面向多目标离散优化的群智能算法研究及在云计算调度优化中的应用

发布时间：2024-05-11 00:08

　　随着云计算的发展及普及,提升整体的资源管理及运营效率、优化投资已成为关键。在云计算应用环境中,资源和任务调度需要考虑多种异构资源以及复杂多变的应用需求,同时兼顾各种性能需求,包括数据中心的整体能耗、资源利用率、经济效益、用户服务质量等等。这些问题通常相互关联,相互促进或抑制,不能使用简单的权重赋值的方式来解决。因此云计算调度问题具有离散优化和多目标优化的共同特征,很适合采用优化算法来求解。但云计算环境中资源的异构性、应用的多样性和动态性,以及多重约束及多重优化目标要求,对优化算法提出了更高的要求,并需要确保优化算法的高可靠性、稳定性和可扩展性。本文重点对新型群智能算法进行研究,并应用于解决云计算环境中的多目标离散优化问题。本文的主要研究工作包括:1)研究新型入侵肿瘤生长优化算法ITGO(Invasive Tumor Growth Optimization),对基础的ITGO算法进行优化设计,并扩展到离散化空间,使之可用于求解离散问题。ITGO算法是本实验室提出一种基于肿瘤细胞生长机制的新型群智能算法,通过生长细胞、入侵细胞、休眠细胞、死亡细胞等四类细胞在营养环境中的相互转换及迁移来求解...

【文章页数】：158 页

【学位级别】：博士

【部分图文】：

图1-1论文的整体结构图

τ谩１疚母?菰萍扑闳挝竦鞫任侍獾囊?般特点，基于混合优化策略，在不生成后代的萤火虫种群中引入后代衍生和优胜劣汰的思想，使用一种非精英个体的量子行为和一种次优解个体随机游走的搜索策略提升算法收敛速度，求解云计算任务调度问题。4）无血管的入侵肿瘤生长优化算法及应用。本文基于无血管的肿....

图2-1ITGO算法的细胞分布图

华南理工大学博士学位论文18的局部最优解，搜索新的空白区域；生长细胞接受入侵细胞和自身历史最优值的引导，以一定的概率生成入侵细胞；休眠细胞接受生长细胞的引导，在高营养液浓度的环境中转变为生长细胞、在极低营养液浓度的环境中转变为死亡细胞；死亡细胞受到历史最优生长细胞的一些扰动，如果....

图2-2DITGO算法流程图

华南理工大学博士学位论文24养物质浓度（适应度函数值）的变化，让整个种群在解空间中朝营养液浓度高的方向移动，在种群迭代的过程中动态调整细胞的状态和数目；找到解空间中的最优解。在初始化时刻，适应度排在前TopN%的细胞为生长细胞，其余为休眠细胞；入侵细胞由生长细胞动态生成，死亡细胞....

图2-3ITGO+算法的收敛曲线(SeperableFunctions)

第二章离散入侵肿瘤生长优化算法31(c)ITGO+算法收敛曲线(F3)图2-3ITGO+算法的收敛曲线(SeperableFunctions)F1到F3是CEC2010测试集中的三个最为简单的函数，包含了多模、转移(shifted)、可扩展等共同属性，属于可分离的函数（Seper....

本文编号：3969227