CN113378481B - 基于多目标进化算法的互联网数据中心需求响应优化方法 - Google Patents

基于多目标进化算法的互联网数据中心需求响应优化方法 Download PDF

Info

Publication number
CN113378481B
CN113378481B CN202110763763.1A CN202110763763A CN113378481B CN 113378481 B CN113378481 B CN 113378481B CN 202110763763 A CN202110763763 A CN 202110763763A CN 113378481 B CN113378481 B CN 113378481B
Authority
CN
China
Prior art keywords
data center
internet data
workload
model
time
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
CN202110763763.1A
Other languages
English (en)
Other versions
CN113378481A (zh
Inventor
邵雪松
杨斌
黄奇峰
王忠东
易永仙
周玉
崔高颖
阮文骏
杨永标
徐青山
殷唐
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.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
Southeast University
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
Southeast University
State Grid Jiangsu Electric Power 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 State Grid Jiangsu Electric Power Co ltd Marketing Service Center, State Grid Corp of China SGCC, Southeast University, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202110763763.1A priority Critical patent/CN113378481B/zh
Publication of CN113378481A publication Critical patent/CN113378481A/zh
Application granted granted Critical
Publication of CN113378481B publication Critical patent/CN113378481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)

Abstract

基于多目标进化算法的互联网数据中心需求响应优化方法，包括以下步骤：采集各数据中心服务器台数最大值和最大工作负载容量，采集前后端门户网站的总工作负荷；以数据中心利润最大化和客户服务品质最优为目标，建立互联网数据中心需求响应模型，并提出一种决策变量约简方法；提出一种基于种群的方法来寻找有限解集，即帕累托最优解。在迭代过程中，以帕累托最优来提高解的质量。该算法通过变异、交叉、混合交叉、选择、存档更新等操作来保证算法的收敛性和解的多样性。本发明一种基于多目标进化算法的互联网数据中心需求响应优化方法，多目标进化算法有效地解决了物理约束的可行性和决策变量数量的可扩展性，互联网数据中心需求响应优化方法实现了数据中心利润和客户服务品质之间良好的平衡。

