• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      基于改進(jìn)遺傳算法的云仿真資源分配算法

      2015-10-09 06:34:31包長均
      軟件導(dǎo)刊 2015年9期
      關(guān)鍵詞:資源分配虛擬化遺傳算法

      包長均

      摘 要:近年來,云仿真技術(shù)作為一種新型網(wǎng)絡(luò)化建模與仿真模式受到廣泛關(guān)注,合理配置仿真資源已成為云仿真技術(shù)的核心問題之一。針對傳統(tǒng)仿真系統(tǒng)資源分配中存在的資源重用性低、部署難度大等問題,提出一種改進(jìn)遺傳算法來求解仿真模型與虛擬機(jī)之間最優(yōu)映射的算法。實驗結(jié)果表明,該算法是云仿真運行環(huán)境下的一種有效資源調(diào)度算法。

      關(guān)鍵詞:云仿真;虛擬化;資源分配;遺傳算法

      DOIDOI:10.11907/rjdk.1511009

      中圖分類號:TP312

      文獻(xiàn)標(biāo)識碼:A 文章編號文章編號:16727800(2015)009007105

      0 引言

      在分布式計算、并行計算和網(wǎng)格計算逐步發(fā)展成熟的基礎(chǔ)上,云計算應(yīng)運而生。 云計算的核心思想是將計算服務(wù)器、存儲服務(wù)器和寬帶等資源通過網(wǎng)絡(luò)連接,形成以“云”形式統(tǒng)一管理,用戶只需根據(jù)自身需求請求資源池資源,由云計算中心負(fù)責(zé)所有資源調(diào)度和管理,保證用戶能夠根據(jù)需要獲取計算力、存儲空間和各種軟件服務(wù)[1]。

      李伯虎院士[2]通過引入“云計算”理念,首先提出構(gòu)建新網(wǎng)絡(luò)化建模與仿真平臺——“云仿真平臺”。云仿真平臺通過在虛擬機(jī)中部署仿真軟件、服務(wù)、模型等資源組件,為用戶仿真需求提供相應(yīng)的計算資源。類似于云計算服務(wù)模式,云仿真技術(shù)將仿真模型、仿真流程等資源接入到云計算環(huán)境中,通過仿真模型即服務(wù)或仿真流程即服務(wù)模式滿足用戶仿真需求[3]。

      隨著云計算網(wǎng)絡(luò)的不斷增大和仿真用戶不斷增多,如何及時、高效對云仿真資源進(jìn)行調(diào)度,提高資源利用率,成為云仿真平臺研究的核心問題之一。本文探討基于遺傳算法的云仿真平臺資源服務(wù)調(diào)度技術(shù)。

      云計算服務(wù)中的資源調(diào)度技術(shù)日漸成為學(xué)者關(guān)注的焦點。針對仿真資源最優(yōu)化問題,以往研究中提出了很多有價值解決方案。

      文獻(xiàn)[4]提出了基于Shapley值的虛擬化資源分配策略,該理論的基礎(chǔ)是合作博弈論,該方法高效地實現(xiàn)了虛擬化資源分配。 針對資源分配中的利用率問題,文獻(xiàn)[5]提出了基于分類挖掘的網(wǎng)格資源分配算法,通過分類減少資源重新分配次數(shù),提高資源利用效率。 Prodan等[6]

      提出了基于連續(xù)雙向拍賣機(jī)制的資源調(diào)度方法,該方法同時兼顧了用戶和服務(wù)提供商的雙方利益;

      Martino[7]介紹了一種基于遺傳算法的網(wǎng)格資源調(diào)度算法,在花費一定能耗代價后,能盡可能提高網(wǎng)格資源使用率和負(fù)載均衡能力。文獻(xiàn)[8]針對云計算的編程模型框架,提出了一種具有雙適應(yīng)度遺傳算法,用于解決云計算模型中的資源分配最優(yōu)化問題,該算法不僅能得到總?cè)蝿?wù)完成時間較短的調(diào)度結(jié)果,而且此調(diào)度結(jié)果任務(wù)平均完成時間也較短。文獻(xiàn)[9]在充分考慮云計算環(huán)境動態(tài)異構(gòu)性和大規(guī)模任務(wù)處理特性的基礎(chǔ)上提出了一種改進(jìn)遺傳算法,并通過實驗驗證該算法能較好地適用于云計算環(huán)境中的大規(guī)模任務(wù)資源調(diào)度。 以上文獻(xiàn)提出的各種算法都可為本文提供借鑒意義,但是本文所提出問題情境、問題模型與上述研究均不所相同。

