一种基于自适应改进遗传算法的云数据中心调度方法技术

本发明专利技术提供了一种基于自适应改进遗传算法的云数据中心调度方法，通过采用双曲正切函数构造自适应律，分别对遗传算法交叉概率、变异概率数值及交叉算子及变异算子进行了自适应调整，使得当交叉、变异个体适应度趋于最大值时，该自适应律可提高个体的交叉、变异概率，即增大进化为更优个体的概率；当交叉、变异个体适应度趋于最小值时，该自适应律可降低个体的交叉、变异概率，即尽可能保留较优个体的基因；从而，有效提高了算法的收敛速度、稳定性和可靠性；通过仿真实验表明自适应改进后遗传算法具有很好的全局收敛性和稳定性，较大程度的降低了云数据中心的运营能耗及网络拥塞度。

A scheduling method of cloud data center based on adaptive improved genetic algorithm

【技术实现步骤摘要】
一种基于自适应改进遗传算法的云数据中心调度方法
本专利技术属于云数据中心资源调度
，特别涉及一种基于自适应改进遗传算法的云数据中心调度方法。
技术介绍
云计算是一种基于虚拟化技术的新型计算模式，它将大量用网络连接的不同数据中心的计算资源构成一个资源池，并根据用户对计算能力、存储空间、网络带宽及其他信息服务的需求而实现统一调度；因此，快速合理的对各种计算资源进行调度是云计算须解决的关键问题。随着云计算产业的发展，国内外学者对云数据中心的研究方向已经从数据中心资源调度优化所关注的稳定性、安全可靠性，逐步转向如何通过资源调度优化来降低数据中心运营能耗及网络用塞度等问题。国内外学者诸多相关研究多以单一的能耗或负载均衡性为优化目标，但在资源调度任务数量或调度的实时性方面都存在局限性。
技术实现思路
针对现有技术中存在的技术问题，本专利技术提供了一种基于自适应改进遗传算法的云数据中心调度方法，以解决常规遗传算法容易陷入局部搜索而难以实现全局寻优的技术问题。为达到上述目的，本专利技术采用的技术方案为：本专利技术提供了一种基于自适应改进遗传算法的云数据中心调度方法，包括以下步骤：S1、建立云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系；确定虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件；建立模型目标函数；S2、设置交叉概率pc、变异概率pm及种群数量pop；S3、采用浮点数编码，得到染色体编码；S4、根据待分配的任务数量、种群大小，确定初始种群；并根据约束条件产生指定数量的可行解；S5、根据模型目标函数，计算各染色体的拥塞度及能耗；并通过预设权重进行加权，得到各染色体的目标函数值；取目标函数值的倒数，得到适应度函数值；S6、采用轮盘赌选择算子；S7、采用染色体内双点交叉策略，按设定的交叉概率进行交叉操作，选择染色体内任意两个基因，判断基因互换之后物理机资源节点Nj的能力是否满足约束条件；S8、采用染色体内单点交叉策略，按设定的变异概率进行变异操作，选择染色体任意一个基因，对其进行基因突变；S9、采用双曲正切函数来构造交叉、变异概率的自适应律，使交叉、变异概率在极点处处于平缓变化，即完成云数据中心调度。进一步的，步骤S1中，云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系如下式：其中，aji为资源分配关系矩阵元素；aji＝1表示将编号为i的虚拟机资源需求分配给编号为j的物理机资源节点上；aji＝0表示没有将虚拟机资源需求Ti分配到物理机资源节点Nj上。进一步的，步骤S1中，虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件为物理机资源节点Nj的计算能力Ncj、存储能力Nmj及网络带宽Nbj满足虚拟机资源需求Ti对其计算能力Tcj、存储能力Tmj及网络带宽Tbj的最小需求量。进一步的，步骤S1中，模型目标函数包括资源节点利用率Nurj、平均资源占用率Noc、资源节点拥塞度目标函数f_crowd、运行能耗目标函数f_enecost及总目标函数F。进一步的，资源节点利用率Nurj的数学表达式为：其中，c1为虚拟机资源需求计算能力的利用率权重系数；c2为虚拟机资源需求存储能力的利用率权重系数；c3为虚拟机资源需求网络带宽的利用率权重系数；平均资源占用率Noc的数学表达式为：其中，n为物理机资源节点数量；资源节点拥塞度目标函数f_crowd的数学表达式为：运行能耗目标函数f_enecost的数学表达式为：d1为虚拟机资源需求计算能力的能耗权重系数；d2为虚拟机资源需求存储能力的能耗权重系数；d3为虚拟机资源需求网络带宽的能耗权重系数；总目标函数F的数学表达式为：F＝w1f_crowd+w2f_enecost其中，w1为物理机资源节点网络拥塞度权重系数；w2为物理机资源节点运行耗能权重系数。进一步的，步骤2中，交叉概率pc＝0.2、变异概率pm＝0.9及种群数量pop＝50。进一步的，步骤S6中，采用轮盘赌选择算子过程，具体包括以下步骤：步骤S601、计算种群中每个个体的适应度f(xi)，其中i＝1,2,...,N，N为种群大小；步骤S602、计算每个个体被遗传到下一代种群的中的概率P(xi)；步骤S603、计算每个个体的累计概率qi；步骤S604、在[0，1]区间内产生一个均匀分布的伪随机数r；步骤S605、若r<q[1]，则选择个体1；否则，选择个体k，使得q[k-1]<r≤q[k]成立；步骤S606、重复步骤S604、步骤S605，共N次。进一步的，步骤S7中，当基因互换后物理机资源节点Nj的能力满足约束条件时，则进行交叉操作；否则，不进行交叉操作。进一步的，步骤S9中，通过双曲正切函数构造交叉、变异概率的自适应律曲线，使得交叉、变异概率及交叉、变异算子实现自适应调整。进一步的，物理机资源节点Nj与虚拟机资源需求Ti之间建立SLA(服务等级协议)。与现有技术相比，本专利技术的有益效果为：本专利技术提供了一种基于自适应改进遗传算法的云数据中心调度方法，采用双曲正切函数构造自适应律，分别对遗传算法交叉概率、变异概率数值及交叉算子及变异算子进行了自适应调整，使得当交叉、变异个体适应度趋于最大值时，该自适应律可提高个体的交叉、变异概率，即增大进化为更优个体的概率；当交叉、变异个体适应度趋于最小值时，该自适应律可降低个体的交叉、变异概率，即尽可能保留较优个体的基因；从而，有效提高了算法的收敛速度、稳定性和可靠性；通过仿真实验表明自适应改进后遗传算法具有很好的全局收敛性和稳定性，较大程度的降低了云数据中心的运营能耗及网络拥塞度。附图说明图1为本专利技术所述的基于自适应遗传算法的云数据中心调度方法流程图；图2为本专利技术所述的基于自适应遗传算法云数据中心调度方法中各级别参数的平均相对偏差率趋势图；其中，图2a为交叉概率的平均相对偏差率趋势图；图2b为变异概率的平均相对偏差率；图2c为种群数量的平均相对偏差率趋势图；图3为本专利技术所述的基于自适应遗传算法云数据中心调度方法中的染色体编码示意图；图4为本专利技术所述的基于自适应遗传算法云数据中心调度方法中的轮盘赌选择示意图；图5为本专利技术所述的基于自适应遗传算法云数据中心调度方法中的交叉算子示意图；图6为本专利技术所述的基于自适应遗传算法云数据中心调度方法中的遗传算法交叉、变异自适应律曲线；图7为本专利技术所述的基于自适应遗传算法云数据中心调度方法中的收敛曲线；其中，图7a为当物理机资源节点数为10，待分配任务为20时的自适应遗传算法的收敛曲线；图7b为当物理机资源节点数为10，待分配任务为40时的自适应遗传算法的收敛曲线；图7c为当物理机资源节点数本文档来自技高网...

