本文關(guān)鍵詞： 負(fù)載均衡調(diào)度 遺傳算法 Mean-Variance模型 自適應(yīng)閾值算法　出處：《浙江理工大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：負(fù)載調(diào)度機(jī)制是通過(guò)最小化響應(yīng)時(shí)間及最大化節(jié)點(diǎn)利用率的目的,選擇網(wǎng)絡(luò)中適當(dāng)?shù)墓?jié)點(diǎn)進(jìn)行負(fù)載分配。但是,負(fù)載均衡的構(gòu)建是個(gè)NP完全問(wèn)題。服務(wù)集群在實(shí)現(xiàn)負(fù)載均衡這一領(lǐng)域已取得了許多研究成果,雖然傳統(tǒng)調(diào)度算法操作簡(jiǎn)單,但對(duì)于多個(gè)復(fù)雜的因素相互交集和約束組合而成的現(xiàn)實(shí)環(huán)境,這些點(diǎn)到點(diǎn)式的算法在搜索過(guò)程中往往會(huì)產(chǎn)生大量錯(cuò)誤的峰值點(diǎn),從而影響了最佳分配組合的判定。適應(yīng)于多個(gè)領(lǐng)域的遺傳算法,它的本質(zhì)是一種求解問(wèn)題的高度并行性全局搜索算法,在基于遺傳算法的負(fù)載均衡研究中,適應(yīng)度函數(shù)是評(píng)估請(qǐng)求分配組合優(yōu)劣的標(biāo)準(zhǔn)。對(duì)此,本文提出引入Mean-Variance模型改進(jìn)負(fù)載均衡算法中的適應(yīng)度函數(shù)。采用投資選擇模型Mean-Variance來(lái)設(shè)置服務(wù)集群中節(jié)點(diǎn)利用率的權(quán)重,通過(guò)Lagrange Multiplier以最小化任務(wù)完成時(shí)間為條件來(lái)獲得最優(yōu)的權(quán)重,該方式提高了服務(wù)集群中任務(wù)調(diào)度的準(zhǔn)確性和有效性。針對(duì)服務(wù)集群的負(fù)載均衡研究,本文的主要貢獻(xiàn)包括三個(gè)方面:(1)在遺傳算法的編碼設(shè)計(jì)中,本文提出采用三維十進(jìn)制對(duì)空間的候選解進(jìn)行編碼設(shè)計(jì)。在三維十進(jìn)制編碼中,每個(gè)解被編碼為由三個(gè)屬性表示的十進(jìn)制數(shù)組。其中每個(gè)數(shù)組中的字符串具有固定大小的量化值,量化負(fù)載是根據(jù)肯尼迪宇航中心服務(wù)器日志文件中任務(wù)的比重進(jìn)行量化。在搜索空間中的每個(gè)節(jié)點(diǎn)都有字符串代表,而且其代表的字符串是唯一的。因此三維十進(jìn)制編碼設(shè)計(jì)提高了遺傳調(diào)度操作的準(zhǔn)確性。(2)通過(guò)深入研究和分析基于遺傳算法的負(fù)載均衡方法,針對(duì)適應(yīng)度函數(shù)作為評(píng)判分配組合的精確性問(wèn)題,本文引入Mean-Variance模型構(gòu)建適應(yīng)度函數(shù)。通過(guò)投資組合選擇模型Mean-Variance進(jìn)行最小化響應(yīng)時(shí)間,可得到每個(gè)服務(wù)器資源利用率的權(quán)重,從而獲得最優(yōu)的分配組合。改變了傳統(tǒng)適應(yīng)度函數(shù)中節(jié)點(diǎn)利用率的簡(jiǎn)單疊加模式,使得執(zhí)行時(shí)間和節(jié)點(diǎn)利用率得到了改善,提高負(fù)載均衡策略的有效性。(3)本文采用Mean-Variance模型構(gòu)建適應(yīng)度函數(shù),使得負(fù)載均衡算法中的執(zhí)行時(shí)間和節(jié)點(diǎn)利用率得到了有效性計(jì)算。但調(diào)度算法中仍舊會(huì)出現(xiàn)部分服務(wù)超載運(yùn)行的不均衡現(xiàn)象。對(duì)此,提出自適應(yīng)閾值算法,根據(jù)目前的系統(tǒng)負(fù)載和新調(diào)度任務(wù)的負(fù)載得到單個(gè)服務(wù)器的負(fù)載均值,同時(shí)系統(tǒng)設(shè)置了重閾值和輕閾值,如果超過(guò)重閾值或低于輕閾值則此服務(wù)器將是不正常運(yùn)作,將被認(rèn)定為不可接受分配任務(wù)的服務(wù)器。因此可接受分配服務(wù)器的自適應(yīng)閾值策略給負(fù)載平衡機(jī)制添加了靈活性,給負(fù)載均衡系統(tǒng)增加了一個(gè)重要保障。本文設(shè)計(jì)并實(shí)施了一系列實(shí)驗(yàn),在不同服務(wù)環(huán)境及參數(shù)設(shè)計(jì)下與其他模型進(jìn)行比較。仿真結(jié)果表明本文提出的優(yōu)化的負(fù)載均衡算法在節(jié)點(diǎn)利用率和響應(yīng)時(shí)間方面使服務(wù)集群得到了更好的均衡。
[Abstract]:Load scheduling mechanism is to minimize the response time and maximize the node utilization, select the appropriate nodes in the network for load distribution. The construction of load balancing is a NP-complete problem. A lot of research results have been made in the field of load balancing in the service cluster, although the traditional scheduling algorithm is simple to operate. However, for the real environment where many complex factors are intersected and combined with constraints, these point-to-point algorithms often produce a large number of wrong peak points in the search process. Therefore, the decision of optimal allocation combination is affected. Genetic algorithm is suitable for many fields. Its essence is a highly parallel global search algorithm for solving the problem, in the research of load balancing based on genetic algorithm. Fitness function is the criterion to evaluate the combination of request allocation. In this paper, Mean-Variance model is introduced to improve the fitness function of load balancing algorithm, and the investment selection model Mean-Variance is used to set the node utilization in service cluster. The weight of the rate. The optimal weight is obtained by using Lagrange Multiplier to minimize the completion time of the task. This method improves the accuracy and effectiveness of task scheduling in service cluster. The main contributions of this paper include three aspects: 1) in the coding design of genetic algorithm. In this paper, we propose to encode the candidate solution of space by using three-dimensional decimal system, which is used in three-dimensional decimal coding. Each solution is encoded as a decimal array represented by three attributes, where the string in each array has a fixed quantization value. The quantization load is quantized according to the proportion of tasks in the Kennedy Aerospace Center server log file. Each node in the search space is represented by a string. Therefore, 3D decimal coding design improves the accuracy of genetic scheduling operations. 2) through in-depth research and analysis of load balancing methods based on genetic algorithm. This paper aims at the accuracy of fitness function as an evaluation of allocation combination. This paper introduces Mean-Variance model to construct fitness function and minimizes response time through portfolio selection model Mean-Variance. The weight of each server resource utilization ratio can be obtained, and the optimal allocation combination can be obtained, which changes the simple superposition mode of node utilization in the traditional fitness function. Make the execution time and node utilization improved, improve the effectiveness of load balancing strategy. 3) this paper uses Mean-Variance model to construct fitness function. The execution time and node utilization in the load balancing algorithm are calculated effectively. However, in the scheduling algorithm, part of the service overload will still be unbalanced. To this end, an adaptive threshold algorithm is proposed. According to the current system load and the load of the new scheduling task, the average load of a single server is obtained. At the same time, the system sets a heavy threshold and a light threshold. This server is not working properly if it exceeds the heavy threshold or falls below the light threshold. The adaptive threshold policy of the acceptable allocation server adds flexibility to the load balancing mechanism. This paper designs and implements a series of experiments. Compared with other models under different service environment and parameter design, the simulation results show that the optimized load balancing algorithm proposed in this paper makes the service cluster more balanced in terms of node utilization and response time.
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP18;TP368.5

