CN114020418A - 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法 - Google Patents

一种包含轮盘赌算法的粒子群优化的虚拟机放置方法 Download PDF

Info

Publication number
CN114020418A
CN114020418A CN202111414260.XA CN202111414260A CN114020418A CN 114020418 A CN114020418 A CN 114020418A CN 202111414260 A CN202111414260 A CN 202111414260A CN 114020418 A CN114020418 A CN 114020418A
Authority
CN
China
Prior art keywords
particle
virtual machine
particles
physical
resource
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
Application number
CN202111414260.XA
Other languages
English (en)
Inventor
施凌鹏
卢士达
陆政嘉
冯天波
陈琰
赵修旻
陈晓露
崔昊杨
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.)
Shanghai Electric Power University
State Grid Shanghai Electric Power Co Ltd
Original Assignee
Shanghai Electric Power University
State Grid Shanghai 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 Shanghai Electric Power University, State Grid Shanghai Electric Power Co Ltd filed Critical Shanghai Electric Power University
Priority to CN202111414260.XA priority Critical patent/CN114020418A/zh
Publication of CN114020418A publication Critical patent/CN114020418A/zh
Pending legal-status Critical Current

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
    • G06F9/44—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，建立虚拟机列表和物理主机列表；设定粒子群的初始参数，包括粒子数量、惯性因子和迭代次数，将初始参数输入物理机中，进行资源评价，得到物理机权重；结合物理机权重，根据轮盘赌算法设置每个粒子的位置，并根据初始化速度公式设置每个粒子的速度；将函数适应值较高的部分粒子进行遗传选择和交叉变异；将函数适应值较低的部分粒子进行迭代，更新粒子的速度和位置，当总迭代次数达到设定阈值后，输出结果。与现有技术相比，本发明具有精度高、能耗低等优点。