Description

基于多目标进化算法的互联网数据中心需求响应优化方法
技术领域
本发明涉及数据处理技术领域，更具体地，涉及基于多目标进化算法的互联网数据中心需求响应优化方法。
背景技术
目前电力行业在经营管理、生产营销和分析决策过程中大数据的应用相当广泛，建设高性能的互联网数据中心可以为电力行业提供统一的平台，及时整合分析处理数据，为企业发展提供基础服务。根据电力行业互联网数据中心不间断运行的特点，应对可能产生的各种风险故障提出详细的抗风险预案，用户需求的不确定性使得互联网数据中心(Internet Data Center，IDC)的服务质量显得尤为重要；此外，数据中心的最终收益很大程度上取决于运行维护成本的高低。
电力行业互联网数据中心(Internet Data Center，IDC)是网络物理系统，包括在服务器和客户端之间交换信息的计算机系统、电信系统和数据存储系统。随着IDC的工作量增加，电源和冷却系统上将投入大量资金以解决高峰需求的问题；同时，大量的电力消耗也导致碳排放的增加。因此，必须构建节能的IDC。
典型的IDC网络由多个数据中心、前后端门户网站和客户端组成。IDC负责提供服务并期望获得利润；客户期望获得优质服务；前后端门户网站和应用程序服务器是收集来自客户端的服务请求并将工作负载分配给每个IDC的应用程序服务器。可以将前后端门户网站视为IDC与客户端之间的协调器，以共同优化利润和服务质量(Quality of Service，QoS)。
现有技术认为，IDC的功耗与如何将能量用于功能实现以及处理数据有关。从功能实现的能源使用角度来看，可以通过协调的电源管理方案、更好的磁盘电源管理或固态变压器等方法来更好地控制设施电压、电流和无功功率，以此来提高能源效率。从数据处理的能源使用角度来看，在IDC上最佳地分配工作负载并控制活动服务器的数量可以提高网络效率，而且不会产生大量成本需求。
尽管降低功耗对IDC有益，但是当重点放在降低功耗上时，客户端的QoS可能会受到影响，在服务质量下降时，客户将求助于其他服务提供商，从而损害了IDC的经济效益。因此，在优化工作负载分配或活动服务器的数量时必须考虑QoS。
现有技术中，将QoS视为解决IDC问题的约束条件之一。S.Bahrami制定了一个“多对一”的匹配策略，通过对实时定价和工作量调度进行建模，提出了一种保证收敛到稳定结果的分布式算法，但是该算法没有在建模过程中明确考虑服务水平协议(Service-LevelAgreement，SLA)，无法突出具有成本效益的QoS的重要性；M.Ghamkhari和H.Mohsenian-Rad考虑到在最小化能源消耗和最大化收益之间的权衡，提出了利润最大化的方法，但该方法仅涉及一个IDC的凸优化问题，无法实现多IDC的优化；为了在多电力市场环境中考虑多个IDC，L.Rao和H.Shao研究了IDC的工作负载分配或负载平衡，提出了混合整数编程问题，但仅解决了能量消耗问题而未引入QoS的约束。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供基于多目标进化算法的互联网数据中心需求响应优化方法，结合电力行业互联网数据中心不间断运行以及对各种风险故障提出详细的抗风险预案的服务要求，有效地解决物理约束的可行性和决策变量数量的可扩展性，实现电力行业互联网数据中心的利润和客户服务质量之间良好的平衡。
本发明采用如下的技术方案。
互联网数据中心包括多个数据中心、前后端门户网站和客户端，基于多目标进化算法的互联网数据中心需求响应优化方法包括：
步骤1，获取各个数据中心服务器的最大台数、前后端门户网站接收的总工作负荷以及各个数据中心的最大工作负载容量。
步骤2，在综合约束条件下，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，基于决策变量约简方法，获得改进后的互联网数据中心需求响应模型；其中，所述综合约束条件包括：全部前后端门户网站的总工作负荷之和的约束条件、各数据中心服务器运行台数的约束条件和各数据中心平均延迟的约束条件。
步骤3，利用改进后的互联网数据中心需求响应模型，基于种群方法求解获得帕累托最优解。
优选地，步骤1包括：
步骤1.1，根据互联网数据中心所在建筑的建筑规模确定第j个数据中心服务器的最大台数Mj。
步骤1.2，根据互联网数据中心的客户群体数量确定前后端门户网站在时刻t接收的总工作负荷L(t)。
步骤1.3，根据互联网数据中心的设备额定参数确定第j个数据中心的最大工作负载容量
优选地，步骤2包括：
步骤2.1，建立前后端门户网站的总工作负荷模型，以获得前后端门户网站到各数据中心的请求率，根据前后端门户网站到各数据中心的请求率确定每个数据中心服务器的运行台数，以请求率和运行台数作为决策变量，构建决策变量矩阵的初始模型。
步骤2.2，利用各数据中心服务器的运行台数、各服务器的运行能耗和市场电价，构建各数据中心的电力成本模型。
步骤2.3，根据各数据中心服务器的运行台数，建立各数据中心的服务率模型；在各数据中心平均延迟的约束条件下，基于Erlang延迟函数方法，构建各数据中心的延迟概率模型；其中，所述各数据中心平均延迟的约束条件是，利用服务率模型、运行台数和服务协议的截止日期对各数据中心的工作负载容量进行约束；利用各数据中心的延迟概率模型获得互联网数据中心的服务质量模型；
步骤2.4，在服务协议的截止日期之前，利用各数据中心的收益模型和电力成本模型，构建互联网数据中心的利润模型。
步骤2.5，在综合约束条件下，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，基于决策变量约简方法，获得改进后的互联网数据中心需求响应模型；其中，所述综合约束条件包括：前后端门户网站的总工作负荷的约束条件、各数据中心服务器运行台数的约束条件和平均延迟的约束条件。
进一步，步骤2.1中，前后端门户网站的总工作负荷模型，满足如下关系式：
式中，Lk(t)为第k个前后端门户网站WPk在时刻t接收的总工作负荷Lk，λkj(t)为在时刻t从第k个前后端门户网站WPk到第j个数据中心IDCj的请求率，k＝1,2,…,K，K表示前后端门户网站的总数，j＝1,2,…,J，J表示数据中心的总数；
在时刻t第j个数据中心IDCj服务器的运行台数mj(t)不大于数据中心服务器的最大台数Mj，即mj(t)≤Mj；并且，第j个数据中心IDCj服务器的运行台数mj(t)由第k个前后端门户网站WPk到第j个数据中心IDCj的请求率λkj(t)决定；
所述决策变量矩阵的初始模型，满足如下关系式：
do(t)＝[m1(t) m2(t) … mJ(t) λ11(t) λ12(t) … λKJ(t)]T
式中，do(t)由J+KJ个决策变量组成。
进一步，步骤2.2中，各数据中心的电力成本模型，满足如下关系式：
cj(t)＝sj·mj(t)·yj(t)
式中，cj(t)为在时刻t第j个数据中心IDCj的电费，sj为第j个数据中心IDCj中每台服务器的运行能耗，mj(t)为在时刻t第j个数据中心IDCj服务器的运行台数，yj(t)为时刻t的市场电价；其中，第j个数据中心IDCj中每台服务器的运行能耗，包括：AC/DC损耗、DC/DC损耗、风扇能耗、驱动器能耗、处理器能耗、内存能耗和芯片能耗。
进一步，步骤2.3中，各数据中心的服务率模型，满足如下关系式：
μj(t)＝κmj(t)
式中，μj(t)为在时刻t第j个数据中心IDCj的服务率，κ为每台服务器每秒可处理服务请求的数量；
