拟机。本实验为了模拟企业级PaaS系统的资源调度情境，实施过程建立了10个数据中心，10台服务器，每个服务器下创建10-50台虚拟机。
其中，数据中心的参数设置如下：操作系统为Linux，主机架构为x86，cpu的使用费用为2.0，内存的使用费用为0.04，外存的使用费用为0.01。虚拟机的参数设置如下：内存为2GB，CPU数量为1。
最后为了公平展示本发明提出的基于小生境技术的土狼算法相比原本土狼算法的有益效果，本实施过程选择土狼算法(COA)与基于小生境技术的土狼算法(DCCOA)进行对比分析。其中，算法参数设置为：5个土狼群，每个狼群中有20只土狼，整个土狼群规模为100，最大迭代次数为500。
这里给出COA算法和DCCOA算法在任务数不同时的执行时间对比图(附图2)和负载均衡对比图(附图3)。
从附图2、图3中可以看出：本发明相比于原有的土狼算法有更好的负载均衡度和更短的任务执行时间。是因为本发明能够更有效利用小生境技术的确定性拥挤方法在土狼算法中的全局搜索能力，此外，采用算数平均数作为土狼群的文化趋势更有利于全面计算土狼群中所有土狼对群体的影响，因此可以得到更好的有益效果。
本发明的优点如下：
(1)本发明提出将群智能优化算法的土狼算法用于解决企业级PaaS系统的资源调度问题，从而为解决企业级PaaS系统资源调度问题提供了新的解决方法。
(2)本发明提出在土狼算法中融合小生境技术，改进了土狼算法的进化机制，从而提高土狼算法在寻找企业级PaaS系统资源调度全局最优解的能力。
(3)本发明改进土狼算法中计算土狼群文化趋势的方法，从而提高土狼算法在寻找企业级PaaS系统资源调度的收敛精度。
本发明将土狼算法用于解决企业级PaaS系统的资源调度问题。企业级PaaS系统的资源调度问题属于云计算资源调度。在解决云计算资源调度时，现在较多学者使用的群智能优化算法有遗传算法、粒子群优化算法和蚁群算法，还有将这些算法与其他优化算法的混合算法。而土狼算法是目前最新的群智能优化算法，本发明将首次将土狼算法应用到解决企业级PaaS系统的资源调度问题。
本发明将小生境技术引入土狼算法中，改进土狼算法的进化机制。在土狼算法被提出的一年来，有学者将文化算法的一些概念引入到土狼算法，提出文化土狼算法，用于解决工业燃气轮机的运行，还有学者提出一种嵌入全局引导和相互作用的土狼优化算法，以提高它在全局搜索的性能。而本发明将小生境技术引入土狼算法中，进一步提升土狼算法在优化过程中的探索和勘探之间的平衡，从而有利于提升算法的全局搜索能力。
本发明改进土狼算法中土狼群文化趋势的计算方式。目前在改进土狼算法的研究中，计算土狼群文化趋势的方法依旧是采用原来的中位数方法，虽然中位数有着不受极端值影响的优点，但是它并不能反映整个土狼群的全貌。而平均值是反映数据集中趋势的一项指标，经常被用于趋势预测。因此本发明中，将土狼群文化趋势的计算方式从中位数更改为平均值，这表明了在一个土狼群中，所有的土狼都对该群体的文化趋势有所影响，这更符合土狼的社会生活，从而提高土狼算法在收敛精度。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。
Claims (4)
1.基于土狼优化算法的企业级PaaS系统资源调度方法，采用如下步骤：
步骤一：问题编码与初始化阶段，采用如下步骤：
(1)根据企业级PaaS系统资源调度问题，建立数学优化函数；选择CPU利用、内存利用、磁盘输入输出利用，作为PaaS系统调度问题的指标，建立优化目标函数；以企业级PaaS系统中应用P的实例数为n，形成CPU利用率函数C、内存利用率函数M和磁盘利用率函数D；
(2)根据企业级PaaS系统资源调度问题，初始化土狼，采用如下步骤：
A.在土狼算法中，随机将土狼分成Np个土狼群，并且每个土狼群中包含Nc只土狼；
B.每一只土狼代表一个候选解，每个解向量由土狼的内在因素和外在社会因素构成，每一个因素代表一个决策变量，d个因素构成了一个含d个决策变量的解向量；
C.用步骤一中的(1)中建立的目标优化函数衡量每只土狼；在第t时刻第p个土狼群中第c只土狼可以表示为：
其社会适应能力，即目标优化函数的值为：
步骤二：土狼成长阶段，采用如下步骤：
(1)定义每个土狼群的阿尔法土狼；其t时刻第p个土狼群的阿尔法土狼可以表示为：
(2)计算每个土狼群的文化趋势：对于第j因素，在第t时刻，第p个土狼群中的文化趋势可以表示为：
其中，
表示在t时刻第p个土狼群中第c只土狼在j因素的社会状况；
(3)更新土狼：在第t时刻，第p个土狼群的第c只土狼新的社会适应能力表示为：
其中，r1和r2是从0至1之间的随机数，分别表示阿尔法土狼和土狼群文化趋势的影响权重；
步骤三：土狼进化，采用如下步骤：
(1)在每个土狼群中随机选择两只土狼作为父母(P1、P2)产生两只新的土狼崽(C1、C2)；
(2)分别计算两只父母土狼和两只新生土狼的环境适应能力为f(P1)、f(P2)、f(C1)、f(C2)；
(3)计算父母土狼与新生土狼之间两两的欧氏距离为EdP1C1、EdP2C2、EdP1C2、EdP2C1；