      1 仿真運行環(huán)境動態(tài)構(gòu)建中遺傳算法應(yīng)用

      1.1 問題提出

      本文研究仿真運行環(huán)境構(gòu)建3層映射模型[2],如圖1所示。構(gòu)建仿真運行環(huán)境,分步將仿真模型動態(tài)部署到虛擬機(jī),將虛擬機(jī)部署到物理機(jī),并分別實現(xiàn)N:1映射關(guān)系。 由于虛擬機(jī)與物理機(jī)兩者之間的映射過程(第二步)與仿真模型和虛擬機(jī)兩者之間的映射過程(第一步)基本相同,只是獲取虛擬機(jī)與物理機(jī)最優(yōu)映射約束條件略有不同,因此本文對第二步不作討論,只探討仿真模型與虛擬機(jī)之間的映射最優(yōu)化問題。

      針對仿真模型與虛擬機(jī)之間最優(yōu)化映射問題,關(guān)鍵是如何將與仿真任務(wù)有關(guān)的仿真模型映射到不等量虛擬機(jī)中,以保證提供的運行環(huán)境能滿足仿真模型的解算和通訊需求,并且使仿真任務(wù)執(zhí)行效率達(dá)到最優(yōu)。

      圖1 仿真運行環(huán)境的三層構(gòu)建模型

      1.2 問題數(shù)學(xué)模型及形式化定義

      為方便研究,本文將仿真模型性能需求和虛擬機(jī)提供性能配置折算為計算性能和通信性能[1],并分別用Wworkload和Wcom表示。 計算性能由節(jié)點計算能力和內(nèi)存大小決定,而通信性能受限于網(wǎng)絡(luò)帶寬和網(wǎng)絡(luò)延遲。如式(1)所示:

      根據(jù)仿真模型與虛擬機(jī)數(shù)量的大小關(guān)系又有不同映射:(1)若仿真模型數(shù)量小于或等于虛擬機(jī)數(shù)量,則在給虛擬機(jī)分配仿真模型時,將一個虛擬機(jī)上所有資源都占滿再去分配其它虛擬機(jī),直到將所有滿足其計算需求和通信需求的仿真任務(wù)分配完畢,這樣得到的映射關(guān)系使多個虛擬機(jī)上是沒有仿真模型,通過關(guān)閉沒有仿真任務(wù)的虛擬機(jī),從而達(dá)到節(jié)約能耗的目的。 該分配方式簡單易操作,本文不再贅述。 (2)若仿真模型數(shù)量大于虛擬機(jī)數(shù)量,則可以采用本節(jié)所介紹的映射模型,根據(jù)該方法得到的仿真模型到虛擬機(jī)間的映射,使得每臺虛擬機(jī)資源最大使用率最小,進(jìn)而使整個系統(tǒng)具有更大的靈活性。 下面介紹遺傳算法以實現(xiàn)本節(jié)中所提出的映射模型。