各数据中心平均延迟的约束条件，满足如下关系式：
式中，Ej(t)为第j个数据中心IDCj在时刻t接收的工作负载，Dj为服务协议的截止日期；
并且，第j个数据中心的最大工作负载容量以为约束条件；
在平均延迟的约束条件下，基于Erlang延迟函数方法，各数据中心的延迟概率模型，满足如下关系式：
式中，表示数据中心处理服务请求的时长；
互联网数据中心的服务质量模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均延迟概率。
进一步，步骤2.4中，在服务协议的截止日期Dj之前，各数据中心的收益模型，满足如下关系式：
rj(t)＝aj(t)-bj(t)
式中，rj(t)为第j个数据中心IDCj在时刻t的收益，αj(t)为在时刻t下第j个数据中心IDCj在服务协议的截止日期Dj之前已处理服务申请可获得的报酬，βj(t)为在时刻t下第j个数据中心IDCj在服务协议的截止日期Dj之前未处理服务申请可获得的赔偿；
互联网数据中心的利润模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均利润，Profit(mj(t),Ej(t))为在时刻t下第j个数据中心IDCj的利润，满足如下关系式：
Profit(mj(t),Ej(t))＝rj(t)-cj(t)
式中，cj(t)为在时刻t第j个数据中心IDCj的电费。
进一步，步骤2.5包括：
步骤2.5.1，构建初步的综合约束条件，包括：
(1)前后端门户网站的总工作负荷的约束条件
(2)各数据中心服务器运行台数的约束条件mj(t)≤Mj；
(3)各数据中心平均延迟的约束条件
步骤2.5.2，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，构建的互联网数据中心需求响应模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均利润，/>为互联网数据中心的平均延迟概率；
步骤2.5.3，基于决策变量约简方法，对决策变量矩阵的初始模型中的决策变量进行减少处理，即将从前后端门户网站到各数据中心的请求率的决策变量，替换为各数据中心接收的工作负载的决策变量，得到的决策变量矩阵满足如下关系式：
d(t)＝[m1(t) m2(t) … mJ(t) E1(t) E2(t) … EJ(t)]T
式中，d(t)由2J个决策变量组成；
步骤2.5.4，基于决策变量约简方法，对互联网数据中心的全部前后端门户网站的总工作负荷的约束条件进行简化，即将从前后端门户网站到各数据中心的请求率的决策变量，替换为各数据中心接收的工作负载的决策变量，得到的互联网数据中心的全部前后端门户网站的总工作负荷之和的约束条件，满足如下关系式：
式中，L(t)为互联网数据中心的全部前后端门户网站的总工作负荷之和；
步骤2.5.5，所述改进后的互联网数据中心需求响应模型，满足如下关系式：
s.t.mj(t)≤Mj
式中，为经过决策变量约简后在时刻t下互联网数据中心的平均利润，为经过决策变量约简后在时刻t下互联网数据中心的平均延迟概率；
其中，改进后的模型采用的综合约束条件包括：
(1)全部前后端门户网站的总工作负荷之和的约束条件
(2)各数据中心服务器运行台数的约束条件mj(t)≤Mj；
(3)各数据中心平均延迟的约束条件
优选地，步骤3包括：
步骤3.1，基于决策变量约简方法，建立满足综合约束条件的可行随机向量矩阵；
步骤3.2，以可行随机向量矩阵为初始化种群，进行进化算法的迭代；其中，所述进化算法包括突变操作、交叉操作、选择操作、超交叉操作；
步骤3.3，根据帕累托前沿选择肘关节解集合，并根据最小曼哈顿距离来选择肘关节解，作为帕累托最优解，作为互联网数据中心的利润最大和客户服务质量最优的优化结果。
进一步，步骤3.1包括：
步骤3.1.1，在全部前后端门户网站的总工作负荷之和的约束条件下，调整各数据中心的工作负载分配，具体为：
(1)在时刻t对于第j个数据中心IDCj，设置其当前工作负载的初值为0；
(2)校验各数据中心的当前工作负载之和与全部前后端门户网站的总工作负荷之和L(t)的大小，当/>时，为各数据中心分配随机工作负载其中，/>为第j个数据中心IDCj的最大工作负载，rand为随机分配系数，是开区间(0,1)上的连续均匀随机变量；
(3)随机工作负载分配完毕后，再次比较当前工作负载之和与全部前后端门户网站的总工作负荷之和L(t)的大小，若/>则停止为各数据中心分配随机工作负载；若/>则返回步骤(2)继续为各数据中心分配随机工作负载；
步骤3.1.2，在时刻t对于第j个数据中心IDCj，采用步骤3.1.1分配后的各数据中心的当前工作负载和全部前后端门户网站的总工作负荷之和L(t)来表征在时刻t的第j个数据中心IDCj的工作负载Ej(t)，满足如下关系式：
并且以如下关系式表达的范围之内随机生成离散整数，来表征在时刻t的第j个数据中心IDCj的运行台数mj(t)：
式中，表示向上取整函数；
步骤3.1.3，基于决策变量约简方法，将决策变量矩阵中d(t)中的决策变量进行替换处理，得到可行随机向量矩阵，即将工作负载Ej(t)和运行台数mj(t)用步骤3.1.2中获得的表征关系式进行替换。
进一步，步骤3.2包括：
步骤3.2.1，设置种群规模Np和最大迭代次数tmax；
步骤3.2.2，以集合Γ存储进化算法迭代过程中的所有候选解，并且令Γ为非空集，设置迭代计数指针初始值为tc＝1，设置种群初始值n＝1，以步骤3.1生成的可行随机向量矩阵作为初始化种群，即
步骤3.2.3，若n>Np，则转到步骤3.2.8；在n≤Np时，若或|Γ|<2，则转到步骤3.2.4，否则，转到步骤3.2.7；
步骤3.2.4，进行突变操作，即以种群中随机选择的一个可行点dbest(t)和一个可行随机向量作为输入来生成突变体υ(t)；其中，所述/>是从可行随机向量矩阵中随机选择的第一可行随机向量，dbest(t)是随机可行点；
步骤3.2.5，进行交叉操作，即以突变体v(t)和种群中的每个点dn(t)作为输入来生成结合体
步骤3.2.6，进行选择操作，若结合体优于dn(t)，则令/>并且令n＝n+1，返回步骤3.2.3；
步骤3.2.7，进行超交叉操作，从种群中随机选取不同的点对和/>进行组合，过程中不添加任何突变体；其中，所述/>是从可行随机向量矩阵中随机选择的第二可行随机向量；令n＝n+1，返回步骤3.2.3；
步骤3.2.8，进行存储更新操作，将所有点添加到Γ，然后去掉被支配点；
步骤3.2.9，令tc＝tc+1，若tc<tmax，则令n＝1并且返回步骤3.2.3，否则转到步骤3.3。
进一步，步骤3.2.4中，从种群中随机选择的一个可行点dbest(t)和一个可行随机向量按照如下关系式，对可行随机向量矩阵内部进行突变操作以生成突变体υ(t)：
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
进一步，步骤3.2.5中，选择突变体v(t)和种群中的每个点dn(t)，按照如下关系式，对可行随机向量矩阵内部进行交叉操作以生成结合体
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
进一步，步骤3.2.7中，从可行随机向量矩阵中随机选择的第一可行随机向量和第二可行随机向量/>按照如下关系式，对可行随机向量矩阵内部进行超交叉操作：
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
