首页 | 供应信息 | 求购信息  | 下载系统 | 技术资讯 | 企业信息 | 产品信息 | 论文信息 | 展会信息 | 在线工具
作者: 发布时间:2017-04-10 来源: 繁体版
  史振华  (绍兴职业技术学院,浙江 绍兴 312000) 摘要:针对云计算中无法合理分配资源的问题,提出了采用改进的粒子群算法对其进行分配。由于粒子群算法存在局部收敛速度快,容易陷

  史振华srr自动化在线网

  (绍兴职业技术学院,浙江 绍兴 312000)srr自动化在线网

        摘要:针对云计算中无法合理分配资源的问题,提出了采用改进的粒子群算法对其进行分配。由于粒子群算法存在局部收敛速度快,容易陷入局部最优解的情况,从粒子的选择、参数调整和预防过早收敛三个方面进行改进: (1)选择粒子的时候采用适应值最小的粒子,并根据约束函数淘汰不合格的粒子;(2)对惯性因子、个体最优因子和全局最优因子进行改进;(3)通过设定系数来防止算法过早收敛。仿真说明,将改进后的算法运用在云计算方面,在云计算的资源失效、云端用户完成时间和云计算环境下的能量消耗三个方面都优于粒子群算法。srr自动化在线网

  关键词:粒子群算法;云计算;资源分配srr自动化在线网

  中图分类号:TP393文献标识码:ADOI: 10.19358/j.issn.1674-7720.2017.06.019srr自动化在线网

  引用格式:史振华. 一种改进的粒子群算法在云计算资源中的研究[J].微型机与应用,2017,36(6):62-65.srr自动化在线网

0引言srr自动化在线网

  云计算技术不断发展,现在已经成为了计算机界研究的一个热点。相应地,云计算服务不断发展壮大,其应用领域越来越广泛。云计算是通过互联网技术将海量的IT资源通过有偿的方式提供给云端用户,云计算服务商通过云计算数据中心对云环境中的资源进行统一的管理和分配,最大限度地保证云端负载均衡[1]。由于云计算中的资源是动态的,而云端用户的需求是实时性和多样性的,因此采用固定资源分配的方式无法满足云端用户的需求,云计算服务商提供的服务以资源调度方案最优,整体利益最大化为主要目标。云计算资源调度是一个多任务的NP问题,不同的学者从不同的角度进行了研究。文献[2]提出了采用蛙跳结合神经网络的算法来解决云计算资源分配问题;文献[3]提出将改进的蚁群算法运用到云计算资源调度中,取得了比较好的效果;文献[4]提出了采用改进的布谷鸟算法来进行资源分配,提高了资源的分配效率;文献[5]提出将多维模型与蚁群算法进行相结合来进行云计算资源的分配,取得了比较好的效果;文献[6]提出了生物中的膜计算与蝙蝠算法相结合来解决云计算中的资源分配;文献[7]提出了采用粒子群算法与神经网络相结合的方法分配云计算资源,取得了比较好的效果。srr自动化在线网

  本文将粒子群算法运用到云计算中进行资源分配,对于粒子算法存在的问题,分别从粒子的选择、参数调整和预防过早收敛三个方面进行改进。仿真实验说明本文算法相比于基本粒子群算法在资源分配方面有了明显的改进。srr自动化在线网

1云计算资源简述srr自动化在线网

  云计算中的资源调度关系到云计算的运行效率、能量消耗和时间花费等问题。云计算中的每一个云用户是云环境中的一个节点,每一个节点既使用服务又提供服务,云用户之间相互协作实现资源优化配置。因此资源调度算法就成为资源配置的关键,如何设计一个良好的云计算资源算法是十分必要的。云计算资源的调度过程如图1所示。srr自动化在线网

 srr自动化在线网

001.jpgsrr自动化在线网

  在云计算资源调度中,无论采用什么样的资源调度策略,其目的都是为了更好地使用云计算资源为云用户提供高质量的服务。高效的云计算资源调度目标是在调度资源的时候保证云计算的服务质量(包括服务的时间、效率和可靠性),全面提高资源的利用率和负载均衡,实现利益的最大化。srr自动化在线网

  目前,用于云计算资源调度的是启发式的算法,这些算法包括粒子群算法、遗传算法、蚁群算法和人工神经网络算法等,这些算法都具有良好的寻求最优解的性能优点,但容易因自身的原因陷入局部而造成算法收敛。srr自动化在线网

 2改进的粒子算法在云计算中的应用srr自动化在线网

  2.1基本的粒子群算法srr自动化在线网

  粒子群算法是通过个体之间的相互协作和相互影响不断地通过迭代来获得最优解的,群体之间的信息共享协助群体进化。设定粒子群算法的目标搜索空间是N维的,粒子群由m个粒子构成,粒子的位置就是一个解,设Vmax为粒子的最大速度,因此群体中的粒子位置和速度采用N维向量来表示。其中,第k个粒子的位置为: Xk=(xk1,xk2,…,xkn),k∈[1,m],第k个粒子的速度为Vk=(vk1,vk2,…,vkn),k∈[1,m],粒子在迭代过程中的最佳位置就是个体最优解的位置:Pkbest=(Pk1,Pk2,…,PkN),k=1,2,3,…,m,全局最优解为:Gkbest=(Pg1,Pg2,…,PgN)。当找到最优解之后,通过目标函数求出粒子的适应值,通过适应度的大小衡量粒子的位置,然后继续以个体最优解和全局信息解来更新自身的位置改变粒子的运动速度,逐步获得最优解。因此,粒子的更新速度和位置如下:srr自动化在线网

  Vki=ηVki+αλ(Pkn-Vkn)+βμ(Pgn-Xgn)(1)srr自动化在线网

  Xkn=Xkn+Vkn(2)srr自动化在线网

  式中,η为惯性参数,α和β分别是学习因子,α是调节粒子向个体最优位置靠近飞行,β是粒子向群体最优位置飞行,通常情况下,惯性系数η取值为1,λ和μ为相互独立的随机数,Vmax为设置的最大速度。从以上分析可以发现粒子群算法中的最优解是通过粒子之间的协作和相互竞争来获得的,粒子在空间以一定的速度飞行,每个粒子的运动通过个体与群体来不断地调整速度和运动方向,从而获得最优解。


一种改进的粒子群算法在云计算资源中的研究
评论】【加入收藏夹】【 】【关闭
※ 相关信息
无相关信息
※ 其他信息
访问数: | 共有条评论
发表评论
用户名:
密码:
验证码: 看不清楚,点击刷新
匿名发表

 搜索新闻
[提交投稿]  [管理投稿]
 最新新闻
 热点新闻
数据加载中..

网站地图
Autooo.Net 版权所有
Copyright © 2007--2017 All rights reserved