Description

一种包含轮盘赌算法的粒子群优化的虚拟机放置方法
技术领域
本发明涉及虚拟机放置领域，尤其是涉及一种包含轮盘赌算法的粒子群优化的虚拟机放置方法。
背景技术
随着5G和物联网技术的飞速发展，传统的云数据中心已逐渐不能满足城市中多用户的需求，会导致时延使得用户的体验度降低。所以目前需要边缘云的加入，分担云数据中心的压力，并且虚拟机资源配置的不合理，同样会导致边缘云数据中心的负载上升，从而加剧了能源的无用消耗。所以面对这种情况，优化边缘云数据中心的问题就迫在眉睫，而这个优化问题的重点就在于虚拟机的放置和迁移。其中，虚拟机的放置又是很重要的一步，传统的虚拟机放置往往只注重某一性能或某一能耗的下降，并没有对各种情况均衡考虑。而虚拟机放置策略的不足，会导致CPU、内存和带宽这些资源的无谓浪费，所以对虚拟机放置策略进行优化，从而寻找一个资源消耗与性能的平衡点就至关重要。
作为云计算领域的重要研究问题，虚拟机放置问题的相关研究吸引了众多关注，其所关注的优化目标各不相同，目前主要有两大方向。一部分研究工作关注如何提高资源利用率和降低能耗，另一部分则注重提高系统性能方面。根据所采用的方式不同，大致可分为启发式算法、智能算法和适应递减等方法。
现有技术常常使用粒子群算法对虚拟机放置策略进行优化，通过模仿鸟群，来进行不断的更新、迭代，从而为整个优化问题寻找到最优解。这种算法不仅设置的初始值较少，而且计算收敛速度较快，可用于单目标优化和多目标优化问题，产生了良好的效果。但是现有技术利用该算法设置粒子的初始状态时无法提供一种可靠的设置方法，以至于影响寻找最优解的过程，无法最大化利用物理机资源。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种包含轮盘赌算法的粒子群优化的虚拟机放置方法。
本发明的目的可以通过以下技术方案来实现：
一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，包括以下步骤：
S1、建立虚拟机列表和物理主机列表；
S2、设定粒子群的初始参数，包括粒子数量、惯性因子和迭代次数，其中粒子的维数表示虚拟机列表长度，粒子每一维的值表示物理主机列表的主机编号，将初始参数输入物理机中，进行资源评价，根据资源评价结果得到物理机权重；
S3、结合物理机权重，根据轮盘赌算法设置每个粒子的位置，并根据初始化速度公式设置每个粒子的速度；
S4、获取每个粒子的函数适应值，根据函数适应值，获取个体最优粒子和种群最优粒子；
S5、将函数适应值较高的部分粒子进行遗传选择和交叉变异；将函数适应值较低的部分粒子进行迭代，更新粒子的速度和位置；
S6、根据总迭代次数进行判断：
当总迭代次数未达到设定阈值时，执行步骤S4；
当总迭代次数达到设定阈值后，输出粒子，并根据输出的粒子参数放置虚拟机。进一步地，所述步骤S2中，资源评价公式为：
Tresource＝rCPU+rmem+rband
Tresource表示评价值，r表示资源参数，cpu表示物理机的处理器大小，mem表示虚拟机对内存的需求，band表示虚拟机对网络带宽的需求。
进一步地，所述步骤S3中，设置每个粒子的位置和速度后，根据约束公式删除不符合要求的粒子，约束公式的表达式如下：
Figure BDA0003375356970000021
Figure BDA0003375356970000022
Figure BDA0003375356970000023
Figure BDA0003375356970000031
上式中，y表示约束因子，i表示迭代次数，j表示物理机数量，v表示粒子的速度，p表示物理机资源利用率，cpu表示物理机的处理器大小，mem表示虚拟机对内存的需求，band表示虚拟机对网络带宽的需求。
进一步地，所述步骤S4中，在每次获取个体历史最优粒子后，使用漂移公式进行校正，具体表达式如下：
Figure BDA0003375356970000032
式中，pbest′i表示修正后的个体最优粒子位置，pbesti表示修正前的个体最优粒子位置。
进一步地，所述步骤S5中交叉变异的变异率为60％。
进一步地，所述步骤S3中初始化速度公式表达式如下：
Vi＝Vmin+rand*(Vmax-Vmin)
其中，vmax、vmin分别表示粒子可达到的最大速度值和最小速度值，Rand表示生成[0,1]之间的随机实数，Vi表示初始化后的粒子速度。
进一步地，所述步骤S5中函数适应值较低的数量为总粒子数的10％，函数适应值较高的数量为总粒子数的90％。
进一步地，所述步骤S5中更新粒子的速度和位置的计算表达式如下：
vi+1=vi+c1*rand*(pbesti-xi)+c2*rand*(gbesti-xi)
xi+1＝xi+vi+1
其中，vi+1为表示第i+1次迭代时粒子的速度，vi、xi、pbesti、gbesti分别表示第i次迭代时粒子的速度、位置、个体最优粒子位置、种群最优粒子位置，c1、 c2表示学习因子，rand是介于(0,1)之间的随机数。
进一步地，所述函数适应值的计算方法如下：
A1、根据物理机的数量和物理机资源的已使用量，计算每个粒子目前所使用总资源的大小；
A2、根据虚拟机所需内存和虚拟机所在的物理机已使用内存的大小，计算每台虚拟机的响应时间，并进行归一化处理；
A3、根据虚拟机的响应时间计算粒子响应时间；
A4、根据粒子目前所使用总资源的大小和粒子响应时间，计算函数适应值。
进一步地，所述步骤A2中虚拟机的响应时间
Figure BDA0003375356970000041
计算表达式如下：
Figure BDA0003375356970000042
其中，Rn-RAM表示第n台虚拟机所需内存，
Figure BDA0003375356970000043
表示该虚拟机所在的第m 台物理机已使用内存。
与现有技术相比，本发明具有以下优点：
1、本发明在初始设置粒子群的位置时使用了轮盘赌算法，防止适应值较小的个体直接淘汰，且结合了初始参数的资源评价，根据物理机的具体资源对粒子进行分配，使得粒子群的位置在初始化时更符合要求，即虚拟机的初始位置安排在资源较丰富的物理机附近，可节约能耗。