进一步，步骤3.3中，以集合Γ存储迭代期间的所有候选解，候选解中的m1(t),m2(t),…,mJ(t)均会向上取整；经过多次迭代运算后，当tc≥tmax时，集合Γ为帕累托最优解集；其中，tmax为最大迭代次数；此时，帕累托前沿满足如下关系式：
式中，
为在时刻t下互联网数据中心的最大利润，
为经过决策变量约简后在时刻t下互联网数据中心的平均利润，
为在时刻t下互联网数据中心的最小延迟概率，
为经过决策变量约简后时刻t下互联网数据中心的平均延迟概率，
ξP(t)为在时刻t下互联网数据中心的利润上下限的差值，
ξD(t)为在时刻t下互联网数据中心的延迟概率上下限的差值；
根据帕累托前沿选择肘关节解d*(t)，满足如下关系式：
式中，‖·‖1表示曼哈顿标准。
本发明的有益效果在于，与现有技术相比，以电力行业互联网数据中心利润最大化和客户服务品质最优为目标，通过优化方法获得的最优解能够实现数据中心利润和客户服务品质之间良好的平衡，既实现电力行业互联网数据中心不间断运行下的有效节能，还能够及时对各种风险故障提出详细的抗风险预案，保证了客户服务品质；引入决策变量简约方法和种群求解方法有效地解决了物理约束的可行性和决策变量数量的可扩展性，互联网数据中心需求响应优化方法。
附图说明
图1为本发明的基于多目标进化算法的互联网数据中心需求响应优化方法的流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。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申请的保护范围。
典型的IDC网络由多个数据中心，前后端门户网站和客户端组成。IDC负责提供服务并期望获得利润；客户期望获得优质服务；前后端门户网站和应用程序服务器是收集来自客户端的服务请求并将工作负载分配给每个IDC的应用程序服务器。可以将前后端门户网站视为IDC与客户端之间的协调器，以共同优化利润和QoS。
如图1，基于多目标进化算法的互联网数据中心需求响应优化方法包括：
步骤1，获取各个数据中心服务器的最大台数、前后端门户网站接收的总工作负荷以及各个数据中心的最大工作负载容量。
具体地，步骤1包括：
步骤1.1，根据互联网数据中心所在建筑的建筑规模确定第j个数据中心服务器的最大台数Mj。
步骤1.2，根据互联网数据中心的客户群体数量确定前后端门户网站在时刻t接收的总工作负荷L(t)。
步骤1.3，根据互联网数据中心的设备额定参数确定第j个数据中心的最大工作负载容量
步骤2，在综合约束条件下，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，基于决策变量约简方法，获得改进后的互联网数据中心需求响应模型；其中，所述综合约束条件包括：全部前后端门户网站的总工作负荷之和的约束条件、各数据中心服务器运行台数的约束条件和各数据中心平均延迟的约束条件。
具体地，步骤2包括：
步骤2.1，建立前后端门户网站的总工作负荷模型，以获得前后端门户网站到各数据中心的请求率，根据前后端门户网站到各数据中心的请求率确定每个数据中心服务器的运行台数，以请求率和运行台数作为决策变量，构建决策变量矩阵的初始模型。
进一步，步骤2.1中，前后端门户网站的总工作负荷模型，满足如下关系式：
式中，Lk(t)为第k个前后端门户网站WPk在时刻t接收的总工作负荷Lk，λkj(t)为在时刻t从第k个前后端门户网站WPk到第j个数据中心IDCj的请求率，k＝1,2,…,K，K表示前后端门户网站的总数，j＝1,2,…,J，J表示数据中心的总数；
在时刻t第j个数据中心IDCj服务器的运行台数mj(t)不大于数据中心服务器的最大台数Mj，即mj(t)≤Mj；并且，第j个数据中心IDCj服务器的运行台数mj(t)由第k个前后端门户网站WPk到第j个数据中心IDCj的请求率λkj(t)决定；
决策变量矩阵的初始模型，满足如下关系式：
do(t)＝[m1(t) m2(t) … mJ(t) λ11(t) λ12(t) … λKJ(t)]T
式中，do(t)由J+KJ个决策变量组成。
步骤2.2，利用各数据中心服务器的运行台数、各服务器的运行能耗和市场电价，构建各数据中心的电力成本模型。
进一步，步骤2.2中，各数据中心的电力成本模型，满足如下关系式：
cj(t)＝sj·mj(t)·yj(t)
式中，cj(t)为在时刻t第j个数据中心IDCj的电费，sj为第j个数据中心IDCj中每台服务器的运行能耗，mj(t)为在时刻t第j个数据中心IDCj服务器的运行台数，yj(t)为时刻t的市场电价；其中，第j个数据中心IDCj中每台服务器的运行能耗，包括：AC/DC损耗、DC/DC损耗、风扇能耗、驱动器能耗、处理器能耗、内存能耗和芯片能耗。
步骤2.3，根据各数据中心服务器的运行台数，建立各数据中心的服务率模型；在各数据中心平均延迟的约束条件下，基于Erlang延迟函数方法，构建各数据中心的延迟概率模型；其中，所述各数据中心平均延迟的约束条件是，利用服务率模型、运行台数和服务协议的截止日期对各数据中心的工作负载容量进行约束；利用各数据中心的延迟概率模型获得互联网数据中心的服务质量模型；
进一步，步骤2.3中，各数据中心的服务率模型，满足如下关系式：
μj(t)＝κmj(t)
式中，μj(t)为在时刻t第j个数据中心IDCj的服务率，κ为每台服务器每秒可处理服务请求的数量；
各数据中心平均延迟的约束条件，满足如下关系式：
式中，Ej(t)为第j个数据中心IDCj在时刻t接收的工作负载，Dj为服务协议的截止日期；
并且，第j个数据中心的最大工作负载容量以为约束条件；
在平均延迟的约束条件下，基于Erlang延迟函数方法，各数据中心的延迟概率模型，满足如下关系式：
式中，表示数据中心处理服务请求的时长；
互联网数据中心的服务质量模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均延迟概率。
步骤2.4，在服务协议的截止日期之前，利用各数据中心的收益模型和电力成本模型，构建互联网数据中心的利润模型。
进一步，步骤2.4中，在服务协议的截止日期Dj之前，各数据中心的收益模型，满足如下关系式：
rj(t)＝aj(t)-bj(t)
式中，rj(t)为第j个数据中心IDCj在时刻t的收益，αj(t)为在时刻t下第j个数据中心IDCj在服务协议的截止日期Dj之前已处理服务申请可获得的报酬，βj(t)为在时刻t下第j个数据中心IDCj在服务协议的截止日期Dj之前未处理服务申请可获得的赔偿；
互联网数据中心的利润模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均利润，Profit(mj(t),Ej(t))为在时刻t下第j个数据中心IDCj的利润，满足如下关系式：
profit(mj(t),Ej(t))＝rj(t)-cj(t)
式中，cj(t)为在时刻t第j个数据中心IDCj的电费。
步骤2.5，在综合约束条件下，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，基于决策变量约简方法，获得改进后的互联网数据中心需求响应模型；其中，所述综合约束条件包括：前后端门户网站的总工作负荷的约束条件、各数据中心服务器运行台数的约束条件和平均延迟的约束条件。
进一步，步骤2.5包括：
步骤2.5.1，构建初步的综合约束条件，包括：
(1)前后端门户网站的总工作负荷的约束条件
