CN114330891A - 一种面向云计算的多目标资源调度方法 - Google Patents
一种面向云计算的多目标资源调度方法 Download PDFInfo
- Publication number
- CN114330891A CN114330891A CN202111653724.2A CN202111653724A CN114330891A CN 114330891 A CN114330891 A CN 114330891A CN 202111653724 A CN202111653724 A CN 202111653724A CN 114330891 A CN114330891 A CN 114330891A
- Authority
- CN
- China
- Prior art keywords
- computing resources
- user
- computing
- service provider
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向云计算的多目标资源调度方法,涉及云计算场景下的资源调度技术领域;该方法首先统计当前云计算资源中心中每个用户所需的计算资源,根据各个服务提供商提供的计算服务信息,建立初始数据集;之后将云计算场景下资源调度过程中的收益最大化问题转化为两个收益目标函数和多个约束;根据数据集随机生成多个资源调度方方案,并利用建立好的收益目标函数进行评估;使用收益目标函数和参考向量对种群进行优化;在优化过程中,使用分布式估计对当前所有最优方案建立概率模型并进行采样的方法能够大大加快种群收敛的速度,保证种群的收敛性,产生的均匀向量引导种群中的个体向多个方向收敛,保证种群的多样性,通过这些策略来寻找更多适合该问题的方案。
Description
技术领域
本发明涉及云计算场景下的资源调度技术领域,具体涉及一种面向云计算的多目标资源调度方法。
背景技术
近年来,随着计算机网络和分布式计算技术的不断发展,云计算技术也随之在各个领域得到广泛的应用并不断取得成功。云计算技术将网络中零散的,不同的计算资源组合在一起,构成一个虚拟的计算资源中心,并根据不同用户对计算能力、带宽、存储等不同的需求进行统一的分配调度,从而解决传统计算机应用场景下的计算资源较少,计算时间较长等局限性,进而能够大大减少用户的费用和时间成本。云计算技术的基本问题是云资源调度问题。通常情况下,云计算技术中的计算资源来自不同的服务提供商,因此如何根据用户不同的计算服务需求,以及不同服务提供商提供的计算资源,对计算中心的计算资源进行统一的管理调度是一项重要的工作,也是相关领域研究的热门方向。在实际场景下,每个服务提供商对其提供的不同的计算资源有其不同的成本,而用户为其所需的计算资源有定的预算要求。服务提供商希望其能够获得最大的收益,而用户则希望其能为其所需的计算服务支付尽可能少的费用。因此,如何将任务合理地分配给不同的服务商并使双方的收益最大化是云计算技术中资源调度方面需要解决的问题之一。从这个角度上看,云计算技术中资源调度的收益最大化问题是一个多目标问题,而解决多目标问题的一个有效方法便是使用多目标进化算法。
多目标进化优化属于进化计算、群智能计算领域下的一个分支,现如今常被用来解决现实世界中的真实的多目标优化问题。在多目标进化优化过程中,用决策变量表示真实世界中问题的解,用目标函数表示该问题的衡量指标,通过交叉变异的方式产生新的解,并通过环境选择、小生境技术等方法选择解。最后经过一定次数的迭代以后得到最终的解集。
现有的适用于云计算场景下资源调度研究大多只考虑与任务相关或者与实际硬件能量消耗等隐性问题,而忽略在实际过程中更为重要的收益问题。现有方法大多将不同服务提供商提供的每类计算资源的成本看作为的定值,对其进行同一的定价,该方法产生的调度方案虽然较为简便,高效,但忽略服务提供商的成本差异,在实际实践过程中往往无法使服务提供商的总收益达到最大,而且由于每个服务提供商的提供服务成本的有所不同,即使服务提供商提供相同时间和相同质量的服务,获得收益却有多有少。其次,现有的多目标优化方法,大多只适用于单纯的连续或离散类型的决策变量,而云计算场景下资源调度的收益最大化问题,其决策变量具有混合类型且维度数量不固定等的特点。针对这类的问题,目前没有一个较为完善的、系统的解决方案。另外,多目标进化优化过程中,中间种群的信息往往暗示了最优解的部分特性,如果能够利用这些信息,会对整个搜索过程产生有益的影响。而目前在云计算场景下广泛使用的多目标优化方法,在优化过程中没有考虑利用这些信息。
