一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统技术方案

本发明专利技术公开了一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统，该方法包括将动态负载均衡问题映射到数学模型中，利用遗传算法，设置目标函数的适应性函数，确认算法是否达到最大进化次数或算法迭代退出条件，并将获得的解转换为蚁群算法的初始信息素；初始化蚁群算法的各种参数，并在第一次迭代过程中初始化蚂蚁种群；在一次迭代过程中先启用新蚂蚁，遍历完系统中所有节点，并检查是否用完蚂蚁种群的所有蚂蚁，没用完就重复步骤，用完就更新信息素矩阵，达到退出条件就输出最优解并退出算法。本发明专利技术通过对现有的遗传算法和蚁群算法的改进和结合，在蚁群算法部分引入信息素调节规则来动态处理服务器负载，提高了服务器集群资源利用率。集群资源利用率。集群资源利用率。

【技术实现步骤摘要】
一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统


[0001]本专利技术涉及服务器处理
，尤其涉及一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统。

技术介绍

[0002]从第三次工业革命以来，人类越来越离不开网络。据2022年2月25日，第49次《中国互联网网络发展状况统计报告》显示，截至2021年12月，我国网民规模达10.32亿，互联网普及率达73％，我国网民人均每周上网时间达到28.5个小时，而上网就离不开服务器，服务器的作用是：一、对终端的请求进行响应并处理。二是存储并运行所有的服务。当访问压力达到一台服务器的上限时，服务器集群作为解决办法开始出现。集群可以通过负载均衡算法，将访问压力分给多台服务器同时处理，避免部分服务器任务太重，造成损失，使用负载均衡算法可以有效提高服务器集群的工作上限。