(2)各数据中心服务器运行台数的约束条件mj(t)≤Mj；
(3)各数据中心平均延迟的约束条件
步骤2.5.2，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，构建的互联网数据中心需求响应模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均利润，/>为互联网数据中心的平均延迟概率；
步骤2.5.3，基于决策变量约简方法，对决策变量矩阵的初始模型中的决策变量进行减少处理，即将从前后端门户网站到各数据中心的请求率的决策变量，替换为各数据中心接收的工作负载的决策变量，得到的决策变量矩阵满足如下关系式：
d(t)＝[m1(t) m2(t) … mJ(t) E1(t) E2(t) … EJ(t)]T
式中，d(t)由2J个决策变量组成；
步骤2.5.4，基于决策变量约简方法，对互联网数据中心的全部前后端门户网站的总工作负荷的约束条件进行简化，即将从前后端门户网站到各数据中心的请求率的决策变量，替换为各数据中心接收的工作负载的决策变量，得到的互联网数据中心的全部前后端门户网站的总工作负荷之和的约束条件，满足如下关系式：
式中，L(t)为互联网数据中心的全部前后端门户网站的总工作负荷之和；
步骤2.5.5，所述改进后的互联网数据中心需求响应模型，满足如下关系式：
s.t.mj(t)≤Mj
式中，为经过决策变量约简后在时刻t下互联网数据中心的平均利润，为经过决策变量约简后在时刻t下互联网数据中心的平均延迟概率；
其中，改进后的模型采用的综合约束条件包括：
(1)全部前后端门户网站的总工作负荷之和的约束条件
(2)各数据中心服务器运行台数的约束条件mj(t)≤Mj；
(3)各数据中心平均延迟的约束条件
步骤3，利用改进后的互联网数据中心需求响应模型，基于种群方法求解获得帕累托最优解。
具体地，步骤3包括：
步骤3.1，基于决策变量约简方法，建立满足综合约束条件的可行随机向量矩阵。
进一步，步骤3.1包括：
步骤3.1.1，在全部前后端门户网站的总工作负荷之和的约束条件下，调整各数据中心的工作负载分配，具体为：
(1)在时刻t对于第j个数据中心IDCj，设置其当前工作负载的初值为0；
(2)校验各数据中心的当前工作负载之和与全部前后端门户网站的总工作负荷之和L(t)的大小，当/>时，为各数据中心分配随机工作负载其中，/>为第j个数据中心IDCj的最大工作负载，rand为随机分配系数，是开区间(0,1)上的连续均匀随机变量；/>
(3)随机工作负载分配完毕后，再次比较当前工作负载之和与全部前后端门户网站的总工作负荷之和L(t)的大小，若/>则停止为各数据中心分配随机工作负载；若/>则返回步骤(2)继续为各数据中心分配随机工作负载。
步骤3.1.2，在时刻t对于第j个数据中心IDCj，采用步骤3.1.1分配后的各数据中心的当前工作负载和全部前后端门户网站的总工作负荷之和L(t)来表征在时刻t的第j个数据中心IDCj的工作负载Ej(t)，满足如下关系式：
并且以如下关系式表达的范围之内随机生成离散整数，来表征在时刻t的第j个数据中心IDCj的运行台数mj(t)：
式中，表示向上取整函数。
步骤3.1.3，基于决策变量约简方法，将决策变量矩阵中d(t)中的决策变量进行替换处理，得到可行随机向量矩阵，即将工作负载Ej(t)和运行台数mj(t)用步骤3.1.2中获得的表征关系式进行替换。
步骤3.2，以可行随机向量矩阵为初始化种群，进行进化算法的迭代；其中，所述进化算法包括突变操作、交叉操作、选择操作、超交叉操作。
进一步，步骤3.2包括：
步骤3.2.1，设置种群规模Np和最大迭代次数tmax。
步骤3.2.2，以集合Γ存储进化算法迭代过程中的所有候选解，并且令Γ为非空集，设置迭代计数指针初始值为tc＝1，设置种群初始值n＝1，以步骤3.1生成的可行随机向量矩阵作为初始化种群，即
步骤3.2.3，若n>Np，则转到步骤3.2.8；在n≤Np时，若或|Γ|<2，则转到步骤3.2.4，否则，转到步骤3.2.7。
步骤3.2.4，进行突变操作，即以种群中随机选择的一个可行点dbest(t)和一个可行随机向量作为输入来生成突变体υ(t)；其中，所述/>是从可行随机向量矩阵中随机选择的第一可行随机向量，dbest(t)是随机可行点。
进一步，步骤3.2.4中，从种群中随机选择的一个可行点dbest(t)和一个可行随机向量按照如下关系式，对可行随机向量矩阵内部进行突变操作以生成突变体υ(t)：
/>
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
步骤3.2.5，进行交叉操作，即以突变体v(t)和种群中的每个点dn(t)作为输入来生成结合体
进一步，步骤3.2.5中，选择突变体υ(t)和种群中的每个点dn(t)，按照如下关系式，对可行随机向量矩阵内部进行交叉操作以生成结合体
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
步骤3.2.6，进行选择操作，若结合体优于dn(t)，则令/>并且令n＝n+1，返回步骤3.2.3。
步骤3.2.7，进行超交叉操作，从种群中随机选取不同的点对和/>进行组合，过程中不添加任何突变体；其中，所述/>是从可行随机向量矩阵中随机选择的第二可行随机向量；令n＝n+1，返回步骤3.2.3。
进一步，步骤3.2.7中，从可行随机向量矩阵中随机选择的第一可行随机向量和第二可行随机向量/>按照如下关系式，对可行随机向量矩阵内部进行超交叉操作：
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
步骤3.2.8，进行存储更新操作，将所有点dn(t)添加到Γ，然后去掉被支配点。
步骤3.2.9，令tc＝tc+1，若tc<tmax，则令n＝1并且返回步骤3.2.3，否则转到步骤3.3。
步骤3.3，根据帕累托前沿选择肘关节解集合，并根据最小曼哈顿距离来选择肘关节解，作为帕累托最优解，作为互联网数据中心的利润最大和客户服务质量最优的优化结果。
进一步，步骤3.3中，以集合Γ存储迭代期间的所有候选解，候选解中的m1(t),m2(t),…,mJ(t)均会向上取整；经过多次迭代运算后，当tc≥tmax时，集合Γ为帕累托最优解集；其中，tmax为最大迭代次数；此时，帕累托前沿满足如下关系式：
/>
式中，
为在时刻t下互联网数据中心的最大利润，
为经过决策变量约简后在时刻t下互联网数据中心的平均利润，
为在时刻t下互联网数据中心的最小延迟概率，
为经过决策变量约简后时刻t下互联网数据中心的平均延迟概率，
ξP(t)为在时刻t下互联网数据中心的利润上下限的差值，
ξD(t)为在时刻t下互联网数据中心的延迟概率上下限的差值；
根据帕累托前沿选择肘关节解d*(t)，满足如下关系式：
式中，‖·‖1表示曼哈顿标准。
本发明的有益效果在于，与现有技术相比，以电力行业互联网数据中心利润最大化和客户服务品质最优为目标，通过优化方法获得的最优解能够实现数据中心利润和客户服务品质之间良好的平衡，既实现电力行业互联网数据中心不间断运行下的有效节能，还能够及时对各种风险故障提出详细的抗风险预案，保证了客户服务品质；引入决策变量简约方法和种群求解方法有效地解决了物理约束的可行性和决策变量数量的可扩展性，互联网数据中心需求响应优化方法。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (15)

