一种云资源调度优化方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种云资源调度优化方法、装置及存储介质，其中方法包括以下步骤：建立云计算环境下资源调度的多目标约束优化模型；建立基于对偶搜索机制的双档案库算法，利用对偶搜索机制、限制性交配选择策略和子代迁移机制实现收敛性档案和多样性档案的协同进化；初始化多目标约束优化模型的初始解，利用基于对偶搜索机制的双档案库算法进行种群的迭代优化，得到最优解集合；根据实际需要从最优解集合中选择一个解，并对其按照资源约束条件进行检查和验证，若验证通过则将该解作为最优云资源调度方案。与现有技术相比，本发明专利技术具有提高了高维目标下的搜索能力、平衡了云资源调度优化策略的精度和效率等优点。的精度和效率等优点。的精度和效率等优点。

【技术实现步骤摘要】
一种云资源调度优化方法、装置及存储介质


[0001]本专利技术涉及云资源优化调度领域，尤其是涉及一种基于对偶搜索双档案库算法的云资源调度优化方法、装置及存储介质。

技术介绍

[0002]虚拟机初始放置问题作为云计算资源调度的核心问题之一，其放置策略的优劣将直接影响云计算的服务质量。在数据中心运行环境中，简单地将全部虚拟机放置在一台物理服务器并不可行，这会造成虚拟机之间资源的争夺，从而影响服务质量，严重时会导致服务器宕机。出于对云平台可用性、稳定性的考虑，在虚拟机放置时，应以提高服务器利用率、负载均衡、降低能耗等为目标选择合适的服务器。因此，需要构建相应的多目标优化模型并进行求解。
[0003]近年来，多目标优化领域得到了广泛的研究，其中提出了一种有效的解决策略——进化算法。进化算法是以种群为基础，在一次运行中就能够产生一组近似的Pareto最优解集，因此进化算法特别适合处理多目标优化问题。为了使种群在进化过程中尽可能逼近帕累托最优集,诞生了大量的多目标进化算法，如基于帕累托框架、基于指标、基于参考集、目标缩减的多目标进化算法，但仍存在着许多亟待解决的问题，主要表现在以下几个方面：
[0004](1)基于帕累托框架的进化算法。比如双档案库算法，在帕累托框架的基础上首次提出将种群分成收敛性档案(Convergence
‑
oriented Archive,CA)和多样性档案(Diversity
‑
oriented Archive,DA)分开独立优化，通过对候选解个体进行非支配排序，快速获取种群中的非支配解集，但是随着目标维数的增加，高比例的非支配解严重削弱帕累托前沿的分化能力导致种群停滞不前或陷入局部最优。
[0005](2)基于指标的进化算法。通过使用评价指标来描述解的优劣从而指导进化搜索，探索更优的解空间。但是对于不同的应用场景，评价标准的权重的确定可能存在主观性和局限性，此外，多数指标进化算法具有较高的复杂度。
[0006](3)基于参考集的进化算法。这类算法的思想是通过一组指定的参考集来引导种群的进化方向，其中引入参考集的目的就是为了获取种群个体与参考集之间的映射关系，使得种群向更接近参考集的方向进化。但是它必须事先提供参考点，有着较强的主观性。
[0007](4)基于目标缩减的进化算法。目标缩减是指通过分析目标之间的关系，减少目标数量来降低问题的难度。相比于传统的多目标进化算法，它能够更快地找到非支配解。但是缩减目标函数可能会导致精度降低，使得求解最优解的能力受到影响。
[0008]综上，现有的多目标优化算法存在在高维目标以及不规则PF下性能急速恶化的问题，无法兼顾云资源调度优化模型求解的精度、效率。