(4)根据父母土狼和新生土狼之间的环境适应能力和欧氏距离进行进化，在EdP1C1+EdP2C2≤EdP1C2+EdP2C1，有如下情况结论：
如果f(C1)>f(P1)，则新生土狼C1代替父母土狼P1，否则新生土狼C1不能存活；
如果f(C2)>f(P2)，则新生土狼C2代替父母土狼P2，否则新生土狼C2不能存活；
在EdP1C1+EdP2C2>EdP1C2+EdP2C1的情况下，如果f(C2)>f(P1)，则新生土狼C2代替父母土狼P1，否则新生土狼C2不能存活；
如果f(C1)>f(P2)，则新生土狼C1代替父母土狼P2，否则新生土狼C1不能存活；
步骤四：不同土狼群之间的交流：
设定土狼离群的概率为：
土狼从一个群体到另一个群体被视为不同土狼群之间的交流；
步骤五：选择最佳土狼；不断重复上述步骤二-步骤四，直到满足事先规定好的迭代终止条件，停止计算，并将环境适应能力最强的土狼作为本算法的最优解，从而找到解决企业级PaaS系统资源调度的最优解。
2.根据权利要求1所述的基于土狼优化算法的企业级PaaS系统资源调度方法，其特征在于：步骤一中的CPU利用率函数C为：
每台服务器中应用P的CUP利用率为C1，C2，···，Cn；ui为服务器i的CPU利用率的权重。
3.根据权利要求1所述的基于土狼优化算法的企业级PaaS系统资源调度方法，其特征在于：步骤一中的内存利用率函数M为：
每台服务器中应用P的内存利用率为M1，M2，···，Mn。
4.根据权利要求1所述的基于土狼优化算法的企业级PaaS系统资源调度方法，其特征在于：步骤一中的磁盘利用率函数D为：
每台服务器中应用P的磁盘输入输出利用率为D1，D2，···，Dn。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010143206.5A CN113364819A (zh) | 2020-03-04 | 2020-03-04 | 基于土狼优化算法的企业级PaaS系统资源调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010143206.5A CN113364819A (zh) | 2020-03-04 | 2020-03-04 | 基于土狼优化算法的企业级PaaS系统资源调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113364819A true CN113364819A (zh) | 2021-09-07 |
Family
ID=77523374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010143206.5A Pending CN113364819A (zh) | 2020-03-04 | 2020-03-04 | 基于土狼优化算法的企业级PaaS系统资源调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113364819A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565241A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 一种计及碳成本的电-气综合能源系统调度方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164279A (zh) * | 2011-12-13 | 2013-06-19 | 中国电信股份有限公司 | 云计算资源分配方法和系统 |
| CN104881713A (zh) * | 2015-05-22 | 2015-09-02 | 中冶南方工程技术有限公司 | 实现优化算法与钢铁企业能源综合调度问题解耦的方法 |
-
2020
- 2020-03-04 CN CN202010143206.5A patent/CN113364819A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103164279A (zh) * | 2011-12-13 | 2013-06-19 | 中国电信股份有限公司 | 云计算资源分配方法和系统 |
| CN104881713A (zh) * | 2015-05-22 | 2015-09-02 | 中冶南方工程技术有限公司 | 实现优化算法与钢铁企业能源综合调度问题解耦的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张新明等: "全局引导和相互作用的郊狼优化算法及其应用", 《计算机应用研究》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565241A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 一种计及碳成本的电-气综合能源系统调度方法及装置 |