      2 改進(jìn)遺傳算法求解最優(yōu)映射

      遺傳算法(Genetic Algorithm, GA)是美國Michigan大學(xué)J.H.Holland教授于1975年受Darwin進(jìn)化論思想的啟發(fā)而提出。 其核心思想是生物進(jìn)化過程從簡單到復(fù)雜、從低級到高級,這本身就是穩(wěn)健適應(yīng)自然、適者生存的優(yōu)化過程。 相較于傳統(tǒng)窮舉法、微分法等優(yōu)化算法,遺傳算法不僅具有自組織、自適應(yīng)、自學(xué)習(xí)的特性,而且具有高魯棒性和廣泛適用性,能突破問題性質(zhì)限制,有效處理傳統(tǒng)優(yōu)化算法難以解決的復(fù)雜問題。 遺傳算法的主要優(yōu)勢在于是一種全局優(yōu)化算法。 搜索空間是問題解的結(jié)合,因而其搜索覆蓋面更大,范圍更廣,并能進(jìn)行多點并行搜索,使得遺傳算法能同時對多個解進(jìn)行處理、評估,搜索廣度和隨機(jī)性更優(yōu),能避免陷入局部某個單峰最優(yōu)解,同時有利于較快收斂到全局最優(yōu)解。

      2.1 染色體編碼方式

      遺傳算法中的染色體編碼有很多種,如采用對任務(wù)執(zhí)行狀態(tài)的直接編碼和間接編碼。本文采用二進(jìn)制染色體編碼方式:M個仿真模型和N個虛擬機(jī),M個仿真模型對應(yīng)M個表示單元,而每個表示單元由若干個二進(jìn)制位表示;每個表示單元的二進(jìn)制位數(shù)k由虛擬機(jī)數(shù)量N決定,即2k-1

      2.2 初始種群生成

      由上節(jié)可知,本文染色體表示仿真模型到虛擬機(jī)的映射。 每一個染色體是一種仿真模型與虛擬機(jī)的映射方式,且每一個染色體表示一個種群中的個體。 本文初始種群為隨機(jī)生成,初始種群數(shù)量設(shè)為Num。 算法是在這Num個種群中進(jìn)行選擇、交叉、變異,從而生成種群下一代。

      2.3 適應(yīng)度函數(shù)

      遺傳算法是通過適應(yīng)度函數(shù)值進(jìn)行下一代的選擇,從而尋找問題最優(yōu)解。 因此,適應(yīng)度函數(shù)選取相當(dāng)重要,關(guān)系到算法收斂速度與所得解的優(yōu)劣。 根據(jù)問題模型,要想達(dá)到仿真模型與虛擬機(jī)之間的最優(yōu)映射,則必須滿足目標(biāo)函數(shù),遺傳算法適應(yīng)度函數(shù):

      f(x)=max(v_cpu[x][j],v_com[x][j][k])∑Numi=1max(v_cpu[i][j],v_com[i][j][k])(6)

      其中,二維數(shù)組v_cpu[x][j]表示x號染色體中j號虛擬機(jī)計算資源的使用率; 三維數(shù)組v_com[x][j][k]表示x號染色體上虛擬機(jī)j和虛擬機(jī)k上已經(jīng)部署的仿真模型之間通信量之和占虛擬機(jī)j與虛擬機(jī)k通信總量的比例。 適應(yīng)度函數(shù)值越小,映射性能越優(yōu),越容易被選擇。

      2.4 選擇、交叉、變異操作

      2.4.1 選擇

      在遺傳算法中需對種群中的個體按照一定比例進(jìn)行選擇,該比例由適應(yīng)度函數(shù)值決定,選擇的目的是將擁有更好基因的個體直接遺傳到下一代或?qū)⑼ㄟ^配對交叉產(chǎn)生的新個體遺傳到下一代。 本文使用輪盤賭選擇方式將優(yōu)秀個體挑選出來,通過適應(yīng)度值計算出每個個體的選擇概率:

      ps(i)=1-f(i)∑Numj=1(1-f(j))(7)

      其中,f(i)表示第i個染色體的適應(yīng)度值,ps(i)即為i號染色體被選擇的概率。

      2.4.2 交叉

      交叉是遺傳算法中最主要的搜索算子,其模仿自然界有性繁殖基因重組過程,將原有優(yōu)良基因遺傳給下一代個體,并生成包含更優(yōu)良基因結(jié)構(gòu)的新個體。 交叉是產(chǎn)生后代并區(qū)別于父代的主要方式,其以較大概率選擇兩個個體進(jìn)行基因位交換,交換后子代既保留了父代大部分基因,也具有自己新的基因特色,整個種群基因會發(fā)生相應(yīng)改變,從而保證種群向最優(yōu)化方向發(fā)展。

