云環(huán)境中虛擬機部署問題直接影響數(shù)據(jù)中心的整體性能。針對虛擬機間親和互斥關(guān)系提出虛擬機親和度概念,綜合考慮物理機負載均衡度,結(jié)合罰函數(shù)法思想,提出一種基于多種群遺傳算法的優(yōu)化部署策略。同時,為了避免陷入局部最優(yōu),對最優(yōu)個體進行高斯學(xué)習(xí)。仿真結(jié)果表明,提出的多種群遺傳算法獲得了很好的物理機負載均衡度,可滿足虛擬機之間存在親和與互斥復(fù)雜關(guān)系時的部署要求,同時具有較強魯棒性和較高收斂速度,能有效解決云環(huán)境中虛擬機部署問題。 

【文章來源】：控制工程. 2020,27(02)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

算法適應(yīng)度進化曲線Fig.2Evolutioncurveofalgorithmfitness

獾那蠼庠慫閔希?效果更好，穩(wěn)定性更強。4.2算法收斂度分析實驗選取不同的虛擬機數(shù)量依次作為實驗對象，分別采用經(jīng)典和多種群遺傳算法開展部署策略的運算求解，對比兩種算法在不同虛擬機數(shù)量下的適應(yīng)度值，以及最優(yōu)部署策略中虛擬機親和度aF和物理機資源負載均衡度bF的值。本組試驗選取虛擬數(shù)量(n)依次為50，60，70，80，90，100，其他參數(shù)見表1；虛擬機所需資源見表3；虛擬機之間關(guān)系屬性見表4。得到不同虛擬機數(shù)量下2種算法適應(yīng)度值的收斂結(jié)果，如圖5所示。圖5適應(yīng)度收斂結(jié)果Fig.5Convergenceresultsoffitness兩種遺傳算法的適應(yīng)度函數(shù)式都為式(7)，組成部分虛擬機親和度aF和物理機資源負載均衡度bF的部署結(jié)果，分別如圖6和圖7所示。圖6虛擬機親和度部署結(jié)果Fig6Deploymentresultsofvirtualmachinesaffinity圖7物理機資源均衡度部署結(jié)果Fig7Deploymentresultsofphysicalmachinesresourcebalance面對批量增長的虛擬機，多種群遺傳算法部署策略效果明顯更好，算法適應(yīng)度整體平均值超過經(jīng)典遺傳算法9.9%，見圖5；虛擬機親和度和物理機資源均衡度也整體優(yōu)于經(jīng)典遺傳算法，見圖6和圖7。說明多種群遺傳算法隨著虛擬機數(shù)量的增加，算法的收斂度整體優(yōu)于經(jīng)典遺傳算法，部署策略有很高的實用性。

340控制工程第27卷進化迭代過程中，多種群算法通過對最優(yōu)解進行高斯學(xué)習(xí)，從圖2中可以明顯看出多種群遺傳算法的進化曲線在收斂過程中一直處于適應(yīng)度值不斷提升的狀態(tài)，相比經(jīng)典遺傳算法更容易跳出局部最優(yōu)。為了對比兩種算法的實際問題應(yīng)用效果，結(jié)合本文虛擬機親和度和物理機資源負載均衡度的優(yōu)化問題研究，得到適應(yīng)度函數(shù)組成部分，虛擬機親和度aF和物理機資源負載均衡度bF的進化曲線，如圖3和圖4所示。圖3虛擬機親和度進化曲線Fig.3Affinityevolutioncurveofvirtualmachines圖4物理機資源均衡度進化曲線Fig.4Resourcebalanceevolutioncurveofphysicalmachines在滿足各種約束條件前提下，虛擬機親和度和物理機資源均衡度問題都能得到很好解決，但多種群遺傳算法的求解范圍和求解速度都明顯優(yōu)于經(jīng)典遺傳算法。結(jié)合圖2，圖3和圖4可以看出，所提出的多種群遺傳算法，不僅解決了經(jīng)典遺傳算法容易出現(xiàn)的局部收斂和“早熟”的現(xiàn)象，而且收斂速度也明顯優(yōu)于經(jīng)典遺傳算法。在實際問題的求解運算上，效果更好，穩(wěn)定性更強。4.2算法收斂度分析實驗選取不同的虛擬機數(shù)量依次作為實驗對象，分別采用經(jīng)典和多種群遺傳算法開展部署策略的運算求解，對比兩種算法在不同虛擬機數(shù)量下的適應(yīng)度值，以及最優(yōu)部署策略中虛擬機親和度aF和物理機資源負載均衡度bF的值。本組試驗選取虛擬數(shù)量(n)依次為50，60，70，80，90，100，其他參數(shù)見表1；虛擬機所需資源見表3；虛擬機之間關(guān)系屬性見表4。得到不同虛擬機數(shù)量下2種算法適應(yīng)度值的收斂結(jié)果，如圖5所示。圖5適應(yīng)度

【參考文獻】：
期刊論文
[1]基于改進遺傳算法的多目標(biāo)FJSP問題研究[J]. 劉勝,于海強.  控制工程. 2016(06)
[2]一種求解裝箱問題的改進遺傳算法[J]. 張雅艦,劉勇,謝松江.  控制工程. 2016(03)
[3]基于粒子群優(yōu)化算法的虛擬機部署策略[J]. 楊靖,張宏軍,趙水寧,占棟輝.  計算機應(yīng)用. 2016(01)
[4]基于內(nèi)部罰函數(shù)的進化算法求解約束優(yōu)化問題[J]. 崔承剛,楊曉飛.  軟件學(xué)報. 2015(07)
[5]面向數(shù)據(jù)中心虛擬機部署的智能優(yōu)化策略[J]. 倪志偉,梁婷,伍章俊,肖宏旺.  模式識別與人工智能. 2015(04)
[6]云計算虛擬機部署方案的研究[J]. 張笑燕,王敏訥,杜曉峰.  通信學(xué)報. 2015(03)
[7]基于改進的遺傳算法的虛擬機部署研究[J]. 文靜,李陶深,黃汝維.  廣西大學(xué)學(xué)報(自然科學(xué)版). 2014(06)
[8]云數(shù)據(jù)中心虛擬資源管理研究綜述[J]. 錢瓊芬,李春林,張小慶,李臘元.  計算機應(yīng)用研究. 2012(07)
[9]變搜索區(qū)域多種群遺傳算法[J]. 鞏敦衛(wèi),孫曉燕.  控制理論與應(yīng)用. 2006(02)

博士論文
[1]云平臺中虛擬機部署的關(guān)鍵問題研究[D]. 董玉雙.吉林大學(xué) 2014



本文編號：3034094