一种基于粒子群遗传算法的计算平台负载平衡方法技术

本发明专利技术公开了一种基于粒子群遗传算法的计算平台负载平衡方法包括：采集云服务端的平台参数；将所述平台参数通过粒子群算法得到初步优解；将所述初步优解作为遗传算法的初始种群进行计算，通过适应度函数实现种群优化并判断是否达到停止条件，从而得到最优结果，实现负载平衡。本发明专利技术提供的基于粒子群遗传算法的计算平台负载平衡方法降低网络中的功耗，使用适应度函数测量了云网络和服务器(主机)之间的负载平衡，将负载平衡问题转换为优化问题，从而能够适用于处理资源优化。使用粒子群的结果作为遗传算法的初始种群，本发明专利技术在执行成本、负载平衡和完成时间方面都取得更加良好的效果。效果。效果。

【技术实现步骤摘要】
一种基于粒子群遗传算法的计算平台负载平衡方法


[0001]本专利技术涉及计算机平台负载平衡
，具体为一种基于粒子群遗传算法的计算平台负载平衡方法。

技术介绍

[0002]随着进入信息时代，需要处理的计算需求也呈现指数增长，面对海量的数据存储与计算，用户需要强大的处理器和快速的网络，建立数据中心并配备集中处理器是常用的解决方法。资源共享、各种服务的虚拟化和调度技术能够提高数据中心的效率。在虚拟化技术的帮助下，可以在一台物理机器上创建多个虚拟机，因此只需要更少的硬件并可以提高性能。云计算根据用户的需求使用虚拟化技术来提供资源，从而降低能耗，目前最流行的方法之一是使用元启发式技术。
[0003]负载平衡算法分为三类：(1)发送方启动的负载平衡算法；(2)接收方初始化的负载平衡算法；(3)对称负载平衡算法，这两种模式的组合。轮询调度算法是一种负载平衡方法，采用优化能耗的方法，所有任务都基于循环分配给辅助处理器，在每个处理器上执行独立于处理器分配的本地选择处理器。轮询调度算法通常在Web服务器中循环使用，其中WEB应用程序通常具有相同的性质，因此它们是均匀分布的。
[0004]使用基于虚拟化的网络并为云计算存储比特可以平衡负载，早期的负载平衡研究虽然从资源调度和请求管理出发，但对能源优化并没有太多的关注。目前的功耗耗损较大，负载率奖惩，成本较高，因此对于在峰值使用时具有计算能力的物理机器，可以考虑能量性能折衷。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：现有的云服务平台计算方法存在功耗耗损较大，负载率奖惩，成本较高，以及如何将任务请求分配到各个主机上实现负载平衡的优化问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：一种基于粒子群遗传算法的计算平台负载平衡方法，包括：
[0009]采集云服务端的平台参数；
[0010]将所述平台参数通过粒子群算法得到初步优解；
[0011]将所述初步优解作为遗传算法的初始种群进行计算，通过适应度函数实现种群优化并判断是否达到停止条件，从而得到最优结果，实现负载平衡。
[0012]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述平台参数包括任务信息和资源信息。
[0013]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述粒子群算法包括：
[0014]初始化粒子，将任务分别分配至相应自治域中的虚拟机上；
[0015]计算能耗，并判断任务分配方案是否可行；
[0016]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述判断任务分配方案是否可行的标准为：判断虚拟机上是否有执行任务所需要的硬件或软件。
[0017]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述粒子群算法还包括：
[0018]若任务分配方案判断为可行则保存任务分配方案并更新参数与粒子位置；
[0019]若任务分配方案判断为不可行则再次进行初始化；
[0020]在更新参数与粒子位置后，判断其是否达到初步优解的条件，若达到则将初步优解代入遗传算法；若没达到则再次更新参数与粒子位置。
[0021]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述计算能耗，表示为：
[0022][0023]其中，P
t
表示t时刻的总功率，P
iF
表示在物理机i在F负荷率下的功耗。
[0024]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述更新参数与粒子位置，表示为：
[0025][0026][0027][0028][0029][0030]其中，x
i
(t)指定粒子i在时间t的位置；每个粒子还需要速度才能在空间中移动；v
i
(t)指定粒子(i)在时间(t)的速度；粒子能够记住在整个组中遇到的最佳位置，设为位置C1和C2的两个值是常数，W是从W
max
到W
min
线性减小的初始权重。t
max
是算法的最大重复次数。
[0031]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述初步优解的条件判断方法，表示为：
[0032][0033]其中，表示第i次迭代中的t时刻总功耗，ε表示迭代精度。
[0034]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述适应度函数表示为：
[0035][0036]其中，T表示虚拟机的所有计算能力，L表示虚拟机分配给请求后剩余的计算能力，m为虚拟机或主机的数量，下标c、r分别代表实体机的CPU和RAM，i为虚拟机编号，α、β分别为CPU和RAM的资源使用率。
[0037]作为本专利技术所述的基于粒子群遗传算法的计算平台负载平衡方法的一种优选方案，其中：所述判断是否达到停止条件得到最优结果，包括：
[0038]停止条件为适应度函数中的参数：负载率差或迭代次数；
[0039]当先达到负载率差的设定值时，则停止优化，输出最优结果；
[0040]当先达到迭代次数的设定值时，则返回继续进行适应度计算，直到达到负载率差的设定值时，停止优化，输出最优结果。
[0041]本专利技术的有益效果：本专利技术提供的基于粒子群遗传算法的计算平台负载平衡方法降低网络中的功耗，使用适应度函数测量了云网络和服务器(主机)之间的负载平衡，将负载平衡问题转换为优化问题，从而能够适用于处理资源优化。使用粒子群的结果作为遗传算法的初始种群，本专利技术在执行成本、负载平衡和完成时间方面都取得更加良好的效果。
附图说明
[0042]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0043]图1为本专利技术一个实施例提供的一种基于粒子群遗传算法的计算平台负载平衡方法的整体流程图；
[0044]图2为本专利技术第二个实施例提供的一种基于粒子群遗传算法的计算平台负载平衡方法中相同任务请求下多种算法负载平衡率对比图；
[0045]图3为本专利技术第二个实施例提供的一种基于粒子群遗传算法的计算平台负载平衡方法的不同重复次数下的运行时间图；
[0046]图4为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
和C2的两个值是常数，W是从W
max
到W
min
线性减小的初始权重。t
max
是算法的最大重复次数。8.如权利要求6或7所述的基于粒子群遗传算法的计算平台负载平衡方法，其特征在于：所述初步优解的条件判断方法，表示为：其中，表示第i次迭代中的t时刻总功耗，ε表示迭代精度。9.如权利要求8所述的基于粒子群遗传算法的计算平台负载平衡方法，其特征在于：所述适应度函数表示为：其中，T表示虚拟机的所有计算能力，L表示虚拟机...

【专利技术属性】
技术研发人员：王伟，刘影，彭军，杨珂，杨世平，刘恒，王斌，汪玉翔，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：