基于多种群遗传算法的虚拟机优化部署研究
发布时间：2021-02-15 00:21
云环境中虚拟机部署问题直接影响数据中心的整体性能。针对虚拟机间亲和互斥关系提出虚拟机亲和度概念,综合考虑物理机负载均衡度,结合罚函数法思想,提出一种基于多种群遗传算法的优化部署策略。同时,为了避免陷入局部最优,对最优个体进行高斯学习。仿真结果表明,提出的多种群遗传算法获得了很好的物理机负载均衡度,可满足虚拟机之间存在亲和与互斥复杂关系时的部署要求,同时具有较强鲁棒性和较高收敛速度,能有效解决云环境中虚拟机部署问题。
【文章来源】：控制工程. 2020,27(02)北大核心
【文章页数】：7 页
【部分图文】：
算法适应度进化曲线Fig.2Evolutioncurveofalgorithmfitness
獾那蠼庠怂闵希?效果更好，稳定性更强。4.2算法收敛度分析实验选取不同的虚拟机数量依次作为实验对象，分别采用经典和多种群遗传算法开展部署策略的运算求解，对比两种算法在不同虚拟机数量下的适应度值，以及最优部署策略中虚拟机亲和度aF和物理机资源负载均衡度bF的值。本组试验选取虚拟数量(n)依次为50，60，70，80，90，100，其他参数见表1；虚拟机所需资源见表3；虚拟机之间关系属性见表4。得到不同虚拟机数量下2种算法适应度值的收敛结果，如图5所示。图5适应度收敛结果Fig.5Convergenceresultsoffitness两种遗传算法的适应度函数式都为式(7)，组成部分虚拟机亲和度aF和物理机资源负载均衡度bF的部署结果，分别如图6和图7所示。图6虚拟机亲和度部署结果Fig6Deploymentresultsofvirtualmachinesaffinity图7物理机资源均衡度部署结果Fig7Deploymentresultsofphysicalmachinesresourcebalance面对批量增长的虚拟机，多种群遗传算法部署策略效果明显更好，算法适应度整体平均值超过经典遗传算法9.9%，见图5；虚拟机亲和度和物理机资源均衡度也整体优于经典遗传算法，见图6和图7。说明多种群遗传算法随着虚拟机数量的增加，算法的收敛度整体优于经典遗传算法，部署策略有很高的实用性。
340控制工程第27卷进化迭代过程中，多种群算法通过对最优解进行高斯学习，从图2中可以明显看出多种群遗传算法的进化曲线在收敛过程中一直处于适应度值不断提升的状态，相比经典遗传算法更容易跳出局部最优。为了对比两种算法的实际问题应用效果，结合本文虚拟机亲和度和物理机资源负载均衡度的优化问题研究，得到适应度函数组成部分，虚拟机亲和度aF和物理机资源负载均衡度bF的进化曲线，如图3和图4所示。图3虚拟机亲和度进化曲线Fig.3Affinityevolutioncurveofvirtualmachines图4物理机资源均衡度进化曲线Fig.4Resourcebalanceevolutioncurveofphysicalmachines在满足各种约束条件前提下，虚拟机亲和度和物理机资源均衡度问题都能得到很好解决，但多种群遗传算法的求解范围和求解速度都明显优于经典遗传算法。结合图2，图3和图4可以看出，所提出的多种群遗传算法，不仅解决了经典遗传算法容易出现的局部收敛和“早熟”的现象，而且收敛速度也明显优于经典遗传算法。在实际问题的求解运算上，效果更好，稳定性更强。4.2算法收敛度分析实验选取不同的虚拟机数量依次作为实验对象，分别采用经典和多种群遗传算法开展部署策略的运算求解，对比两种算法在不同虚拟机数量下的适应度值，以及最优部署策略中虚拟机亲和度aF和物理机资源负载均衡度bF的值。本组试验选取虚拟数量(n)依次为50，60，70，80，90，100，其他参数见表1；虚拟机所需资源见表3；虚拟机之间关系属性见表4。得到不同虚拟机数量下2种算法适应度值的收敛结果，如图5所示。图5适应度
【参考文献】：
期刊论文
[1]基于改进遗传算法的多目标FJSP问题研究[J]. 刘胜,于海强. 控制工程. 2016(06)
[2]一种求解装箱问题的改进遗传算法[J]. 张雅舰,刘勇,谢松江. 控制工程. 2016(03)
[3]基于粒子群优化算法的虚拟机部署策略[J]. 杨靖,张宏军,赵水宁,占栋辉. 计算机应用. 2016(01)
[4]基于内部罚函数的进化算法求解约束优化问题[J]. 崔承刚,杨晓飞. 软件学报. 2015(07)
[5]面向数据中心虚拟机部署的智能优化策略[J]. 倪志伟,梁婷,伍章俊,肖宏旺. 模式识别与人工智能. 2015(04)
[6]云计算虚拟机部署方案的研究[J]. 张笑燕,王敏讷,杜晓峰. 通信学报. 2015(03)
[7]基于改进的遗传算法的虚拟机部署研究[J]. 文静,李陶深,黄汝维. 广西大学学报(自然科学版). 2014(06)
[8]云数据中心虚拟资源管理研究综述[J]. 钱琼芬,李春林,张小庆,李腊元. 计算机应用研究. 2012(07)
