【技术实现步骤摘要】
本专利技术涉及互联网云计算领域的应用，具体涉及一种基于神经网络和黑洞算法的负载预测方法。
技术介绍
1、负载预测在云资源管理中起着重要作用。云上的负载是不稳定的、高度可变的，如果以负载的当前状态分配资源，资源分配结果可能很快就失效。负载预测使得云系统可以提前分配资源，主动迎接负载变化的到来；
2、现有的研究方法中，机器学习被广泛应用于负载预测。研究[1]中，一个神经网络用于估计服务器上的未来负载。该模型使用自适应差分进化进行训练，以减少进化算法中参数调整的开销。研究[2]中，一个进化神经网络被用于负载预测，该方法实现了粒子群优化、差分进化，以及协方差矩阵自适应进化策略学习算法，并比较了这几个算法的性能。研究[3]中，滑动窗口的概念与神经网络和线性回归一起用于估计未来的负载。研究[4]开发了一种集成了多个时序预测方法的负载预测模型。该模型中，每种时序预测方法都基于其提取的模式进行预测，并对每种方法的预测进行加权以计算最终预测。作者使用遗传算法生成了一个有效的加权模型。研究[5]中提出了基于遗传算法的负载预测资源管理，改善了系统的资源利用率和能耗。研究[6]开发了一个集成了多个神经网络的混合预测方法，神经网络由粒子群优化方法进行优化，该方法使用2-型模糊逻辑系统对单个预测响应进行聚合，以产生最终预测值。研究[7]中，一个称为“clusfude”的预测方法用于低维数据追踪的预测，该方法使用聚类方法对数据进行分类，使用差分进化对次优解进行优化。现有的这些方法在预测的实时性和准确性方面仍然有提高的空间，尤其对于云系统中那些不一
3、本专利技术提出一种基于神经网络和黑洞算法的负载预测方法，它通过神经网络同时得到未来多个时刻的负载预测值，然后利用过去的预测信息来改善预测的准确性，最后使用黑洞算法进一步优化预测结果，从而实现更准确的预测。
4、参考文献
5、[1]j.kumar,a.k.singh,workload prediction in cloud using artificialneural network and adaptive differential evolution,future generation computersystems 81(2018)41–52.
6、[2]k.mason,m.duggan,e.barrett,j.duggan,e.howley,predicting host cpuutilization in the cloud using evolutionary neural networks,future generationcomputer systems 86(2018)162–173.
7、[3]s.islam,j.keung,k.lee,a.liu,empirical prediction models foradaptive resource provisioning in the cloud,future generation computersystems 28(1)(2012)155–162.
8、[4]v.r.messias,j.c.estrella,r.ehlers,m.j.santana,r.c.santana,s.reiff-marganiec,combining time series prediction models using genetic algorithm toautoscaling web applications hosted in the cloud infrastructure,neuralcomputing andapplications 27(8)(2016)2383–2406.
9、[5]f.-h.tseng,x.wang,l.-d.chou,h.-c.chao,v.c.m.leung,dynamic resourceprediction and allocation for cloud data center using the multiobjectivegenetic algorithm,ieee systems journal 12(2)(2018)1688–1699.
10、[6]m.pulido,p.melin,o.castillo,particle swarm optimization ofensembleneural networks with fuzzy aggregation for time series prediction of themexican stock exchange,information sciences 280(2014)188–204.
11、[7]c.gupta,a.jain,d.k.tayal,o.castillo,clusfude:forecasting lowdimensional numerical data using an improved method based on automaticclustering,fuzzy relationships and differential evolution,engineeringapplications ofartificial intelligence 71(2018)175–189.。
技术实现思路
1、本专利技术克服现有技术的不足，通过错误反馈和黑洞算法的优化同时对未来多个时刻的负载进行预测，提高了负载预测的实时性和准确性。
2、为了实现上述目的，本专利技术通过以下技术方案予以实现。
3、一种基于神经网络和黑洞算法的负载预测方法，包含以下步骤：
4、步骤1)将负载数据集分为训练集和测试集两部分,训练集和测试集的大小比例为6：4；
5、步骤2)建立一个的多层神经网络。将前t个时刻的负载实例作为神经网络的输入，神经网络的输出即t+1,t+2,…,t+l时刻的负载预测值；
6、步骤3)设计一个均方误差的评估函数，用于评估预测准确度，真实值使用步骤(1)中训练集的数据；
7、步骤4)对于步骤1)得到的每个时刻的预测值，用一个操作计算其前l个预测的误差平均值；
8、步骤5)将步骤4)得到的值分别加到步骤2)得到的每个预测值上，即更新的t+1,t+2,…,t+l时刻的负载预测值；
9、步骤6)将预测值用黑洞算法进行优化，包括以下子步骤：
10、6.1、初始化，用步骤5)得到的预测值和其它随机生成的解作为星体，初始化种群；
11、6.2、将种群中的星体分为c个类，对于每个类，利用步骤2)的评估函数找到一个最佳星体作为局部黑洞；
12、6.3、在所有的局部黑洞中找到一个最优黑洞作为全局黑洞；
13、6.4、当终止条件不满足时，执行以下子步骤：
14、6.4.1本文档来自技高网...
【技术保护点】
1.一种基于神经网络和黑洞算法的负载预测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的基于神经网络和黑洞算法的负载预测方法，其特征在于，所述步骤3)中的评估函数表示为：其中，m是样本数量；所述步骤4)中的误差平均值表示为：其中，l表示前l次预测。
3.根据权利要求1所述的基于神经网络和黑洞算法的负载预测方法，其特征在于，所述步骤6.4.1中，更新星体的位置的公式为：其中，表示t时刻第k类的第个星体的位置，和αg是局部黑洞和全局黑洞βg(t)对于星体的引力，r1和r2是随机数。
4.根据权利要求1所述的基于神经网络和黑洞算法的负载预测方法，其特征在于，所述步骤6.4.4中，局部黑洞的事件穹界表示为：其中，是第k类的全局黑洞的评估函数值,P/c是类中的星体数目，是第k类中所有星体的评估函数值之和；全局黑洞的事件穹界表示为：其中，是全局黑洞的评估函数值。
5.根据权利要求1所述的基于神经网络和黑洞算法的负载预测方法，其特征在于，所述步骤6.4.5中，星体到局部黑洞的距离表示为：其中，是星体的评估函数值，是第k类的局部黑洞的评估
...【技术特征摘要】
1.一种基于神经网络和黑洞算法的负载预测方法，其特征在于，包含以下步骤：
2.根据权利要求1所述的基于神经网络和黑洞算法的负载预测方法，其特征在于，所述步骤3)中的评估函数表示为：其中，m是样本数量；所述步骤4)中的误差平均值表示为：其中，l表示前l次预测。
3.根据权利要求1所述的基于神经网络和黑洞算法的负载预测方法，其特征在于，所述步骤6.4.1中，更新星体的位置的公式为：其中，表示t时刻第k类的第个星体的位置，和αg是局部黑洞和全局黑洞βg(t)对于星体的引力，r1和r2是随机数。
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。