      2.4.3 變異

      所謂變異,是指將基因座上特定值進(jìn)行改變。當(dāng)遺傳算法通過交叉算子已經(jīng)接近最優(yōu)解時,利用變異可以加速種群向最優(yōu)解收斂。 變異算子pm通常在0.000 1~0.1間取值,適當(dāng)取值可保持種群多樣性,同時防止未成熟收斂現(xiàn)象。本文所述遺傳算法變異操作是對種群中的每個個體以pm的變異概率檢查其是否發(fā)生變異,對進(jìn)行變異的個體隨機(jī)選擇變異位并改變變異位的值。

      2.5 算法終止條件

      本文采用的終止條件包括進(jìn)化的代數(shù)G和閾值r,一旦算法執(zhí)行的進(jìn)化代數(shù)達(dá)到G次或在下一代所得到的δ(d)與上一代計算得到的δ(d)的差值小于r時,算法均終止。 此時得到的結(jié)果是最優(yōu)解或趨近于最優(yōu)解。最優(yōu)解種群中對應(yīng)的max(v_cpu[x][j],v_com[x][j][k])為最小的染色體,即為最優(yōu)映射。

      2.6 模擬退火算法引入

      模擬退火算法思想最先由Metropolis等于1953年提出,并在1983年被Kirkpatrick等成功引入組合優(yōu)化領(lǐng)域。 模擬退火算法可以看作一個物理模擬過程:從某個較高初始溫度出發(fā),先將固體加熱至高溫狀態(tài),此時固體分子間不斷發(fā)生碰撞,呈無序狀態(tài),具有較高的內(nèi)能; 然后讓高溫固體慢慢冷卻,固體分子將隨著熱運動的逐漸減弱而恢復(fù)到穩(wěn)定、有序狀態(tài)。在這個過程中,固體內(nèi)部粒子在每個溫度下都能達(dá)到平衡態(tài),最終在常溫時達(dá)到基態(tài)[10]。 模擬退火算法采用Metropolis接受準(zhǔn)則能避免過早達(dá)到局部最優(yōu)范圍,從而保證所求解的質(zhì)量。 該接受準(zhǔn)則是指當(dāng)固體處于較高溫度狀態(tài)時,接受新狀態(tài)可能性較大,而當(dāng)固體處于較低溫度狀態(tài)時,接受新狀態(tài)可能性隨之降低。最終,當(dāng)溫度趨于0時,任何使內(nèi)能小于0的新狀態(tài)都不能被接受。

      經(jīng)典遺傳算法的早熟現(xiàn)象是指算法過早陷入局部最優(yōu),很難跳出局部走向全局最優(yōu)。已有研究表明,由于群體規(guī)模限制,當(dāng)該種群進(jìn)化若干代后,具有較高平均適應(yīng)度的指數(shù)級增長模式將在種群中占有絕對優(yōu)勢,也就是在自然界優(yōu)勝劣汰中占據(jù)統(tǒng)治地位。 如果不加以調(diào)整控制,算法中的選擇、交叉、變異操作將逐漸因為種群高度一致性而失去作用,整個種群的模式種類將越來越單一,最終導(dǎo)致算法陷入局部最優(yōu)解[11]。 將模擬退火算法引入遺傳算法中,既能避免遺傳算法存在的“早熟”問題,大大降低遺傳算法陷入局部最優(yōu)解的可能性,又能增強算法全局收斂特性,提高算法收斂速度。

      因此,首先采用遺傳算法框架進(jìn)行最優(yōu)化問題求解,再引入模擬退火算法優(yōu)化遺傳算法中選擇下一代種群的操作,根據(jù)Metropolis接受準(zhǔn)則以一定概率接受壞解,從而在進(jìn)化過程中保持種群多樣性,最終得到最優(yōu)解。