1.基于多目标进化算法的互联网数据中心需求响应优化方法，所述互联网数据中心包括多个数据中心、前后端门户网站和客户端，其特征在于，
所述方法包括：
步骤1，获取各个数据中心服务器的最大台数、前后端门户网站接收的总工作负荷以及各个数据中心的最大工作负载容量；
步骤2，在综合约束条件下，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，基于决策变量约简方法，获得改进后的互联网数据中心需求响应模型；其中，所述综合约束条件包括：全部前后端门户网站的总工作负荷之和的约束条件、各数据中心服务器运行台数的约束条件和各数据中心平均延迟的约束条件；
其中，利用服务率、运行台数和服务协议的截止日期对各数据中心的工作负载容量进行约束，作为平均延迟的约束条件；在平均延迟的约束条件下，基于Erlang延迟函数方法，利用数据中心处理服务请求的时长和数据中心服务器的运行台数得到数据中心的延迟概率，以各数据中心的延迟概率的平均值作为服务质量模型；在服务协议的截止日期之前，利用各数据中心的收益与电力成本差值获得各数据中心的利润，以各数据中心利润的平均值作为利润模型；以各数据中心的延迟概率平均值最小和数据中心的利润最大，构建互联网数据中心需求响应模型；
其中，所述互联网数据中心的服务质量模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均延迟概率；j＝1,2,…,J，J表示数据中心的总数；do(t)为决策变量矩阵的初始模型；PD(mj(t),Ej(t))为各数据中心的延迟概率模型；mj(t)为在时刻t第j个数据中心IDCj服务器的运行台数；Ej(t)为第j个数据中心IDCj在时刻t接收的工作负载；
所述互联网数据中心的利润模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均利润；
Profit(mj(t),Ej(t))为在时刻t下第j个数据中心IDCj的利润，满足如下关系式：
Profit(mj(t),Ej(t))＝rj(t)-cj(t)
式中，rj(t)为第j个数据中心IDCj在时刻t的收益；cj(t)为在时刻t第j个数据中心IDCj的电费；
所述改进后的互联网数据中心需求响应模型，满足如下关系式：
满足约束：mj(t)≤Mj
式中，为经过决策变量约简后在时刻t下互联网数据中心的平均利润，为经过决策变量约简后在时刻t下互联网数据中心的平均延迟概率；L(t)为前后端门户网站在时刻t接收的总工作负荷；Mj为第j个数据中心服务器的最大台数；μj(t)为在时刻t第j个数据中心IDCj的服务率；Dj为服务协议的截止日期；
其中，改进后的模型采用的综合约束条件包括：
(1)全部前后端门户网站的总工作负荷之和的约束条件
(2)各数据中心服务器运行台数的约束条件mj(t)≤Mj；
(3)各数据中心平均延迟的约束条件
步骤3，利用改进后的互联网数据中心需求响应模型，基于种群方法求解获得帕累托最优解。
2.根据权利要求1所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤1包括：
步骤1.1，根据互联网数据中心所在建筑的建筑规模确定第j个数据中心服务器的最大台数Mj；
步骤1.2，根据互联网数据中心的客户群体数量确定前后端门户网站在时刻t接收的总工作负荷L(t)；
步骤1.3，根据互联网数据中心的设备额定参数确定第j个数据中心的最大工作负载容量
3.根据权利要求1所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤2包括：
步骤2.1，建立前后端门户网站的总工作负荷模型，以获得前后端门户网站到各数据中心的请求率，根据前后端门户网站到各数据中心的请求率确定每个数据中心服务器的运行台数，以请求率和运行台数作为决策变量，构建决策变量矩阵的初始模型；
步骤2.2，利用各数据中心服务器的运行台数、各服务器的运行能耗和市场电价，构建各数据中心的电力成本模型；
步骤2.3，根据各数据中心服务器的运行台数，建立各数据中心的服务率模型；在各数据中心平均延迟的约束条件下，基于Erlang延迟函数方法，构建各数据中心的延迟概率模型；其中，所述各数据中心平均延迟的约束条件是，利用服务率模型、运行台数和服务协议的截止日期对各数据中心的工作负载容量进行约束；利用各数据中心的延迟概率模型获得互联网数据中心的服务质量模型；
步骤2.4，在服务协议的截止日期之前，利用各数据中心的收益模型和电力成本模型，构建互联网数据中心的利润模型；
步骤2.5，在综合约束条件下，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，基于决策变量约简方法，获得改进后的互联网数据中心需求响应模型；其中，所述综合约束条件包括：前后端门户网站的总工作负荷的约束条件、各数据中心服务器运行台数的约束条件和平均延迟的约束条件。
4.根据权利要求3所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤2.1中，前后端门户网站的总工作负荷模型，满足如下关系式：
式中，
Lk(t)为第k个前后端门户网站WPk在时刻t接收的总工作负荷Lk，
λkj(t)为在时刻t从第k个前后端门户网站WPk到第j个数据中心IDCj的请求率，
k＝1,2,…,K，K表示前后端门户网站的总数，
j＝1,2,…,J，J表示数据中心的总数；
在时刻t第j个数据中心IDCj服务器的运行台数mj(t)不大于数据中心服务器的最大台数Mj，即mj(t)≤Mj；并且，第j个数据中心IDCj服务器的运行台数mj(t)由第k个前后端门户网站WPk到第j个数据中心IDCj的请求率λkj(t)决定；
所述决策变量矩阵的初始模型，满足如下关系式：
do(t)＝[m1(t) m2(t) … mJ(t) λ11(t) λ12(t) … λKJ(t)]T
式中，do(t)由J+KJ个决策变量组成。
5.根据权利要求4所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤2.2中，所述各数据中心的电力成本模型，满足如下关系式：
cj(t)＝sj·mj(t)·yj(t)
式中，
cj(t)为在时刻t第j个数据中心IDCj的电费，
sj为第j个数据中心IDCj中每台服务器的运行能耗，
mj(t)为在时刻t第j个数据中心IDCj服务器的运行台数，
yj(t)为时刻t的市场电价，
其中，第j个数据中心IDCj中每台服务器的运行能耗，包括：AC/DC损耗、DC/DC损耗、风扇能耗、驱动器能耗、处理器能耗、内存能耗和芯片能耗。
6.根据权利要求5所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤2.3中，所述各数据中心的服务率模型，满足如下关系式：
μj(t)＝εmj(t)
式中，
μj(t)为在时刻t第j个数据中心IDCj的服务率，
ε为每台服务器每秒可处理服务请求的数量，
所述各数据中心平均延迟的约束条件，满足如下关系式：
式中，
Ej(t)为第j个数据中心IDCj在时刻t接收的工作负载，
Dj为服务协议的截止日期；
并且，第j个数据中心的最大工作负载容量以为约束条件；
在平均延迟的约束条件下，基于Erlang延迟函数方法，所述各数据中心的延迟概率模型，满足如下关系式：
式中，，表示数据中心处理服务请求的时长。
7.根据权利要求6所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤2.4中，在服务协议的截止日期Dj之前，各数据中心的收益模型，满足如下关系式：
rj(t)＝αj(t)-βj(t)
式中，
rj(t)为第j个数据中心IDCj在时刻t的收益，
αj(t)为在时刻t下第j个数据中心IDCj在服务协议的截止日期Dj之前已处理服务申请可获得的报酬，
βj(t)为在时刻t下第j个数据中心IDCj在服务协议的截止日期Dj之前未处理服务申请可获得的赔偿。
8.根据权利要求7所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤2.5包括：