技术实现思路

[0009]本专利技术的目的是为了提供一种基于对偶搜索双档案库算法的云资源调度优化方
法、装置及存储介质，通过构建云资源调度的多目标优化模型并采用基于对偶搜索机制的双档案库算法进行求解以得到调度方案，解决高维目标以及不规则帕累托前沿时高比例非支配解导致的帕累托前沿分化能力恶化问题；提出的基于对偶搜索机制的双档案库算法在分开独立优化收敛性档案和多样性档案的思想上，引入对偶搜索机制，通过从对个体单一性判断(收敛性或多样性)到个体综合性(收敛性和多样性)的强调，提高在高维目标下的搜索能力；同时，引入个体迁移机制，在每代进化结束时，通过收敛性档案和多样性档案在每个目标维度上的对比，将收敛性档案中好的个体迁移至多样性档案帮助DA收敛，同样地，DA根据相同的规则给CA提供多样性，进一步弥补了种群在多样性以及收敛性上的不足。
[0010]本专利技术的目的可以通过以下技术方案来实现：
[0011]一种基于对偶搜索双档案库算法的云资源调度优化方法，包括以下步骤：
[0012]以云资源调度系统的系统能耗、资源损耗、负载均衡以及周转时间为优化目标，对虚拟机放置问题进行数学建模，定义资源约束条件公式，建立云计算环境下资源调度的多目标约束优化模型；
[0013]建立基于对偶搜索机制的双档案库算法，实现收敛性档案和多样性档案的协同进化，所述双档案库算法根据个体到子种群超平面的距离和子种群到权重向量的距离构建评价个体性能的综合性评价指标，并引入对偶搜索系数构建进化范式以指导综合性评价指标的进化方向，进行对偶搜索，根据对偶搜索系数的变化动态调整档案库间和档案内个体的交叉概率，在每次进化结束后利用进化范式对收敛性档案和多样性档案中的个体适应度进行评价，根据评价结果进行个体迁移；
[0014]初始化多目标约束优化模型的初始解，利用基于对偶搜索机制的双档案库算法进行种群的迭代优化，得到最优解集合；
[0015]根据实际需要从最优解集合中选择一个解，并对其按照资源约束条件进行检查和验证，若验证通过则将所述解作为最优云资源调度方案。
[0016]所述基于对偶搜索机制的双档案库算法执行以下步骤：
[0017]步骤1)随机初始化收敛性档案和多样性档案种群；
[0018]步骤2)执行限制性交配策略：根据对偶搜索系数k和1
‑
k的变化动态调整档案库间和档案内个体的交叉概率，以k值概率进行收敛性档案和多样性档案库间的交叉，以1
‑
k的概率进行收敛性档案和多样性档案内部的交叉；
[0019]步骤3)子种群划分：对收敛性档案和多样性档案采用均匀分布的权重向量划分子种群；
[0020]步骤4)确定个体收敛性评价指标和多样性评价指标：以子种群最低点和最高点作为法向量，构建子种群超平面，以个体到子种群超平面的距离作为个体收敛性评价指标，以个体到子种群权重距离作为个体多样性评价指标；
[0021]步骤5)确定个体综合性评价指标：基于个体收敛性评价指标和多样性评价指标确定个体综合性评价指标；
[0022]步骤6)构建进化范式：基于个体综合性评价指标和对偶搜索系数分别构建收敛性档案和多样性档案的进化范式，引导收敛性档案和多样性档案根据自身特征调整进化方向，进行对偶搜索；
[0023]步骤7)个体迁移：根据进化范式对收敛性档案和多样性档案中的个体进行适应度
评价，根据适应度评价结果保留预设个数的个体，并分别将收敛性档案和多样性档案中的优质个体迁移至另一档案库中；
[0024]步骤8)重复步骤2)
‑
步骤7)，直至达到预设迭代次数，生成最优解集合。
[0025]所述对偶搜索系数k为：
[0026][0027]IQR＝Q3‑