【技术保护点】
1.一种基于自适应改进遗传算法的云数据中心调度方法，其特征在于，包括以下步骤：/nS1、建立云数据中心物理机资源节点N

【技术特征摘要】
1.一种基于自适应改进遗传算法的云数据中心调度方法，其特征在于，包括以下步骤：
S1、建立云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系；确定虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件；建立模型目标函数；
S2、设置交叉概率pc、变异概率pm及种群数量pop；
S3、采用浮点数编码，得到染色体编码；
S4、根据待分配的任务数量、种群大小，确定初始种群；并根据约束条件产生指定数量的可行解；
S5、根据模型目标函数，计算各染色体的拥塞度及能耗；并通过预设权重进行加权，得到各染色体的目标函数值；取目标函数值的倒数，得到适应度函数值；
S6、采用轮盘赌选择算子；
S7、采用染色体内双点交叉策略，按设定的交叉概率进行交叉操作，选择染色体内任意两个基因，判断基因互换之后物理机资源节点Nj的能力是否满足约束条件；
S8、采用染色体内单点交叉策略，按设定的变异概率进行变异操作，选择染色体任意一个基因，对其进行基因突变；
S9、采用双曲正切函数来构造交叉、变异概率的自适应律，使交叉、变异概率在极点处处于平缓变化，即完成云数据中心调度。


2.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法，其特征在于，步骤S1中，云数据中心物理机资源节点Nj与虚拟机资源需求Ti之间的分配关系如下式：



其中，aji为资源分配关系矩阵元素；
aji＝1表示将编号为i的虚拟机资源需求分配给编号为j的物理机资源节点上；
aji＝0表示没有将虚拟机资源需求Ti分配到物理机资源节点Nj上。


3.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法，其特征在于，步骤S1中，虚拟机资源需求Ti分配给物理机资源节点Nj的约束条件为物理机资源节点Nj的计算能力Ncj、存储能力Nmj及网络带宽Nbj满足虚拟机资源需求Ti对其计算能力Tcj、存储能力Tmj及网络带宽Tbj的最小需求量。


4.根据权利要求1所述的一种基于自适应改进遗传算法的云数据中心调度方法，其特征在于，步骤S1中，模型目标函数包括资源节点利用率Nurj、平均资源占用率Noc、资源节点拥塞度目标函数f_crowd、运行能耗目标函数f_enecost及总目标函数F。


5.根据权利要求4所述的一种基于自适应改进遗传算法的云数据中心调度方法，其特征在于，资源节点利用率Nurj的数学表达式为：



其...

【专利技术属性】
技术研发人员：熊福力，张娟芝，段中兴，徐胜军，孟月波，李志，
申请(专利权)人：西安建筑科技大学，
类型：发明
国别省市：陕西;61