2、为了避免粒子的最佳位置会产生一定距离的漂移，本发明在获取个体历史最优粒子后，使用漂移公式进行校正，使得个体历史最优粒子的位置更为准确。
3、本发明结合了遗传算法和交叉变异，避免了会使结果过早的陷入部分最优解的问题。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，如图1 所示，包括以下步骤：
步骤S1、建立虚拟机列表和物理主机列表。
步骤S2、设定粒子群的初始参数，包括粒子数量、惯性因子和迭代次数等，其中粒子的维数表示虚拟机列表长度，粒子每一维的值表示物理主机列表的主机编号。
将初始参数输入物理机中，进行资源评价，根据资源评价结果得到物理机权重，资源评价公式表达式如下：
Tresource＝rCPU+rmem+rband
Tresource表示评价值，r表示资源参数，cpu表示物理机的处理器大小，mem表示虚拟机对内存的需求，band表示虚拟机对网络带宽的需求。
根据计算出的不同物理机的评价值高低，得到物理机的权重。
步骤S3、结合物理机权重，将物理机编号作为轮盘赌算法的概率取值范围，根据轮盘赌算法设置每个粒子的位置，轮盘赌方法的核心思想是：各个个体被选中的概率与其适应度函数值大小成正比，它是为了防止适应度数值较小的个体被直接淘汰。因为普通粒子群的随机初始位置方式不适用于虚拟机放置问题，在实际应用中，更希望虚拟机的初始位置就在资源剩余量较大对物理机附近，所以经过资源评价公式后，依据轮盘赌思想，可将虚拟机的初始位置安排在资源较丰富的物理机附近，可节约能耗。并根据初始化速度公式设置每个粒子的速度，具体表达式如下：
Vi＝Vmin+rand*(Vmax-Vmin)
其中，vmax、vmin分别表示粒子可达到的最大速度值和最小速度值，Rand表示生成[0,1]之间的随机实数，Vi表示初始化后的粒子速度，i表示迭代次数。
设置每个粒子的位置和速度后，根据约束公式删除不符合要求的粒子，约束公式的表达式如下：
Figure BDA0003375356970000051
Figure BDA0003375356970000052
Figure BDA0003375356970000053
Figure BDA0003375356970000054
上式中，y表示约束因子，j表示物理机数量，v表示粒子的速度，p表示物理机资源利用率，cpu表示物理机的处理器大小，mem表示虚拟机对内存的需求， band表示虚拟机对网络带宽的需求。这些约束条件既可确保虚拟机和物理主机一一对应，还可使每个物理主机有足够资源来承担多个虚拟机。
步骤S4、获取每个粒子的函数适应值，根据函数适应值，获取个体最优粒子和种群最优粒子。其中，函数适应值的计算步骤如下：
步骤A1、计算每个粒子目前所使用总资源的大小，计算表达式如下：
计算每个粒子目前所使用总资源Fre的大小，计算表达式为：
Figure BDA0003375356970000061
其中，M表示物理机数量，Usem表示物理机m的已使用量，计算表达式为：
Figure BDA0003375356970000062
其中，L表示资源类型，
Figure BDA0003375356970000063
表示第m台物理机中，第l类资源利用率，其计算表达式为：
Figure BDA0003375356970000064
其中，Cm，l表示在第m台物理机上所拥有的第l种资源的数量。
步骤A2、计算每台虚拟机的响应时间
Figure BDA0003375356970000065
并进行归一化处理，计算表达式如下：
Figure BDA0003375356970000066
其中，Rn-RAM表示第n个虚拟机所需内存，
Figure BDA0003375356970000067
表示该虚拟机所在的第m 台物理机已使用内存大小。
对响应时间采用归一化处理，计算表达式如下：
Figure BDA0003375356970000068
步骤A3、根据虚拟机的响应时间计算粒子响应时间Fre-time，计算表达式如下：
Figure BDA0003375356970000069
步骤A4、根据粒子目前所使用总资源的大小和粒子响应时间的计算结果，计算函数适应值Ffit，计算表达式如下：
Ffit＝0.5*Fre+0.5*Fre-time
步骤S5、计算出函数适应值后，对粒子根据函数适应值进行排序。为尽可能实现资源的最大利用，将函数适应值较高的部分粒子进行遗传选择和交叉变异，在遗传算法的突变过程中，通过将评价值低的物理机优先删除来实现突变过程，删除物理机后，可对没有分配的虚拟机进行重新分配，可保证突变是向着最优化方向前进。
将函数适应值较低的部分粒子进行迭代，更新粒子的速度和位置，更新的计算表达式如下：
vi+1＝vi+c1*rand*(pbesti-xi)+c2*rand*(gbesti-xi)
xi+1＝xi+vi+1
其中，vi+1为表示第i+1次迭代时粒子的速度，vi、xi、pbesti、gbesti分别表示第i次迭代时粒子的速度、位置、个体最优粒子位置、种群最优粒子位置，c1、 c2表示学习因子，rand是介于(0,1)之间的随机数。
在每次更新后，由于传统的粒子群算法有容易陷入部分最优解的缺点，所以引入一种漂移因素来扩大搜索范围，即进行校正，具体表达式如下：
Figure BDA0003375356970000071
式中，pbest′i表示修正后的个体最优粒子位置，pbesti表示修正前的个体最优粒子位置。
步骤S6、根据总迭代次数进行判断，当更新位置速度的总迭代次数未达到设定阈值时，返回执行步骤S4，继续进行计算；当总迭代次数达到设定阈值后，输出最后得到的粒子群，作为虚拟机放置策略。
与现有技术相比，本实施例在初始设置粒子群的位置时使用了轮盘赌算法，防止适应值较小的个体直接淘汰，且结合了初始参数的资源评价，根据物理机的具体资源对粒子进行分配，使得粒子群的位置在初始化时更符合要求，即虚拟机的初始位置安排在资源较丰富的物理机附近，可节约能耗。