发明内容
针对现有技术的不足,本发明的目的是提供一种面向云计算的多目标资源调度方法,将云计算场景下资源调度的收益最大化问题建模成一个包含两个目标和多个约束的优化问题进行求解。
为实现上述技术效果,本发明提出了一种面向云计算的多目标资源调度方法,包括:
步骤1:根据待分配计算资源设置资源调度方案的编码方式;
步骤2:将计算资源调度问题转化为由两个目标优化和多个约束问题构成的数学模型;
步骤3:利用基于分布式估计的多目标优化算法求解数学模型得到一组最优的资源调度参考方案。
所述步骤1包括:
步骤1.1:对当前云计算中心所有的服务提供商、资源种类和待分配计算资源的用户进行编号;
步骤1.2:统计所有待分配计算资源的用户提交的订单;
步骤1.3:确定每个服务提供商为当前云计算中心中的待分配用户所需的全部计算资源提供的相应报价信息;
步骤1.4:设置资源调度方案的编码方式。
所述步骤1.4包括:
步骤1.4.1:根据用户需求是否被满足对所有待分配计算资源用户设置标记清单I=(I1,I2,…,Iu,…,IC),Iu∈{0,1},其中Iu表示用户u的需求是否全部被满足,值为1表示全部满足,值为0表示未被全部满足;u=1,2,…,C,C表示待分配计算资源的用户总数;当用户的需求未被全部满足时,该用户的订单将不会被成交;
步骤1.4.2:设置向所有用户提供计算资源服务的服务提供商标记清单X=(X1,X2,…,Xu,…,XC),其中,Xu表示向用户u提供所有计算资源的服务提供商标记清单;表示向用户u提供所需第s类计算资源的服务提供商标记清单,s=1,2,3,…,L,L表示所有计算资源的类型总个数;E表示服务提供商的总个数;若服务提供商p向用户u提供了第s类计算资源,则为1,若没有提供,则为0;定义向量中元素值为1的数量为表示用户u允许的第s类计算资源可划分给不同服务提供商的最大数量;
步骤1.4.3:设置服务提供商为所有用户提供的各类计算资源的数量清单Y=(Y1,Y2,…,Yu,…,YC);其中,Yu表示服务提供商提供给用户u所有的计算资源的数量,表示每个服务提供商提供给用户u第s类的计算资源的数量,表示服务提供商p提供给用户u第s类的计算资源的数量;
步骤1.4.4:根据步骤1.4.1~步骤1.4.3生成每个调度方案的编码(I,X,Y)。
所述步骤2包括:
步骤2.1:建立所有待分配计算资源的用户为其所需计算资源的花费总和最小的目标函数Minimize F’U:
转化为最大化函数Maximize FU:
其中,U表示待分配计算资源用户的编号集合,U={1,2,3,…,C};vu表示用户u在实际交易过程中支付的价格;bu表示用户u可为该订单支付的最大价格,用户u的订单为Bu=(du,gu,bu),du表示用户u所需要的各类计算资源的数量,gu表示用户u所需要的每种计算资源可被分为的最大份数,
步骤2.2:建立计算中心中所有的服务提供商收入总和最大的目标函数MaximizeFP:
其中,rp表示服务提供商p在实际交易过程中获得的总收入;P表示服务提供商的编号集合,P={1,2,3,…,E},E表示服务提供商的总个数,S表示计算资源类型的编号集合,S={1,2,3,…,L},L表示计算资源的类型总个数,表示服务提供商可接受的第s类计算资源的最低报价;
步骤2.3:建立目标函数的约束条件:
所述步骤3包括:
步骤3.1:在目标空间中产生N条均匀的参考向量并组成向量矩阵W,分别找出距离向量Ww最近的T条参考向量并组成邻接向量矩阵Bw;其中,Ww表示第w条参考向量,w=1,2,…,N;
步骤3.2:随机生成调度方法组成初始种群,进行编码;该种群中包含N个个体,每个个体代表一种调度方案,对每个调度方案,计算其在所述数学模型中的目标函数值;
步骤3.3:创建理想点z,z={z1,z2},z1、z2是当前种群中所有个体在两个目标函数上的最大值;
步骤3.4:找出目标空间中的每条参考向量在当前种群中距离最近的个体并建立关联;
步骤3.5:对于每条参考向量,使用基于分布式估计的方法产生新解,如果新解在该向量上的适应度值大于当前与该向量相关联的解,则替换该解;
步骤3.6:根据更新后的种群,找出每个目标的最大值,更新理想点z;
步骤3.7:迭代执行步骤3.5~步骤3.6,直到达到循环的迭代次数,优化计算结束,当前种群中的决策变量即为当前问题的最优解决方案。
所述3.5包括:
步骤3.5.1:对于参考向量Ww,在邻接矩阵Bw中所找出包含的T条向量,并由这T条向量所对应的T个个体来组成档案archivew;
步骤3.5.2:使用分布式估计的方法对archivew中所有个体决策变量的每一个维建立变量取值概率模型;
步骤3.5.3:使用分布式估计的方法根据archivew中个体维度总数建立维度概率模型;
步骤3.5.4:对维度概率模型和所有变量维度取值概率模型进行采样并产生新解;
步骤3.5.5:判断新解是否满足约束;
步骤3.5.6:对每条向量进行迭代,直到所有参考向量都执行完毕。
所述步骤3.5.2具体表述为:
当第n维为离散类型变量时,根据archivew中个体第n维度取值的频率建立概率模型;
当第n维为连续类型变量时,利用快速聚类算法将archivew中个体第n维度的值聚类到长度相同的不同区间段内,根据每个区间段内个体出现的频率并建立连续变量取值概率模型。
所述步骤3.5.5包括:
步骤S1:如果满足,则计算新解在当前向量下的适应度值,并与当前该向量的所对应的解的适应度值进行比较,若新解在当前向量得适应度大于该向量的所对应的解的适应度值,则用新解替换该解;
步骤S2:如果不满足,对新解进行修改使其满足约束并执行步骤S1。
本发明的有益效果是:
本发明提出了一种面向云计算的多目标资源调度方法,能够处理决策变量由混合类型变量组成且变量维度不固定的多目标进化算法,该方法能够解决云计算场景下资源调度过程中的收益最大化问题。针对不同类型的变量,使用两种不同的分布式估计的方法来确定变量的取值,充分利用种群在进化过程中的特性,大大增加搜索效率,给决策者更好地提供一组解决方案,使决策者能够得到更适合于当前用户和服务提供商的期望的分配方案。
附图说明
图1为本发明中面向云计算的多目标资源调度方法流程图;
图2为本发明中多目标进化算法的一般流程图;
图3为本发明中使用分布式估计方法对决策变量中连续变量取值情况而建立的概率模型的效果图;
图4为本发明中使用分布式估计方法对决策变量维度而建立的概率模型的效果图;
图5为本发明中所述调度方法的优化过程示意图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。
在设计生产实践过程中,面临许多优化问题。例如,在企业生产制造过程中,如何减少商品的生产时间,如何减少商品的成本,提高产品质量等。通常,需要处理的优化目标不止一个,需要多个目标同时优化,但这些优化目标往往相互冲突,提高其中一个目标的质量往往会损害其他目标,无法同时达到最优。如:同时优化产品生产效率和产品质量这两个目标,但提升产品生产效率往往会使产品质量有所下降,而提高产品质量往往会降低产品生产效率。这一类问题被称为多目标优化问题(multi-objective problem,MOP)。
多目标进化算法(multi-objective evolutionary algorithms,MOEA)是解决多目标优化问题的有利工具,近些年来在资源调度、机械制造,交通运输、航天设计等领域得到广泛应用并不断取成功。
多目标进化算法是一种基于种群的算法,通常情况下该算法的流程图如图2所示。首先生成一个包含N个个体的初始种群P,并计算每个个体的目标值,其中,种群中的每个个体表示一种解决方案。之后,对当前种群的个体采用交叉变异等遗传操作产生子代种群Q。将初始/父代种群与子代种群合并通过环境选择(某种比较个体之间优劣的方法)从中选取N个个体组成优势种群P′,将优势种群作为父代种群并重复以上过程直到达到最大的迭代次数。最后产生优势种群中的个体即找到的最优方案。
在设计一个新MOEA使要同时考虑解的收敛性与分布性,解的收敛性保障了解的质量,而解的分布性可以为决策者提供更多差异性较大的参考解。本实施例中提出一种面向云计算的多目标资源调度方法,如图1所示,包括:
步骤1:根据待分配计算资源设置资源调度方案的编码方式;包括:
步骤1.1:对当前云计算中心所有的服务提供商、资源种类和待分配计算资源的用户进行编号;其中,服务提供商的编号集合P={1,2,3,…,E},E表示服务提供商的总个数;计算资源类型的编号集合S={1,2,3,…,L},L表示计算资源的类型总个数;待分配计算资源用户的编号集合U={1,2,3,…,C},C表示待分配计算资源的用户总数;
步骤1.2:统计所有待分配计算资源的用户提交的订单;用户u所需要的各类计算资源的数量表示用户u所需第s类计算资源的数量;用户u所需要的每种计算资源可被分为的最大份数 表示用户u需要的第s类计算资源最多可由家不同服务提供商提供服务;用户u的订单Bu=(du,gu,bu),bu表示用户u可为该订单支付的最大价格;