技术实现思路

[0003]为了克服现有技术中相关产品的不足，本专利技术提出一种基于信息素遗传蚁群算法的服务器动态均衡方法，解决现存的遗传、蚁群算法处理负载均衡过程中负载率过大的问题。
[0004]本专利技术提供了一种基于信息素遗传蚁群算法的服务器动态均衡方法，包括：如下步骤：
[0005]S1：初始化参数，并将动态负载均衡问题映射到数学模型中，利用遗传算法，设置目标函数的适应性函数，以及生成初始化种群，确认算法是否达到最大进化次数或算法迭代退出条件，若没有则计算个体的适应性函数符合度并分别进行交叉操作、变异操作、遗传操作，生成新种群；直到达到最大进化次数或算法迭代退出条件，并将获得的解转换为蚁群算法的初始信息素；
[0006]S2：初始化蚁群算法的各种参数，并在第一次迭代过程中初始化蚂蚁种群；在一次迭代过程中先启用新蚂蚁，遍历完系统中所有节点，并检查是否用完蚂蚁种群的所有蚂蚁，没用完就重复步骤，用完就更新信息素矩阵，检查算法是否达到退出条件，没有就重复初始化蚂蚁种群，达到退出条件就输出最优解并退出算法。
[0007]在本专利技术的某些实施方公式中，步骤S1具体包括：
[0008]对动态负载均衡问题进行数学建模，将其各项指标映射到信息素调节遗传蚁群算法中；
[0009]使用遗传算法，将问题的参数转换为个体的基因码，采用十进制的编码方式，每个对服务器的请求均包括两个部分，一个为任务的序号，另一个为任务完成需要的时间及任务传输所需要的时间，并将编码的结果转换成一维表格；
[0010]设置目标函数的适应性函数，适应性函数为服务器的负载在任务区间内的单调递减函数。
[0011]在本专利技术的某些实施方公式中，步骤S1还包括：
[0012]执行选择操作，通过轮盘赌算法来选择父代，通过选择操作把符合适应性函数的父代基因编码遗传给子代，以及通过交叉操作来为种群产生新的基因型的子代，所述交叉操作为循环交叉；
[0013]交叉操作结束后，为了获取正确的交叉结果需要将种群分为两个不同的子种群，防止同一个个体进行交叉操作，没有操作的基因序列进行对调来产生新的子代；
[0014]将在父代基因序列中的常数以0.005的概率进行变异成其他的常数；
[0015]在种群达到固定的进化次数后作为终止条件，算法结束时，在遗传算法中取得的最符合适应性函数的个体解，将其解码还原成相应的参数，包括任务集合、服务器集群、任务传输时间矩阵以及任务计算矩阵，并作为蚁群算法的初始信息素。
[0016]在本专利技术的某些实施方公式中，还包括：
[0017]步骤S3：引入信息素调节规则ANT_ROLE，服务器在迭代过程中出现了负载过重现象时，通过信息素调节规则ANT_ROLE使对应服务器的信息素浓度下降，在下一次迭代中，降低任务被分配给这台服务器的概率。
[0018]本专利技术还提供了一种应用于上述任一项所述基于信息素遗传蚁群算法的服务器动态均衡方法的系统，包括：
[0019]遗传算法处理模块：用于初始化参数，并将动态负载均衡问题映射到数学模型中，利用遗传算法，设置目标函数的适应性函数，以及生成初始化种群，确认算法是否达到最大进化次数或算法迭代退出条件，若没有则计算个体的适应性函数符合度并分别进行交叉操作、变异操作、遗传操作，生成新种群；直到达到最大进化次数或算法迭代退出条件，并将获得的解转换为蚁群算法的初始信息素；
[0020]蚁群算法处理模块：用于初始化蚁群算法的各种参数，并在第一次迭代过程中初始化蚂蚁种群；在一次迭代过程中先启用新蚂蚁，遍历完系统中所有节点，并检查是否用完蚂蚁种群的所有蚂蚁，没用完就重复步骤，用完就更新信息素矩阵，检查算法是否达到退出条件，没有就重复初始化蚂蚁种群，达到退出条件就输出最优解并退出算法。
[0021]在本专利技术的某些实施方公式中，所述遗传算法处理模块具体用于：
[0022]对动态负载均衡问题进行数学建模，将其各项指标映射到信息素调节遗传蚁群算法中；
[0023]使用遗传算法，将问题的参数转换为个体的基因码，采用十进制的编码方式，每个对服务器的请求均包括两个部分，一个为任务的序号，另一个为任务完成需要的时间及任务传输所需要的时间，并将编码的结果转换成一维表格；
[0024]设置目标函数的适应性函数，适应性函数为服务器的负载在任务区间内的单调递减函数。
[0025]在本专利技术的某些实施方公式中，所述遗传算法处理模块还用于：
[0026]执行选择操作，通过轮盘赌算法来选择父代，通过选择操作把符合适应性函数的父代基因编码遗传给子代，以及通过交叉操作来为种群产生新的基因型的子代，所述交叉操作为循环交叉；
[0027]交叉操作结束后，为了获取正确的交叉结果需要将种群分为两个不同的子种群，防止同一个个体进行交叉操作，没有操作的基因序列进行对调来产生新的子代；
[0028]将在父代基因序列中的常数以0.005的概率进行变异成其他的常数；
[0029]在种群达到固定的进化次数后作为终止条件，算法结束时，在遗传算法中取得的最符合适应性函数的个体解，将其解码还原成相应的参数，包括任务集合、服务器集群、任务传输时间矩阵以及任务计算矩阵，并作为蚁群算法的初始信息素。
[0030]在本专利技术的某些实施方公式中，还包括：
[0031]信息素调节模块：用于引入信息素调节规则ANT_ROLE，服务器在迭代过程中出现了负载过重现象时，通过信息素调节规则ANT_ROLE使对应服务器的信息素浓度下降，在下一次迭代中，降低任务被分配给这台服务器的概率。
[0032]与现有技术相比，本专利技术有以下优点：
[0033]1、本算法通过在遗传算法部分使用混合交叉操作，由于单点交叉操作和两点交叉操作在实际使用时会造成有些任务没有交叉运算，而有些任务被运算了多次，浪费了计算资源。而混合交叉操作能使系统中大多数符合适应性规则的个体的基因型能均匀混合，提高了系统的可用性和可靠性。
[0034]2、本算法根据需要遗传算法和蚁群算法的收敛速度来选择结束遗传算法时间，并得到遗传算法的较优解通过解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于信息素遗传蚁群算法的服务器动态均衡方法，其特征在于，包括如下步骤：S1：初始化参数，并将动态负载均衡问题映射到数学模型中，利用遗传算法，设置目标函数的适应性函数，以及生成初始化种群，确认算法是否达到最大进化次数或算法迭代退出条件，若没有则计算个体的适应性函数符合度并分别进行交叉操作、变异操作、遗传操作，生成新种群；直到达到最大进化次数或算法迭代退出条件，并将获得的解转换为蚁群算法的初始信息素；S2：初始化蚁群算法的各种参数，并在第一次迭代过程中初始化蚂蚁种群；在一次迭代过程中先启用新蚂蚁，遍历完系统中所有节点，并检查是否用完蚂蚁种群的所有蚂蚁，没用完就重复步骤，用完就更新信息素矩阵，检查算法是否达到退出条件，没有就重复初始化蚂蚁种群，达到退出条件就输出最优解并退出算法。2.根据权利要求1所述的基于信息素遗传蚁群算法的服务器动态均衡方法，其特征在于，步骤S1具体包括：对动态负载均衡问题进行数学建模，将其各项指标映射到信息素调节遗传蚁群算法中；使用遗传算法，将问题的参数转换为个体的基因码，采用十进制的编码方式，每个对服务器的请求均包括两个部分，一个为任务的序号，另一个为任务完成需要的时间及任务传输所需要的时间，并将编码的结果转换成一维表格；设置目标函数的适应性函数，适应性函数为服务器的负载在任务区间内的单调递减函数。3.根据权利要求1所述的基于信息素遗传蚁群算法的服务器动态均衡方法，其特征在于，步骤S1还包括：执行选择操作，通过轮盘赌算法来选择父代，通过选择操作把符合适应性函数的父代基因编码遗传给子代，以及通过交叉操作来为种群产生新的基因型的子代，所述交叉操作为循环交叉；交叉操作结束后，为了获取正确的交叉结果需要将种群分为两个不同的子种群，防止同一个个体进行交叉操作，没有操作的基因序列进行对调来产生新的子代；将在父代基因序列中的常数以0.005的概率进行变异成其他的常数；在种群达到固定的进化次数后作为终止条件，算法结束时，在遗传算法中取得的最符合适应性函数的个体解，将其解码还原成相应的参数，包括任务集合、服务器集群、任务传输时间矩阵以及任务计算矩阵，并作为蚁群算法的初始信息素。4.根据权利要求1所述的基于信息素遗传蚁群算法的服务器动态均衡方法，其特征在于，还包括：步骤S3：引入信息素调节规则ANT_ROLE，服务器在迭代过程中出现了负载过重现象时，通过信息素调节规则ANT_ROLE使对应服务器的信息素浓度下降，在下一次迭代中，降低任务被分配给这台服务器的概率。5.一种应用于权利要求1
‑
4任一项所述基于信息...

【专利技术属性】
技术研发人员：夏明灿，关海卿，吴哲，方崇林，
申请(专利权)人：湖北公众信息产业有限责任公司，
类型：发明
国别省市：