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 吳瑞鏞,徐大紋;具有年齡結(jié)構(gòu)的遺傳算法[J];桂林電子工業(yè)學(xué)院學(xué)報(bào);2001年04期

2 楊艷麗,史維祥;一種新的優(yōu)化算法—遺傳算法的設(shè)計(jì)[J];液壓氣動(dòng)與密封;2001年02期

3 楊宜康,李雪,彭勤科,黃永宣;具有年齡結(jié)構(gòu)的遺傳算法[J];計(jì)算機(jī)工程與應(yīng)用;2002年11期

4 谷峰,吳勇,唐俊;遺傳算法的改進(jìn)[J];微機(jī)發(fā)展;2003年06期

5 ;遺傳算法[J];計(jì)算機(jī)教育;2004年10期

6 趙義紅,李正文,何其四;生物信息處理系統(tǒng)遺傳算法探討[J];成都理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2004年05期

7 劉坤,劉偉波,吳忠強(qiáng);基于模糊遺傳算法的電液位置伺服系統(tǒng)控制[J];黑龍江科技學(xué)院學(xué)報(bào);2005年04期

8 張英俐,劉弘 ,馬金剛;遺傳算法作曲系統(tǒng)研究[J];信息技術(shù)與信息化;2005年05期

9 丁發(fā)智;;淺談遺傳算法[J];烏魯木齊成人教育學(xué)院學(xué)報(bào);2005年04期

10 李冰潔;;遺傳算法及其應(yīng)用實(shí)例[J];吉林工程技術(shù)師范學(xué)院學(xué)報(bào);2005年12期

相關(guān)會(huì)議論文 前10條

1 陳家照;廖海濤;張中位;羅寅生;;一種改進(jìn)的遺傳算法及其在路徑規(guī)劃中的應(yīng)用[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

2 李國(guó)云;劉穎;薛梅;鄔志敏;;遺傳算法在高溫空冷冷凝器優(yōu)化設(shè)計(jì)中的應(yīng)用[A];第五屆全國(guó)制冷空調(diào)新技術(shù)研討會(huì)論文集[C];2008年