步骤1.3:确定每个服务提供商为当前云计算中心中的待分配用户所需的全部计算资源提供的相应报价信息;服务提供商p可提供的计算资源的数量表示服务提供商p可为第s类资源提供的数量;服务提供商p对每类计算资源可接受的最低价格服务提供商p的报价单Op=(sp,ap);
步骤1.4:设置资源调度方案的编码方式;包括:
步骤1.4.1:根据用户需求是否被满足对所有待分配计算资源用户设置标记清单I=(I1,I2,…,Iu,…,IC),Iu∈{0,1},其中Iu表示用户u的需求是否全部被满足,值为1表示全部满足,值为0表示未被全部满足;u=1,2,…,C,C表示待分配计算资源的用户总数;当用户的需求未被全部满足时,该用户的订单将不会被成交;
步骤1.4.2:设置向所有用户提供计算资源服务的服务提供商标记清单X=(X1,X2,…,Xu,…,XC),其中,Xu表示向用户u提供所有计算资源的服务提供商标记清单;表示向用户u提供所需第s类计算资源的服务提供商标记清单,s=1,2,3,…,L,L表示所有计算资源的类型总个数;E表示服务提供商的总个数;若服务提供商p向用户u提供了第s类计算资源,则为1,若没有提供,则为0;定义向量中元素值为1的数量为表示用户u允许的第s类计算资源可划分给不同服务提供商的最大数量;
步骤1.4.3:设置服务提供商为所有用户提供的各类计算资源的数量清单Y=(Y1,Y2,…,Yu,…,YC);其中,Yu表示服务提供商提供给用户u所有的计算资源的数量,表示每个服务提供商提供给用户u第s类的计算资源的数量,表示服务提供商p提供给用户u第s类的计算资源的数量;
步骤1.4.4:根据步骤1.4.1~步骤1.4.3生成每个调度方案的编码(I,X,Y);
本实施案例假设目前云计算中心共有两个待分配计算资源的用户,3家服务提供商,并提供3种不同的计算资源。其中,服务提供商的编号集合为P={1,2,3},计算资源类型的编号集合为S={1,2,3},待分配计算资源用户的编号集合为U={1,2}。
统计所有待分配计算资源的用户的提交的订单。每个用户提交的订单由三部分组成。第一部分为用户u所需要的所有计算资源数量,用符号du表示,其中, 第二部分为用户u所需要的每种计算资源可被分为的最大份数,用符号gu表示,其中,表示用户u需要的第s类计算资源最多可由家不同服务提供商提供服务。第三部分为用户u可为该订单支付的最大价格,用符号bu表示。由上可知,用户u的订单可由符号Bu表示,其中Bu=(du,gu,bu)。因此,所有用户的订单可以用矩阵B表示:
每个服务提供商为当前云计算中心中的待分配用户所需的全部计算资源提供相应的报价。报价单主要由两部分组成。第一部分为服务提供商p可提供的计算资源的数量:该部分用符号mp表示,其中表示服务提供商p为第s类资源提供的数量。第二部分为服务提供商p对每类计算资源可接受的最低价格,用符号ap表示,其中,由上可知,服务提供商p的报价单可由符号Op表示,Op=(mp,ap)。因此,所有服务提供商的报价单可以用矩阵O表示:
设置资源调度方案的编码方式。每个调度方案被编码为:(I,X,Y),其中I=(I1,I2),Iu为标志位,表示用户u的需求是否全部被满足,1表示全部满足,0表示未被全部满足。X列出了为所有用户提供计算资源的服务提供商编号清单,其中X=(X1,X2),Xu表示向用户u提供所有计算资源的服务提供商标记清单;表示向用户u提供所需第s类计算资源的服务提供商标记清单;若服务提供商p向用户u提供了第s类计算资源,则为1,若没有提供,则为0;定义向量中元素值为1的数量为 表示用户u允许的第s类计算资源可划分给不同服务提供商的最大数量。Y列出了服务提供商为所有用户提供的各类计算资源的数量,其中Y=(Y1,Y2),Yu表示服务提供商提供给用户u所有的计算资源的数量,表示每个服务提供商提供给用户u第s类的计算资源的数量,表示服务提供商p提供给用户u第s类的计算资源的数量。
步骤2:将计算资源调度问题转化为由两个目标优化和多个约束问题构成的数学模型,目标分别为使云计算中心中的所有待分配用户的总支出最小和所有的服务提供商的总收益最大;包括:
步骤2.1:所述最小化任务的总支出,是指所有的计算资源待分配用户为其所需计算资源的花费的总和,建立所有待分配计算资源的用户为其所需计算资源的花费总和最小的目标函数Minimize F’U:
转化为最大化函数Maximize FU:
其中,U表示待分配计算资源用户的编号集合,U={1,2,3,…,C};vu表示用户u在实际交易过程中支付的价格;bu表示用户u可为该订单支付的最大价格,用户u的订单为Bu=(du,gu,bu),du表示用户u所需要的各类计算资源的数量,gu表示用户u所需要的每种计算资源可被分为的最大份数,表示用户u需要的第s类计算资源最多可由家不同服务提供商提供服务;
步骤2.2:所述最大化任务的总收益,是指计算中心中所有的服务提供商收入的总和,建立计算中心中所有的服务提供商收入总和最大的目标函数Maximize FP:
其中,rp表示服务提供商p在实际交易过程中获得的总收入;P表示服务提供商的编号集合,P={1,2,3,…,E},E表示服务提供商的总个数,S表示计算资源类型的编号集合,S={1,2,3,…,L},L表示计算资源的类型总个数,表示服务提供商可接受的第s类计算资源的最低报价;
步骤2.3:所述约束,指的是上述最大化公式中的变量需要满足连续或离散条件,建立目标函数的约束条件:
步骤3:利用基于分布式估计的多目标优化算法求解数学模型得到一组最优的资源调度参考方案;包括:
步骤3.1:在目标空间中产生N=100条均匀的参考向量并组成向量矩阵W,分别找出距离向量Ww最近的T=20条参考向量并组成邻接向量矩阵Bw;其中,Ww表示第w条参考向量,w=1,2,…,100;
步骤3.2:随机生成调度方法组成初始种群,进行编码;该种群中包含N=100个个体,每个个体代表一种调度方案,对每个调度方案,计算其在所述数学模型中的目标函数值;
步骤3.3:创建理想点z,z={z1,z2},z1、z2是当前种群中所有个体在两个目标函数上的最大值;
步骤3.4:找出目标空间中的每条参考向量在当前种群中距离最近的个体并建立关联;
步骤3.5:对于每条参考向量,使用基于分布式估计的方法产生新解,如果新解在该向量上的适应度值大于当前与该向量相关联的解,则替换该解;包括:
步骤3.5.1:对于参考向量Ww,在邻接矩阵Bw中所找出包含的T=20条向量,并由这T=20条向量所对应的T=20个个体来组成档案archivew;
步骤3.5.2:使用分布式估计的方法对archivew中所有个体决策变量的每一个维建立变量取值概率模型;具体表述为:
当第n维为离散类型变量时,根据archivew中个体第n维度取值的频率建立概率模型;
当第n维为连续类型变量时,利用基于密度的聚类算法DBSCAN(Density-BasedSpatial Clustering of Applications with Noise)将archivew中个体第n维度的值聚类到长度相同的不同区间段内,然后根据每个区间段内个体出现的频率并建立连续变量取值概率模型;建立的概率模型如图3所示。
步骤3.5.3:使用分布式估计的方法根据archivew中个体维度总数建立维度概率模型;建立的维度概率模型如图4。
步骤3.5.4:对维度概率模型和所有变量维度取值概率模型进行采样并产生新解;对维度概率模型和离散变量维度取值概率模型,直接使用随机采样的方式进行取值。对连续变量维度取值概率模型首先随机采样区间,之后在该区间使用均匀采样的方式进行取值,以此产生新解;
步骤3.5.5:判断新解是否满足约束;包括:
步骤S1:如果满足,则计算新解在当前向量下的适应度值,并与当前该向量的所对应的解的适应度值进行比较,若新解在当前向量得适应度大于该向量的所对应的解的适应度值,则用新解替换该解;
步骤S2:如果不满足,对新解进行修改使其满足约束并执行步骤S1;
步骤3.5.6:对每条向量进行迭代,直到所有参考向量都执行完毕;
步骤3.6:根据更新后的种群,找出每个目标的最大值,更新理想点z;
步骤3.7:迭代执行步骤3.5~步骤3.6,直到达到循环的迭代次数,优化计算结束,当前种群中的决策变量即为当前问题的最优解决方案。
图5展示了此调度方法的优化过程,虚线为步骤3.1生成的均匀向量,点P1…P6为步骤3.2生成的初始中种群个体,点Z为步骤6.3生成的理想点。其中,种群中的每一个个体都与步骤3.1生成的均匀向量一一关联。对于目标空间内的每一条向量(以向量W3为例),找出距离该向量最近的4条向量(W1,W2,W4,W5),这些向量所关联的个体构成与该向量相关联的档案archive3(步骤3.5.1)。之后,使用分布式估计的方法对archive3中每个个体建立决策变量取值概率模型和维度概率模型(步骤3.5.2~步骤3.5.3)。对建立模型进行采样,从而产生新个体,该个体在图中用点P7表示。将该个体与之前该向量所用对应的旧个体使用适应度评价函数进行比较,若新个体在当前向量得适应度大于该向量的所对应的旧个体的适应度值,则用新个体则替换旧个体。多次进行上述操作直到达到大循环次数或最大评估次数后,当前种群中的个体即为云计算资源调度问题的最优解决方案。