      2.6.1 Metropolis接受準(zhǔn)則

      設(shè)當(dāng)前狀態(tài)下溫度值為T,根據(jù)粒子當(dāng)前所處的相對位置,設(shè)固體初始狀態(tài)為i,對應(yīng)內(nèi)能為Ei;隨后隨機(jī)選取其中的某個粒子,按隨機(jī)產(chǎn)生的偏移向量使粒子發(fā)生偏移,設(shè)偏移后的狀態(tài)為j,此時內(nèi)能為Ej。 若Ejβ ,則接受該新狀態(tài),否則拒絕改變狀態(tài)。 通過重復(fù)上述過程,系統(tǒng)能量將逐漸降低,最終達(dá)到平衡狀態(tài)。

      2.6.2 模擬退火算法參數(shù)

      (1)溫度控制初始值t0。該值選取不宜過大或過小。過大的選擇將導(dǎo)致退火算法收斂緩慢,失去可操作性;過小的選擇會導(dǎo)致退火算法陷入局部搜索。

      (2)溫度控制終值tf。該值決定模擬退火算法終止條件,即溫度達(dá)到某個充分小的值表明算法收斂到某個近似解。本文采取判斷算法求解的近似性決定是否終止,若迭代若干次后得到的解沒有變化,說明算法解的質(zhì)量無法進(jìn)一步提高,從而宣告算法終止。

      (3)溫度衰減函數(shù)f(tk) 。本文取一種常用的衰減函數(shù)f(tk):tk+1=μtk,u∈[0.5,1)。

      2.6.3 改進(jìn)遺傳算法流程

      本文提出的SAGA算法(Simulated Annealing Genetic Algorithm)分兩個階段:在遺傳操作階段,利用選擇、交叉和變異過程對初始種群Gi 進(jìn)行遺傳操作,產(chǎn)生進(jìn)化后的種群i;在模擬退火操作階段,將種群i作為輸入,釆用模擬退火操作,通過Metropolis準(zhǔn)則對i中的個體進(jìn)行篩選,產(chǎn)生新一代種群Gi+1。具體操作步驟如下:Step 1:初始化種群。 根據(jù)仿真模型與虛擬機(jī)的數(shù)量采用隨機(jī)方式生成初始種群,初始種群規(guī)模記作Mg。 設(shè)定進(jìn)化迭代參數(shù)i為0;

      Step 2:計算目標(biāo)函數(shù)與自適應(yīng)函數(shù)。首先計算當(dāng)前種群適應(yīng)度函數(shù)f(i)和最優(yōu)映射值δ(d);

      Step 3:終止條件判斷。 當(dāng)進(jìn)化代數(shù)達(dá)到預(yù)定最大進(jìn)化代數(shù)或在下一代所得到的δ(d)與上一代計算得到的δ(d)差值小于r時算法終止,輸出搜索結(jié)果,否則繼續(xù)執(zhí)行;

      Step 4:選擇操作。 采用輪盤賭法對種群進(jìn)行選擇操作,根據(jù)式(7)得到的ps概率來選擇適應(yīng)性較強的個體,形成新群體,進(jìn)行下一步交叉操作;

      Step 5:交叉操作。釆用交叉方法,從經(jīng)過選擇操作產(chǎn)生的群體中隨機(jī)選擇2個個體進(jìn)行交叉操作,產(chǎn)生2個新個體;

      Step 6:變異操作。釆用變異操作方法對被選中個體進(jìn)行變異操作,將符合要求的新個體放入種群;

      Step 7:在溫度ti下,計算遺傳操作后種群中每個個體的適應(yīng)度值;

      Step 8:根據(jù)適應(yīng)度函數(shù)和Metropolis接受準(zhǔn)則,判斷是否接受當(dāng)前遺傳算法產(chǎn)生的新個體;

      Step 9:更新進(jìn)化迭代計數(shù)i=i+l,轉(zhuǎn)到Step 2。

      3 實驗測試

      CloudSim是一款云計算仿真工具,是用于實現(xiàn)對云計算基礎(chǔ)設(shè)施和應(yīng)用服務(wù)進(jìn)行模擬的開源框架。 本文使用CloudSim中的DataCenterBroker方法實現(xiàn)算法調(diào)度策略。