Q1[0028]其中，IQR表示统计学中的四分位距，将种群进行排序后，第一个个体值记为Q0,第0.25N个个体值记为Q1，第0.5N个个体值记为Q2，第0.75N个个体值记为Q3,第N个个体值记为Q4，N表示种群数量，Q4‑
Q0表示种群的跨度，跨度越大表示种群多样性越好。
[0029]所述步骤3)子种群划分具体为：采用均匀分布的权重向量，根据个体到权重向量的夹角的余弦值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对偶搜索双档案库算法的云资源调度优化方法，其特征在于，包括以下步骤：以云资源调度系统的系统能耗、资源损耗、负载均衡以及周转时间为优化目标，对虚拟机放置问题进行数学建模，定义资源约束条件公式，建立云计算环境下资源调度的多目标约束优化模型；建立基于对偶搜索机制的双档案库算法，实现收敛性档案和多样性档案的协同进化，所述双档案库算法根据个体到子种群超平面的距离和子种群到权重向量的距离构建评价个体性能的综合性评价指标，并引入对偶搜索系数构建进化范式以指导综合性评价指标的进化方向，进行对偶搜索，根据对偶搜索系数的变化动态调整档案库间和档案内个体的交叉概率，在每次进化结束后利用进化范式对收敛性档案和多样性档案中的个体适应度进行评价，根据评价结果进行个体迁移；初始化多目标约束优化模型的初始解，利用基于对偶搜索机制的双档案库算法进行种群的迭代优化，得到最优解集合；根据实际需要从最优解集合中选择一个解，并对其按照资源约束条件进行检查和验证，若验证通过则将所述解作为最优云资源调度方案。2.根据权利要求1所述的一种基于对偶搜索双档案库算法的云资源调度优化方法，其特征在于，所述基于对偶搜索机制的双档案库算法执行以下步骤：步骤1)随机初始化收敛性档案和多样性档案种群；步骤2)执行限制性交配策略：根据对偶搜索系数k和1
‑
k的变化动态调整档案库间和档案内个体的交叉概率，以k值概率进行收敛性档案和多样性档案库间的交叉，以1
‑
k的概率进行收敛性档案和多样性档案内部的交叉；步骤3)子种群划分：对收敛性档案和多样性档案采用均匀分布的权重向量划分子种群；步骤4)确定个体收敛性评价指标和多样性评价指标：以子种群最低点和最高点作为法向量，构建子种群超平面，以个体到子种群超平面的距离作为个体收敛性评价指标，以个体到子种群权重距离作为个体多样性评价指标；步骤5)确定个体综合性评价指标：基于个体收敛性评价指标和多样性评价指标确定个体综合性评价指标；步骤6)构建进化范式：基于个体综合性评价指标和对偶搜索系数分别构建收敛性档案和多样性档案的进化范式，引导收敛性档案和多样性档案根据自身特征调整进化方向，进行对偶搜索；步骤7)个体迁移：根据进化范式对收敛性档案和多样性档案中的个体进行适应度评价，根据适应度评价结果保留预设个数的个体，并分别将收敛性档案和多样性档案中的优质个体迁移至另一档案库中；步骤8)重复步骤2)
‑
步骤7)，直至达到预设迭代次数，生成最优解集合。3.根据权利要求1或2所述的一种基于对偶搜索双档案库算法的云资源调度优化方法，其特征在于，所述对偶搜索系数k为：
IQR＝Q3‑
Q1其中，IQR表示统计学中的四分位距，将种群进行排序后，第一个个体值记为Q0,第0.25N个个体值记为Q1，第0.5N个个体值记为Q2，第0.75N个个体值记为Q3,第N个个体值记为Q4，N表示种群数量，Q4‑
Q0表示种群的跨度，跨度越大表示种群多样性越好。4.根据权利要求2所述的一种基于对偶搜索双档案库算法的云资源调度优化方法，其特征在于，所述步骤3)子种群划分具体为：采用均匀分布的权重向量，根据个体到权重向量的夹角的余弦值将种群划...

【专利技术属性】
技术研发人员：郭佳林，黄世昌，刘正仁，周旭顺，
申请(专利权)人：上海妃鱼网络科技有限公司，
类型：发明
国别省市：