Claims (8)
1.一种面向云计算的多目标资源调度方法,其特征在于,包括:
步骤1:根据待分配计算资源设置资源调度方案的编码方式;
步骤2:将计算资源调度问题转化为由目标优化和约束问题构成的数学模型;
步骤3:利用基于分布式估计的多目标优化算法求解数学模型得到一组最优的资源调度参考方案。
2.根据权利要求1所述的一种面向云计算的多目标资源调度方法,其特征在于,所述步骤1包括:
步骤1.1:对当前云计算中心所有的服务提供商、资源种类和待分配计算资源的用户进行编号;
步骤1.2:统计所有待分配计算资源的用户提交的订单;
步骤1.3:确定每个服务提供商为当前云计算中心中的待分配用户所需的全部计算资源提供的相应报价信息;
步骤1.4:设置资源调度方案的编码方式。
3.根据权利要求2所述的一种面向云计算的多目标资源调度方法,其特征在于,所述步骤1.4包括:
步骤1.4.1:根据用户需求是否被满足对所有待分配计算资源用户设置标记清单I=(I1,I2,…,Iu,…,IC),Iu∈{0,1},其中Iu表示用户u的需求是否全部被满足,值为1表示全部满足,值为0表示未被全部满足;u=1,2,…,C,C表示待分配计算资源的用户总数;当用户的需求未被全部满足时,该用户的订单将不会被成交;
步骤1.4.2:设置向所有用户提供计算资源服务的服务提供商标记清单X=(X1,X2,…,Xu,…,XC),其中,Xu表示向用户u提供所有计算资源的服务提供商标记清单; 表示向用户u提供所需第s类计算资源的服务提供商标记清单,s=1,2,3,…,L,L表示所有计算资源的类型总个数;E表示服务提供商的总个数;若服务提供商p向用户u提供了第s类计算资源,则为1,若没有提供,则为0;定义向量中元素值为1的数量为 表示用户u允许的第s类计算资源可划分给不同服务提供商的最大数量;
步骤1.4.3:设置服务提供商为所有用户提供的各类计算资源的数量清单Y=(Y1,Y2,…,Yu,…,YC);其中,Yu表示服务提供商提供给用户u所有的计算资源的数量, 表示每个服务提供商提供给用户u第s类的计算资源的数量, 表示服务提供商p提供给用户u第s类的计算资源的数量;
步骤1.4.4:根据步骤1.4.1~步骤1.4.3生成每个调度方案的编码(I,X,Y)。
4.根据权利要求1所述的一种面向云计算的多目标资源调度方法,其特征在于,所述步骤2包括:
步骤2.1:建立所有待分配计算资源的用户为其所需计算资源的花费总和最小的目标函数Minimize F’U:
转化为最大化函数Maximize FU:
其中,U表示待分配计算资源用户的编号集合,U={1,2,3,…,C};υu表示用户u在实际交易过程中支付的价格;bu表示用户u可为该订单支付的最大价格,用户u的订单为Bu=(du,gu,bu),du表示用户u所需要的各类计算资源的数量,gu表示用户u所需要的每种计算资源可被分为的最大份数,
步骤2.2:建立计算中心中所有的服务提供商收入总和最大的目标函数Maximize FP:
其中,rp表示服务提供商p在实际交易过程中获得的总收入;P表示服务提供商的编号集合,P={1,2,3,…,E},E表示服务提供商的总个数,S表示计算资源类型的编号集合,S={1,2,3,…,L},L表示计算资源的类型总个数,表示服务提供商可接受的第s类计算资源的最低报价;
步骤2.3:建立目标函数的约束条件:
5.根据权利要求1所述的一种面向云计算的多目标资源调度方法,其特征在于,所述步骤3包括:
步骤3.1:在目标空间中产生N条均匀的参考向量并组成向量矩阵W,分别找出距离向量Ww最近的T条参考向量并组成邻接向量矩阵Bw,其中,Ww表示第w条参考向量,w=1,2,…,N;
步骤3.2:随机生成调度方法组成初始种群,进行编码;该种群中包含N个个体,每个个体代表一种调度方案,对每个调度方案,计算其在所述数学模型中的目标函数值;
步骤3.3:创建理想点z,z={z1,z2},z1、z2是当前种群中所有个体在两个目标函数上的最大值;
步骤3.4:找出目标空间中的每条参考向量在当前种群中距离最近的个体并建立关联;