| CN114565241B (zh) * | 2022-02-15 | 2023-06-16 | 石河子大学 | 一种计及碳成本的电-气综合能源系统调度方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | An improved adaptive NSGA-II with multi-population algorithm | |
| Fu et al. | Task scheduling of cloud computing based on hybrid particle swarm algorithm and genetic algorithm | |
| Li et al. | Multi-objective task scheduling optimization in cloud computing based on genetic algorithm and differential evolution algorithm | |
| CN108182115A (zh) | 一种云环境下的虚拟机负载均衡方法 | |
| Zhang et al. | Efficient and merged biogeography-based optimization algorithm for global optimization problems | |
| CN106371924B (zh) | 一种最小化MapReduce集群能耗的任务调度方法 | |
| CN109933425B (zh) | 一种基于改进蚁群算法的云计算虚拟机放置方法 | |
| CN110599068A (zh) | 一种基于粒子群优化算法的云资源调度方法 | |
| CN111813500B (zh) | 一种多目标云工作流调度方法及装置 | |
| Gu et al. | A multi-objective fog computing task scheduling strategy based on ant colony algorithm | |
| CN115454612A (zh) | 一种基于维度学习策略和灰狼优化的云平台任务调度方法 | |
| CN112434779A (zh) | 一种基于改进蚁群算法的紧耦合任务分配方法 | |
| CN113364819A (zh) | 基于土狼优化算法的企业级PaaS系统资源调度方法 | |
| Miranda et al. | Generation of particle swarm optimization algorithms: An experimental study using grammar-guided genetic programming | |
| Wei et al. | SAMPGA task scheduling algorithm in cloud computing | |
| CN115277445B (zh) | 一种基于QoS目标的微服务系统调度优化方法 | |
| CN114691327A (zh) | 面向两阶段任务调度的多目标群智能优化方法与系统 | |
| Liang et al. | Multi-factorial optimization for large-scale virtual machine placement in cloud computing | |
| Liu et al. | Dynamic biclustering of microarray data with MOPSO | |
| Kumar et al. | Enhanced crow search algorithm for task scheduling in cloud computing | |
| CN111966447A (zh) | 一种基于双排列遗传算法的容器放置方法 | |
| CN101378406A (zh) | 一种数据网格副本的选择方法 | |
| Liu et al. | Task scheduling model of edge computing for AI flow computing in Internet of Things | |
| Liu et al. | MR-DBIFOA: a parallel Density-based Clustering Algorithm by Using Improve Fruit Fly Optimization | |
| CN110083453A (zh) | 一种云计算环境下基于Min-Max算法的节能资源调度方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
| RJ01 | Rejection of invention patent application after publication |