本实施例还提供了一种包括存储器和处理器；存储器用于存储计算机程序；处理器用于当执行所述计算机程序时，实现以上的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法。
本实施例又提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本实施例中提到的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，包括以下步骤：
S1、建立虚拟机列表和物理主机列表；
S2、设定粒子群的初始参数，包括粒子数量、惯性因子和迭代次数，其中粒子的维数表示虚拟机列表长度，粒子每一维的值表示物理主机列表的主机编号，将初始参数输入物理机中，进行资源评价，根据资源评价结果得到物理机权重；
S3、结合物理机权重，根据轮盘赌算法设置每个粒子的位置，并根据初始化速度公式设置每个粒子的速度；
S4、获取每个粒子的函数适应值，根据函数适应值，获取个体最优粒子和种群最优粒子；
S5、将函数适应值较高的部分粒子进行遗传选择和交叉变异；将函数适应值较低的部分粒子进行迭代，更新粒子的速度和位置；
S6、根据总迭代次数进行判断：
当总迭代次数未达到设定阈值时，执行步骤S4；
当总迭代次数达到设定阈值后，输出粒子，并根据输出的粒子参数放置虚拟机。
2.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤S2中，资源评价公式为：
Tresource＝rCPU+rmem+rband
Tresource表示评价值，r表示资源参数，cpu表示物理机的处理器大小，mem表示虚拟机对内存的需求，band表示虚拟机对网络带宽的需求。
3.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤S3中，设置每个粒子的位置和速度后，根据约束公式删除不符合要求的粒子，约束公式的表达式如下：
Figure FDA0003375356960000011
Figure FDA0003375356960000012
Figure FDA0003375356960000021
Figure FDA0003375356960000022
上式中，y表示约束因子，i表示迭代次数，j表示物理机数量，v表示粒子的速度，p表示物理机资源利用率，cpu表示物理机的处理器大小，mem表示虚拟机对内存的需求，band表示虚拟机对网络带宽的需求。
4.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤S4中，在每次获取个体历史最优粒子后，使用漂移公式进行校正，具体表达式如下：
Figure FDA0003375356960000023
式中，pbest′i表示修正后的个体最优粒子位置，pbesti表示修正前的个体最优粒子位置。
5.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤S5中交叉变异的变异率为60％。
6.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤S3中初始化速度公式表达式如下：
Vi＝Vmin+rand*(Vmax-Vmin)
其中，vmax、vmin分别表示粒子可达到的最大速度值和最小速度值，Rand表示生成[0,1]之间的随机实数，Vi表示初始化后的粒子速度，i表示迭代次数。
7.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤S5中函数适应值较低的数量为总粒子数的10％，函数适应值较高的数量为总粒子数的90％。
8.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤S5中更新粒子的速度和位置的计算表达式如下：
vi+1＝vi+c1*rand*(pbesti-xi)+c2*rand*(gbesti-xi)
xi+1＝xi+vi+1
其中，vi+1为表示第i+1次迭代时粒子的速度，vi、xi、pbesti、gbesti分别表示第i次迭代时粒子的速度、位置、个体最优粒子位置、种群最优粒子位置，c1、c2表示学习因子，rand是介于(0,1)之间的随机数。
9.根据权利要求1所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述函数适应值的计算方法如下：
A1、根据物理机的数量和物理机资源的已使用量，计算每个粒子目前所使用总资源的大小；
A2、根据虚拟机所需内存和虚拟机所在的物理机已使用内存的大小，计算每台虚拟机的响应时间，并进行归一化处理；
A3、根据虚拟机的响应时间计算粒子响应时间；
A4、根据粒子目前所使用总资源的大小和粒子响应时间，计算函数适应值。
10.根据权利要求9所述的一种包含轮盘赌算法的粒子群优化的虚拟机放置方法，其特征在于，所述步骤A2中虚拟机的响应时间
Figure FDA0003375356960000031
计算表达式如下：
Figure FDA0003375356960000032
其中，Rn-RAM表示第n台虚拟机所需内存，
Figure FDA0003375356960000033
表示该虚拟机所在的第m台物理机已使用内存。
CN202111414260.XA 2021-11-25 2021-11-25 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法 Pending CN114020418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111414260.XA CN114020418A (zh) 2021-11-25 2021-11-25 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111414260.XA CN114020418A (zh) 2021-11-25 2021-11-25 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法