      3.1 實驗條件設(shè)定

      算法參數(shù)設(shè)置如表1所示。本實驗中仿真模型數(shù)量取值為1k、2k、3k、4k、5k,逐漸增大。 虛擬機(jī)數(shù)量設(shè)為500。 仿真模型計算資源需求量取值范圍為[1,20],數(shù)值越大表示對計算資源的需求越大。虛擬機(jī)可以提供的計算資源取值范圍為[100,300]。 設(shè)仿真模型間所需通信性能取值范圍為[1,20],虛擬機(jī)間可用通信性能取值范圍為[100,300]。 限定任何一個虛擬機(jī)上面部署的仿真模型計算資源需求量之和都不能超過此虛擬機(jī)提供的計算資源。

      3.2 與經(jīng)典算法對比

      在相同實驗條件下,將本文提出的SAGA算法與經(jīng)典GA算法(遺傳算法)、RA算法(隨機(jī)分配算法)分別進(jìn)行比較。 實驗結(jié)果如圖2所示。

      圖2 算法執(zhí)行時間對比

      由圖2可知,隨著仿真模型數(shù)量的增加,染色體長度越長,染色體就越復(fù)雜,相應(yīng)的交叉、突變也越復(fù)雜,因此要得到最優(yōu)解或接近最優(yōu)解的部署,算法需要的運算時間越多。 當(dāng)僅有少量仿真模型時,傳統(tǒng)的GA算法和SAGA算法都能夠迅速收斂,執(zhí)行時間差別不大,而RA算法由于隨機(jī)性較大,花費時間稍多。 當(dāng)仿真模型數(shù)量較多時,傳統(tǒng)GA算法收斂代數(shù)急劇增加,搜索效率大大降低,而隨著任務(wù)量的增大,SAGA算法的優(yōu)勢越來越明顯,SAGA算法能保持群體多樣性,推動群體穩(wěn)定進(jìn)化,從而所需時間隨著仿真模型數(shù)量增加而變化更加平滑。 傳統(tǒng)RA算法隨著搜索空間越來越大,性能下降很明顯,可見RA并不適用于云環(huán)境下大規(guī)模仿真數(shù)據(jù)處理。

      圖3顯示不同數(shù)量仿真模型算法分派資源最大占用率,該值越小則算法性能越優(yōu)。 總體而言,隨著仿真模型增多,3種算法計算資源最大占用率都在增大,RA算法由于采取完全隨機(jī)分配策略,在仿真模型不斷增多后表現(xiàn)最差,最后一組實驗資源利用率已近90%,負(fù)載提升空間不大。GA算法和SAGA算法都表現(xiàn)出能根據(jù)虛擬機(jī)運算能力合理分配資源特性,算法傾向于使計算能力強的虛擬機(jī)分配到更多任務(wù)。雖然傳統(tǒng)GA算法在問題規(guī)模較小時性能較好,但容易陷入局部最優(yōu)解,反而導(dǎo)致性能下降。本文提出SAGA算法能有效避免算法早熟,隨著資源利用率提升,能夠提供更好負(fù)載均衡效果。

      圖3 算法資源最大占用率對比

      4 結(jié)語

      隨著大數(shù)據(jù)時代到來,傳統(tǒng)仿真技術(shù)越來越難以滿足日益復(fù)雜的用戶仿真需求,而云仿真技術(shù)采用云計算理念能夠很好地解決這一問題。 針對云仿真運行環(huán)境資源分配最優(yōu)化問題,本文提出了基于改進(jìn)遺傳算法的求解方法,該算法綜合考慮了計算性能、通信性能、機(jī)器負(fù)載等因素。 實驗證明,該算法在任務(wù)完成時間和負(fù)載均衡方面均表現(xiàn)出很強的優(yōu)勢,能較好地適用于云計算環(huán)境中大規(guī)模仿真任務(wù)資源調(diào)度。

      參考文獻(xiàn)參考文獻(xiàn):

      [1] 劉鵬.云計算的定義和特點[EB/OL].http://www.chinacloud.cn/show.aspx?cid=17&id=741.