步骤3.5:对于每条参考向量,使用基于分布式估计的方法产生新解,如果新解在该向量上的适应度值大于当前与该向量相关联的解,则替换该解;
步骤3.6:根据更新后的种群,找出每个目标的最大值,更新理想点z;
步骤3.7:迭代执行步骤3.5~步骤3.6,直到达到循环的迭代次数,优化计算结束,当前种群中的决策变量即为当前问题的最优解决方案。
6.根据权利要求5所述的一种面向云计算的多目标资源调度方法,其特征在于,所述3.5包括:
步骤3.5.1:对于参考向量Ww,在邻接矩阵Bw中所找出包含的T条向量,并由这T条向量所对应的T个个体来组成档案archivew;
步骤3.5.2:使用分布式估计的方法对archivew中所有个体决策变量的每一个维建立变量取值概率模型;
步骤3.5.3:使用分布式估计的方法根据archivew中个体维度总数建立维度概率模型;
步骤3.5.4:对维度概率模型和所有变量维度取值概率模型进行采样并产生新解;
步骤3.5.5:判断新解是否满足约束;
步骤3.5.6:对每条向量进行迭代,直到所有参考向量都执行完毕。
7.根据权利要求6所述的一种面向云计算的多目标资源调度方法,其特征在于,所述步骤3.5.2具体表述为:
当第n维为离散类型变量时,根据archivew中个体第n维度取值的频率建立概率模型;
当第n维为连续类型变量时,利用快速聚类算法将archivew中个体第n维度的值聚类到长度相同的不同区间段内,根据每个区间段内个体出现的频率并建立连续变量取值概率模型。
8.根据权利要求6所述的一种面向云计算的多目标资源调度方法,其特征在于,所述步骤3.5.5包括:
步骤S1:如果满足,则计算新解在当前向量下的适应度值,并与当前该向量的所对应的解的适应度值进行比较,若新解在当前向量得适应度大于该向量的所对应的解的适应度值,则用新解替换该解;
步骤S2:如果不满足,对新解进行修改使其满足约束并执行步骤S1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653724.2A CN114330891A (zh) | 2021-12-30 | 2021-12-30 | 一种面向云计算的多目标资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111653724.2A CN114330891A (zh) | 2021-12-30 | 2021-12-30 | 一种面向云计算的多目标资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330891A true CN114330891A (zh) | 2022-04-12 |
Family
ID=81018591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111653724.2A Pending CN114330891A (zh) | 2021-12-30 | 2021-12-30 | 一种面向云计算的多目标资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330891A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022687A (zh) * | 2022-08-08 | 2022-09-06 | 深圳市华曦达科技股份有限公司 | 一种多视点直播视频流分发方法、装置及系统 |
-
2021
- 2021-12-30 CN CN202111653724.2A patent/CN114330891A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115022687A (zh) * | 2022-08-08 | 2022-09-06 | 深圳市华曦达科技股份有限公司 | 一种多视点直播视频流分发方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8250007B2 (en) | Method of generating precedence-preserving crossover and mutation operations in genetic algorithms | |