Publications (1)

Publication Number Publication Date
CN114020418A true CN114020418A (zh) 2022-02-08

Family

ID=80066295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111414260.XA Pending CN114020418A (zh) 2021-11-25 2021-11-25 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法

Country Status (1)

Country Link
CN (1) CN114020418A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114928542A (zh) * 2022-05-17 2022-08-19 内蒙古工业大学 一种基于动态整合和多目标布谷鸟算法的虚拟机迁移方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114928542A (zh) * 2022-05-17 2022-08-19 内蒙古工业大学 一种基于动态整合和多目标布谷鸟算法的虚拟机迁移方法
CN114928542B (zh) * 2022-05-17 2023-05-16 内蒙古工业大学 一种基于动态整合和多目标布谷鸟算法的虚拟机迁移方法

Similar Documents

Publication Publication Date Title
CN109039954B (zh) 多租户容器云平台虚拟计算资源自适应调度方法及系统
US10679145B2 (en) System and method for balancing computation with communication in parallel learning
CN113485826B (zh) 一种边缘服务器负载均衡方法、系统
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
CN111294234B (zh) 一种基于智能合约优化模型的并行区块链分片方法
CN113821318A (zh) 一种物联网跨域子任务组合协同计算方法及系统
CN112861362B (zh) 一种基于整车油耗的动力总成性能参数优化方法和装置
CN109583586B (zh) 一种语音识别或图像识别中的卷积核处理方法及装置
CN114020418A (zh) 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法
CN110796485A (zh) 一种提高预测模型的预测精度的方法及装置
CN114675975B (zh) 一种基于强化学习的作业调度方法、装置及设备
CN115586961A (zh) 一种ai平台计算资源任务调度方法、装置及介质
WO2022028232A1 (zh) 执行lstm神经网络运算的装置和方法
CN113504998A (zh) 一种任务调度方案的确定方法、装置和设备
WO2023216500A1 (zh) 智算中心的算力资源部署方法、装置、设备及存储介质
CN115759979B (zh) 基于rpa和流程挖掘的流程智能处理方法和系统
CN114841341B (zh) 图像处理模型训练及图像处理方法、装置、设备和介质
CN113408641B (zh) 资源生成模型的训练与服务资源的生成方法、装置
CN115544033A (zh) 查重向量库更新、数据查重方法、装置、设备和介质
WO2023019735A1 (zh) 虚拟机的部署方法、装置、设备以及计算机可读存储介质
CN112598112B (zh) 一种基于图神经网络的资源调度方法
Zhang et al. A virtual network embedding algorithm based on RBF neural network
CN111461282A (zh) 一种基于改进量子行为粒子群算法的模型辨识方法
CN116932713B (zh) 奖励模型训练和奖励值生成方法、装置、设备和介质
CN118113438A (zh) 调度方法、装置、电子设备和存储介质

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