      [2] 李伯虎,柴旭東,侯寶存,等.一種基于云計算理念的網(wǎng)絡(luò)化建模與仿真平臺——”云仿真平臺”[J].系統(tǒng)仿真學(xué)報,2009,21(17):52925299.

      [3] 胡春生,許承東,張鵬飛,等.云計算環(huán)境下仿真模型資源虛擬化研究[J].華中科技大學(xué)學(xué)報,2012,40(1):135140.

      [4] 張小慶,李春林,錢瓊芬,等.基于合作博弈的虛擬化資源效用分配策略[J].計算機(jī)科學(xué),2012,39(6):5153.

      [5] 劉林東.基于分類挖掘的網(wǎng)格資源分配研究[J].計算機(jī)應(yīng)用研究,2013,30(2):371373.

      [6] PRODAN R,WIECZOREK M,F(xiàn)ARD H M.Double auctionbased scheduling of scientific applications in distributed grid and cloud environments[J].Journal of Grid Computing,2011,9(4):531548.

      [7] DI MARTINO V,MILILOTTI M.Sub optimal scheduling in a grid using genetic algorithms[J].Parallel Computing,2004,30(5):553565.

      [8] 李建鋒,彭艦.云計算環(huán)境下基于改進(jìn)遺傳算法的任務(wù)調(diào)度算法[J].計算機(jī)應(yīng)用,2011,31(1):184186.

      [9] 劉愉,趙志文.云計算環(huán)境中優(yōu)化遺傳算法的資源調(diào)度策略[J].北京師范大學(xué)學(xué)報:自然科學(xué)版,2012,48(4):378383.

      [10] 龐峰.模擬退火算法的原理及算法在優(yōu)化問題上的應(yīng)用[D].長春市:吉林大學(xué),2006.

      [11] 付旭輝,康玲.遺傳算法的早熟問題探究[J].華中科技大學(xué)學(xué)報:自然科學(xué)版,2003,31(7):5354.

      [12] ZHANG Y B,CHAI X D,HOU B C,et al.Research on virtual simulation resource modeling in cloud simulation[C].Proc.of the International Conference on Information Security and Artificial Intellignce,2010:394398.

      責(zé)任編輯(責(zé)任編輯:陳福時)

      猜你喜歡
      資源分配虛擬化遺傳算法
      新研究揭示新冠疫情對資源分配的影響 精讀
      英語文摘(2020年10期)2020-11-26 08:12:20
      基于OpenStack虛擬化網(wǎng)絡(luò)管理平臺的設(shè)計與實現(xiàn)
      電子制作(2019年10期)2019-06-17 11:45:10
      一種基于價格競爭的D2D通信資源分配算法
      對基于Docker的虛擬化技術(shù)的幾點探討
      電子制作(2018年14期)2018-08-21 01:38:20
      虛擬化技術(shù)在計算機(jī)技術(shù)創(chuàng)造中的應(yīng)用
      電子測試(2017年11期)2017-12-15 08:57:56
      基于自適應(yīng)遺傳算法的CSAMT一維反演
      一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
      基于遺傳算法和LS-SVM的財務(wù)危機(jī)預(yù)測
      基于改進(jìn)的遺傳算法的模糊聚類算法
      存儲虛擬化還有優(yōu)勢嗎?
      郓城县| 清涧县| 永清县| 敦煌市| 云梦县| 穆棱市| 区。| 永吉县| 阿拉善左旗| 裕民县| 绍兴市| 玉门市| 丹棱县| 青冈县| 江永县| 舟曲县| 巴彦县| 象州县| 镇雄县| 台北县| 行唐县| 黄骅市| 松原市| 望奎县| 凤山县| 宁明县| 囊谦县| 红河县| 华池县| 府谷县| 舟曲县| 社会| 施秉县| 深泽县| 乐亭县| 霍山县| 高邮市| 离岛区| 什邡市| 龙海市| 滦南县|