步骤2.5.1，构建初步的综合约束条件，包括：
(1)前后端门户网站的总工作负荷的约束条件
(2)各数据中心服务器运行台数的约束条件mj(t)≤Mj；
(3)各数据中心平均延迟的约束条件
步骤2.5.2，以互联网数据中心的利润最大和客户服务质量最优为优化目标，利用互联网数据中心的服务质量模型和互联网数据中心的利润模型，构建的互联网数据中心需求响应模型，满足如下关系式：
式中，为在时刻t下互联网数据中心的平均利润，/>为互联网数据中心的平均延迟概率；
步骤2.5.3，基于决策变量约简方法，对决策变量矩阵的初始模型中的决策变量进行减少处理，即将从前后端门户网站到各数据中心的请求率的决策变量，替换为各数据中心接收的工作负载的决策变量，得到的决策变量矩阵满足如下关系式：
d(t)＝[m1(t) m2(t) … mJ(t) E1(t) E2(t) … EJ(t)]T
式中，d(t)由2J个决策变量组成；
步骤2.5.4，基于决策变量约简方法，对互联网数据中心的全部前后端门户网站的总工作负荷的约束条件进行简化，即将从前后端门户网站到各数据中心的请求率的决策变量，替换为各数据中心接收的工作负载的决策变量，得到的互联网数据中心的全部前后端门户网站的总工作负荷之和的约束条件，满足如下关系式：
式中，L(t)为互联网数据中心的全部前后端门户网站的总工作负荷之和。
9.根据权利要求1所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤3包括：
步骤3.1，基于决策变量约简方法，建立满足综合约束条件的可行随机向量矩阵；
步骤3.2，以所述可行随机向量矩阵为初始化种群，进行进化算法的迭代；其中，所述进化算法包括突变操作、交叉操作、选择操作、超交叉操作；
步骤3.3，根据帕累托前沿选择肘关节解集合，并根据最小曼哈顿距离来选择肘关节解，作为帕累托最优解，作为互联网数据中心的利润最大和客户服务质量最优的优化结果。
10.根据权利要求9所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤3.1包括：
步骤3.1.1，在全部前后端门户网站的总工作负荷之和的约束条件下，调整各数据中心的工作负载分配，具体为：
(1)在时刻t对于第j个数据中心IDCj，设置其当前工作负载的初值为0；
(2)校验各数据中心的当前工作负载之和与全部前后端门户网站的总工作负荷之和L(t)的大小，当/>时，为各数据中心分配随机工作负载/>其中，/>为第j个数据中心IDCj的最大工作负载，rand为随机分配系数，是开区间(0,1)上的连续均匀随机变量；
(3)随机工作负载分配完毕后，再次比较当前工作负载之和与全部前后端门户网站的总工作负荷之和L(t)的大小，若/>则停止为各数据中心分配随机工作负载；若/>则返回步骤(2)继续为各数据中心分配随机工作负载；
步骤3.1.2，在时刻t对于第j个数据中心IDCj，采用步骤3.1.1分配后的各数据中心的当前工作负载和全部前后端门户网站的总工作负荷之和L(t)来表征在时刻t的第j个数据中心IDCj的工作负载Ej(t)，满足如下关系式：
并且以如下关系式表达的范围之内随机生成离散整数，来表征在时刻t的第j个数据中心IDCj的运行台数mj(t)：
式中，表示向上取整函数；
步骤3.1.3，基于决策变量约简方法，将决策变量矩阵中d(t)中的决策变量进行替换处理，得到可行随机向量矩阵，即将工作负载Ej(t)和运行台数mj(t)用步骤3.1.2中获得的表征关系式进行替换。
11.根据权利要求9所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤3.2包括：
步骤3.2.1，设置种群规模Np和最大迭代次数tmax；
步骤3.2.2，以集合Γ存储进化算法迭代过程中的所有候选解，并且令Γ为非空集，设置迭代计数指针初始值为tc＝1，设置种群初始值n＝1，以步骤3.1生成的可行随机向量矩阵作为初始化种群，即
步骤3.2.3，若n>Np，则转到步骤3.2.8；在n≤Np时，若或|Γ|<2，则转到步骤3.2.4，否则，转到步骤3.2.7；
步骤3.2.4，进行突变操作，即以种群中随机选择的一个可行点dbest(t)和一个可行随机向量作为输入来生成突变体v(t)；其中，/>是从可行随机向量矩阵中随机选择的第一可行随机向量，dbest(t)是随机可行点；
步骤3.2.5，进行交叉操作，即以突变体v(t)和种群中的每个点dn(t)作为输入来生成结合体
步骤3.2.6，进行选择操作，若结合体优于dn(t)，则令/>并且令n＝n+1，返回步骤3.2.3；
步骤3.2.7，进行超交叉操作，从种群中随机选取不同的点对和/>进行组合，过程中不添加任何突变体；其中，所述/>是从可行随机向量矩阵中随机选择的第二可行随机向量；令n＝n+1，返回步骤3.2.3；
步骤3.2.8，进行存储更新操作，将所有点dn(t)添加到Γ，然后去掉被支配点；
步骤3.2.9，令tc＝tc+1，若tc<tmax，则令n＝1并且返回步骤3.2.3，否则转到步骤3.3。
12.根据权利要求11所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤3.2.4中，从种群中随机选择的一个可行点dbest(t)和一个可行随机向量按照如下关系式，对可行随机向量矩阵内部进行突变操作以生成突变体v(t)：
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
13.根据权利要求11所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤3.2.5中，选择突变体v(t)和种群中的每个点dn(t)，按照如下关系式，对可行随机向量矩阵内部进行交叉操作以生成结合体
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
14.根据权利要求11所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤3.2.7中，从可行随机向量矩阵中随机选择的第一可行随机向量和第二可行随机向量/>按照如下关系式，对可行随机向量矩阵内部进行超交叉操作：
式中，
γ＝rand，为随机分配系数，是开区间(0,1)上的连续均匀随机变量，
[·]l表示求取向量中的第l个元素。
15.根据权利要求11所述的基于多目标进化算法的互联网数据中心需求响应优化方法，其特征在于，
步骤3.3中，以集合Γ存储迭代期间的所有候选解，候选解中的m1(t),m2(t),…,mJ(t)均会向上取整；经过多次迭代运算后，当tc≥tmax时，集合Γ为帕累托最优解集；其中，tmax为最大迭代次数；此时，帕累托前沿满足如下关系式：
式中，
为在时刻t下互联网数据中心的最大利润，
为经过决策变量约简后在时刻t下互联网数据中心的平均利润，/>为在时刻t下互联网数据中心的最小延迟概率，
为经过决策变量约简后时刻t下互联网数据中心的平均延迟概率，
ξP(t)为在时刻t下互联网数据中心的利润上下限的差值，
ξD(t)为在时刻t下互联网数据中心的延迟概率上下限的差值；
根据帕累托前沿选择肘关节解d*(t)，满足如下关系式：
式中，||·||1表示曼哈顿标准。
CN202110763763.1A 2021-07-06 2021-07-06 基于多目标进化算法的互联网数据中心需求响应优化方法 Active CN113378481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110763763.1A CN113378481B (zh) 2021-07-06 2021-07-06 基于多目标进化算法的互联网数据中心需求响应优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110763763.1A CN113378481B (zh) 2021-07-06 2021-07-06 基于多目标进化算法的互联网数据中心需求响应优化方法