Da Silva et al. | A hybrid memetic approach for fully automated multi-objective web service composition | |
US20210021128A1 (en) | Method and system for building reinforcement learning (rl) based model for generating bids | |
CN111476399A (zh) | 一种现货交易机制下售电公司购电方法及系统 | |
CN111179016A (zh) | 一种售电套餐推荐方法、设备及存储介质 | |
CN111626563B (zh) | 一种双目标鲁棒移动群智感知系统及其激励方法 | |
Awad et al. | Multiobjective optimization | |
CN114547446A (zh) | 一种订单推送方法及系统 | |
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 | |
CN114330891A (zh) | 一种面向云计算的多目标资源调度方法 | |
Shi et al. | Learning expensive coordination: An event-based deep RL approach | |
CN111242368A (zh) | 一种基于场景推演的物流配送调度算法 | |
Elreedy et al. | Novel pricing strategies for revenue maximization and demand learning using an exploration–exploitation framework | |
Rahman et al. | Supplier selection using fuzzy-topsis method: A case study in a cement industry | |
Nasios et al. | Blending gradient boosted trees and neural networks for point and probabilistic forecasting of hierarchical time series | |
CN110210944A (zh) | 联合贝叶斯推理与加权拒绝采样的多任务推荐方法及系统 | |
CN107688901B (zh) | 数据调整方法及装置 | |
Jap et al. | Bidanalyzer: A method for estimation and selection of dynamic bidding models | |
Çanakoğlu et al. | Integrating individual and aggregate diversity in top-n recommendation | |
Seo et al. | Auction-based Federated Learning using Software-defined Networking for resource efficiency | |
Keramatpour et al. | A bi-objective two-level newsvendor problem with discount policies and budget constraint | |
CN109919688B (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
CN116308578A (zh) | 一种基于深度学习的边缘云设备定价的优化方法及装置 | |
Aliaj et al. | Nowcasting inflation with Lasso‐regularized vector autoregressions and mixed frequency data | |
Anderer et al. | Forecasting reconciliation with a top-down alignment of independent level forecasts |
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 |