3 王志軍;李守春;張爽;;改進(jìn)的遺傳算法在反演問(wèn)題中的應(yīng)用[A];新世紀(jì) 新機(jī)遇 新挑戰(zhàn)——知識(shí)創(chuàng)新和高新技術(shù)產(chǎn)業(yè)發(fā)展（上冊(cè)）[C];2001年

4 任燕翔;姜立;劉連民;從滋慶;;改進(jìn)遺傳算法在三維日照方案優(yōu)化中的應(yīng)用[A];工程三維模型與虛擬現(xiàn)實(shí)表現(xiàn)——第二屆工程建設(shè)計(jì)算機(jī)應(yīng)用創(chuàng)新論壇論文集[C];2009年

5 韓娟;;遺傳算法概述[A];第三屆河南省汽車(chē)工程科技學(xué)術(shù)研討會(huì)論文集[C];2006年

6 龐國(guó)仲;王元西;;基于遺傳算法控制步長(zhǎng)的定性仿真方法[A];'2000系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文集[C];2000年

7 張忠華;楊淑瑩;;基于遺傳算法的聚類(lèi)設(shè)計(jì)[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專(zhuān)刊[C];2008年

8 何翠紅;區(qū)益善;;遺傳算法及其在計(jì)算機(jī)編程中的應(yīng)用[A];1995年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議暨智能自動(dòng)化專(zhuān)業(yè)委員會(huì)成立大會(huì)論文集（下冊(cè)）[C];1995年

9 靳開(kāi)巖;張乃堯;;幾種實(shí)用遺傳算法及其比較[A];1996年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];1996年

10 王宏剛;曾建潮;李志宏;;攝動(dòng)遺傳算法[A];1996年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];1996年

相關(guān)重要報(bào)紙文章 前1條

1 林京;《神經(jīng)網(wǎng)絡(luò)和遺傳算法在水科學(xué)領(lǐng)域的應(yīng)用》將面市[N];中國(guó)水利報(bào);2002年

相關(guān)博士學(xué)位論文 前10條

1 蔡美菊;交互式遺傳算法及其在隱性目標(biāo)決策問(wèn)題中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2015年

2 張士偉;三維聲學(xué)快速多極基本解法在機(jī)械噪聲預(yù)測(cè)中的應(yīng)用研究[D];沈陽(yáng)工業(yè)大學(xué);2016年

3 高軍;無(wú)鉛焊料本構(gòu)模型及其參數(shù)識(shí)別方法研究[D];南京航空航天大學(xué);2015年

4 Amjad Mahmood;半監(jiān)督進(jìn)化集成及其在網(wǎng)絡(luò)視頻分類(lèi)中的應(yīng)用[D];西南交通大學(xué);2015年

5 周輝仁;遞階遺傳算法理論及其應(yīng)用研究[D];天津大學(xué);2008年

6 郝國(guó)生;交互式遺傳算法中用戶(hù)的認(rèn)知規(guī)律及其應(yīng)用[D];中國(guó)礦業(yè)大學(xué);2009年

7 侯格賢;遺傳算法及其在跟蹤系統(tǒng)中的應(yīng)用研究[D];西安電子科技大學(xué);1998年

8 馬國(guó)田;遺傳算法及其在電磁工程中的應(yīng)用[D];西安電子科技大學(xué);1998年

9 唐文艷;結(jié)構(gòu)優(yōu)化中的遺傳算法研究和應(yīng)用[D];大連理工大學(xué);2002年

10 周激流;遺傳算法理論及其在水問(wèn)題中應(yīng)用的研究[D];四川大學(xué);2000年

相關(guān)碩士學(xué)位論文 前10條

1 張英俐;基于遺傳算法的作曲系統(tǒng)研究[D];山東師范大學(xué);2006年

2 鐘海萍;原對(duì)偶遺傳算法與蟻群算法的一種融合算法[D];暨南大學(xué);2013年

3 李志添;模糊遺傳算法與資源優(yōu)化配置的預(yù)測(cè)控制[D];華南理工大學(xué);2015年

4 王琳琳;新型雙層液壓轎運(yùn)車(chē)車(chē)廂的設(shè)計(jì)研究[D];上海工程技術(shù)大學(xué);2015年

5 李海全;基于遺傳算法的建筑體形系數(shù)及迎風(fēng)面積比優(yōu)化方法研究[D];華南理工大學(xué);2015年

6 彭騫;基于遺傳算法的山區(qū)高等級(jí)公路縱斷面智能優(yōu)化方法研究[D];昆明理工大學(xué);2015年

7 周玉林;基于小波分析和遺傳算法的配電網(wǎng)故障檢測(cè)[D];昆明理工大學(xué);2015年

8 郭頌;基于粗糙集和遺傳算法的數(shù)字管道生產(chǎn)管理系統(tǒng)研究[D];昆明理工大學(xué);2015年

9 吳南;數(shù)值逼近遺傳算法的研究應(yīng)用[D];華南理工大學(xué);2015年

10 于光帥;一類(lèi)優(yōu)化算法的改進(jìn)研究與應(yīng)用[D];渤海大學(xué);2015年

，

本文編號(hào)：1466108