Publications (2)

Publication Number Publication Date
CN113378481A CN113378481A (zh) 2021-09-10
CN113378481B true CN113378481B (zh) 2024-02-06

Family

ID=77581211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110763763.1A Active CN113378481B (zh) 2021-07-06 2021-07-06 基于多目标进化算法的互联网数据中心需求响应优化方法

Country Status (1)

Country Link
CN (1) CN113378481B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114330844B (zh) * 2021-12-15 2024-06-14 国网浙江省电力有限公司经济技术研究院 一种基于碳减排的数据中心需求响应方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765967A (zh) * 2015-04-20 2015-07-08 中国人民解放军国防科学技术大学 一种离网混合可再生能源系统的多目标优化设计方法
CN105184406A (zh) * 2015-09-07 2015-12-23 国网天津市电力公司 一种绿色数据中心备用能源系统优化设计方法
EP3241111A1 (en) * 2014-12-30 2017-11-08 British Telecommunications Public Limited Company Provisioning of telecommunications resources
CN109284875A (zh) * 2018-11-12 2019-01-29 国网冀北综合能源服务有限公司 能源互联网多目标优化方法
EP3525563A1 (en) * 2018-02-07 2019-08-14 ABB Schweiz AG Method and system for controlling power consumption of a data center based on load allocation and temperature measurements
CN111027736A (zh) * 2019-07-30 2020-04-17 中国人民解放军国防科技大学 多目标优化下的微服务组合部署与调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8219477B2 (en) * 2004-02-20 2012-07-10 General Electric Company Systems and methods for multi-objective portfolio analysis using pareto sorting evolutionary algorithms
US7626917B2 (en) * 2004-06-10 2009-12-01 International Business Machines Corporation Methods and apparatus for cost minimization of multi-tiered infrastructure with end-to-end delay guarantees
CN105358217A (zh) * 2013-06-18 2016-02-24 杜克大学 在特定治疗标准及特定治疗参数下用于特定患者放射治疗计划的系统和方法
EP3469539A2 (en) * 2016-06-13 2019-04-17 Worldline A pareto-based genetic algorythm for a dynamic portfolio management
US20180083482A1 (en) * 2016-09-19 2018-03-22 Nestfield Co., Ltd. Supply-demand balancing method and system for power management in smart grid
US11493664B2 (en) * 2019-03-04 2022-11-08 Landmark Graphics Corporation Multi-objective completion parameters optimization for a wellbore using Bayesian optimization

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3241111A1 (en) * 2014-12-30 2017-11-08 British Telecommunications Public Limited Company Provisioning of telecommunications resources
CN104765967A (zh) * 2015-04-20 2015-07-08 中国人民解放军国防科学技术大学 一种离网混合可再生能源系统的多目标优化设计方法
CN105184406A (zh) * 2015-09-07 2015-12-23 国网天津市电力公司 一种绿色数据中心备用能源系统优化设计方法
EP3525563A1 (en) * 2018-02-07 2019-08-14 ABB Schweiz AG Method and system for controlling power consumption of a data center based on load allocation and temperature measurements
CN109284875A (zh) * 2018-11-12 2019-01-29 国网冀北综合能源服务有限公司 能源互联网多目标优化方法
CN111027736A (zh) * 2019-07-30 2020-04-17 中国人民解放军国防科技大学 多目标优化下的微服务组合部署与调度方法

Also Published As

Publication number Publication date
CN113378481A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
Tushar et al. Energy storage sharing in smart grid: A modified auction-based approach
CN111163519B (zh) 系统收益最大化的无线体域网资源分配与任务卸载方法
Niu et al. A theory of cloud bandwidth pricing for video-on-demand providers
Ghamkhari et al. Data centers to offer ancillary services
Chen et al. Operational flexibility of active distribution networks with the potential from data centers
CN110162390B (zh) 一种雾计算系统的任务分配方法及系统
CN113378481B (zh) 基于多目标进化算法的互联网数据中心需求响应优化方法
CN110111214A (zh) 一种基于优先级的用户用能管理方法及系统
CN107423133A (zh) 一种降低电网网损的数据中心间数据网络负载分配方法
CN117353290A (zh) 一种数据中心与共享储能电站的联合调度方法及计算设备
CN111461507A (zh) 基于客户感知价值和风险意识的多服务器配置利润最大化方法
Chunlin et al. A distributed utility-based two level market solution for optimal resource scheduling in computational grid
Chen et al. Multi-objective robust optimal bidding strategy for a data center operator based on bi-level optimization
Jayanthi Literature review: Dynamic resource allocation mechanism in cloud computing environment
Khalid et al. An evolutionary approach to optimize data center profit in smart grid environment
CN108664318A (zh) 计算迁移方法及用于计算迁移的服务端、边界服务端
Benblidia et al. A game based power allocation in cloud computing data centers
CN111918376A (zh) 一种面向非正交多址接入的多用户功率控制方法
CN111062773A (zh) 一种虚拟电厂交易管理系统
Hao et al. Energy allocation and task scheduling in edge devices based on forecast solar energy with meteorological information
CN108629448A (zh) 一种基于Lyapunov优化的数据中心电能开销优化控制方法及系统
Chunlin et al. Pricing and resource allocation in computational grid with utility functions
CN114500303A (zh) 一种临时云资源的使用计费方法
Chunlin et al. A utility-based two level market solution for optimal resource allocation in computational grid
Wang et al. A sequential game perspective and optimization of the smart grid with distributed data centers

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