[9]变搜索区域多种群遗传算法[J]. 巩敦卫,孙晓燕. 控制理论与应用. 2006(02)
博士论文
[1]云平台中虚拟机部署的关键问题研究[D]. 董玉双.吉林大学 2014
本文编号：3034094
【文章来源】：控制工程. 2020,27(02)北大核心
【文章页数】：7 页
【部分图文】：
算法适应度进化曲线Fig.2Evolutioncurveofalgorithmfitness
獾那蠼庠怂闵希?效果更好，稳定性更强。4.2算法收敛度分析实验选取不同的虚拟机数量依次作为实验对象，分别采用经典和多种群遗传算法开展部署策略的运算求解，对比两种算法在不同虚拟机数量下的适应度值，以及最优部署策略中虚拟机亲和度aF和物理机资源负载均衡度bF的值。本组试验选取虚拟数量(n)依次为50，60，70，80，90，100，其他参数见表1；虚拟机所需资源见表3；虚拟机之间关系属性见表4。得到不同虚拟机数量下2种算法适应度值的收敛结果，如图5所示。图5适应度收敛结果Fig.5Convergenceresultsoffitness两种遗传算法的适应度函数式都为式(7)，组成部分虚拟机亲和度aF和物理机资源负载均衡度bF的部署结果，分别如图6和图7所示。图6虚拟机亲和度部署结果Fig6Deploymentresultsofvirtualmachinesaffinity图7物理机资源均衡度部署结果Fig7Deploymentresultsofphysicalmachinesresourcebalance面对批量增长的虚拟机，多种群遗传算法部署策略效果明显更好，算法适应度整体平均值超过经典遗传算法9.9%，见图5；虚拟机亲和度和物理机资源均衡度也整体优于经典遗传算法，见图6和图7。说明多种群遗传算法随着虚拟机数量的增加，算法的收敛度整体优于经典遗传算法，部署策略有很高的实用性。
340控制工程第27卷进化迭代过程中，多种群算法通过对最优解进行高斯学习，从图2中可以明显看出多种群遗传算法的进化曲线在收敛过程中一直处于适应度值不断提升的状态，相比经典遗传算法更容易跳出局部最优。为了对比两种算法的实际问题应用效果，结合本文虚拟机亲和度和物理机资源负载均衡度的优化问题研究，得到适应度函数组成部分，虚拟机亲和度aF和物理机资源负载均衡度bF的进化曲线，如图3和图4所示。图3虚拟机亲和度进化曲线Fig.3Affinityevolutioncurveofvirtualmachines图4物理机资源均衡度进化曲线Fig.4Resourcebalanceevolutioncurveofphysicalmachines在满足各种约束条件前提下，虚拟机亲和度和物理机资源均衡度问题都能得到很好解决，但多种群遗传算法的求解范围和求解速度都明显优于经典遗传算法。结合图2，图3和图4可以看出，所提出的多种群遗传算法，不仅解决了经典遗传算法容易出现的局部收敛和“早熟”的现象，而且收敛速度也明显优于经典遗传算法。在实际问题的求解运算上，效果更好，稳定性更强。4.2算法收敛度分析实验选取不同的虚拟机数量依次作为实验对象，分别采用经典和多种群遗传算法开展部署策略的运算求解，对比两种算法在不同虚拟机数量下的适应度值，以及最优部署策略中虚拟机亲和度aF和物理机资源负载均衡度bF的值。本组试验选取虚拟数量(n)依次为50，60，70，80，90，100，其他参数见表1；虚拟机所需资源见表3；虚拟机之间关系属性见表4。得到不同虚拟机数量下2种算法适应度值的收敛结果，如图5所示。图5适应度
【参考文献】：
期刊论文
[1]基于改进遗传算法的多目标FJSP问题研究[J]. 刘胜,于海强. 控制工程. 2016(06)
[2]一种求解装箱问题的改进遗传算法[J]. 张雅舰,刘勇,谢松江. 控制工程. 2016(03)
[3]基于粒子群优化算法的虚拟机部署策略[J]. 杨靖,张宏军,赵水宁,占栋辉. 计算机应用. 2016(01)
[4]基于内部罚函数的进化算法求解约束优化问题[J]. 崔承刚,杨晓飞. 软件学报. 2015(07)
[5]面向数据中心虚拟机部署的智能优化策略[J]. 倪志伟,梁婷,伍章俊,肖宏旺. 模式识别与人工智能. 2015(04)
[6]云计算虚拟机部署方案的研究[J]. 张笑燕,王敏讷,杜晓峰. 通信学报. 2015(03)
[7]基于改进的遗传算法的虚拟机部署研究[J]. 文静,李陶深,黄汝维. 广西大学学报(自然科学版). 2014(06)
[8]云数据中心虚拟资源管理研究综述[J]. 钱琼芬,李春林,张小庆,李腊元. 计算机应用研究. 2012(07)
[9]变搜索区域多种群遗传算法[J]. 巩敦卫,孙晓燕. 控制理论与应用. 2006(02)
博士论文
[1]云平台中虚拟机部署的关键问题研究[D]. 董玉双.吉林大学 2014
本文编号：3034094
本文链接：https://www.wllwen.com/kejilunwen/jisuanjikexuelunwen/3034094.html
