一种混合遗传算法在云计算负载均衡中的应用研究.pdf

一种混合遗传算法在云计算负载均衡中的应用研究.pdf

ID:52342140

大小:293.04 KB

页数:5页

时间:2020-03-26

一种混合遗传算法在云计算负载均衡中的应用研究.pdf_第1页
一种混合遗传算法在云计算负载均衡中的应用研究.pdf_第2页
一种混合遗传算法在云计算负载均衡中的应用研究.pdf_第3页
一种混合遗传算法在云计算负载均衡中的应用研究.pdf_第4页
一种混合遗传算法在云计算负载均衡中的应用研究.pdf_第5页
资源描述:

《一种混合遗传算法在云计算负载均衡中的应用研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、2012年3月西安石油大学学报(自然科学版)Mal".2012第27卷第2期JournalofXianShiyouUniversity(NaturalScienceEdition)Vo1.27No.2文章编号:1673-064X(2012)02-0093-05一种混合遗传算法在云计算负载均衡中的应用研究程国建,刘丽景,石彩云,朱凯(西安石油大学计算机学院,陕西西安710065)摘要:遗传算法(GA)被广泛用于解决科学与工程中的复杂问题,然而传统的GA在求解高维函数优化问题时存在很多限制因素,因此无法在云计算中直接应用.提出了一种多智能体与遗传算法混合的多

2、Agent遗传算法(MAGA).首先论证了MAGA较传统GA的优越之处,然后采用MAGA建立了基于虚拟化资源管理的负载均衡模型,解决云计算中的负载均衡问题.与Min—rain策略对比实验结果表明,多Agent遗传算法能够达到更加优越的负载均衡效果.关键词:云计算;负载均衡;多Agent遗传算法;虚拟化技术中图分类号:TP391.9文献标识码:A云计算是分布式计算、网格计算等多种技术的策分析、产品工艺设计、资源调度、股市分析等领域演进,被誉为未来互联网发展的趋势.云计算与以前中发挥了显著的作用4。.的大规模集群计算、分布式计算和网格计算的主要然而,在使用经

3、典的GA解决问题时,特别是在差异之一在于它们的基本处理单元不同.在云计算求解粗粒高、高维数、大数据量的优化问题时,不可中,由于采用了虚拟化技术,可以将一台物理主机虚避免地遭遇到了未成熟收敛、收敛速度过慢、不收敛拟成多台虚拟主机,并以虚拟主机为基本单元向外等问题.因此学者们提出了多种不同GA改进算法.提供服务.采用了虚拟化技术的云计算较传统集群本文所采用的算法是多Agent遗传算法(Multi—A.计算能够极大地提高硬件利用率,并能实现对所有gentGeneticAlgorithm,MAGA).MAGA是GA与多主机的自动化监控⋯.虚拟化技术为云计算带来了

4、Agent技术相结合的一种混合算法,是由焦李成教很多便利,但是同时也使得云中存在大量的虚拟资授提出的.从算法执行性能上讲,MAGA作为一源,这些虚拟资源极其庞大,且动态变化.因此云计种改进的混合GA在收敛时间、优化结果上往往较算中的主机负载均衡成为研究领域首要关注的问题传统GA有很大的提升,特别是在处理超大规模、高之一.维、复杂、动态优化问题时MAGA存在着明显的优遗传算法(GeneticAlgorithm,GA)是20世纪6O势J.因此,本文首先介绍MAGA相比于GA的优年代由美国Michigan大学的J.H.Holland教授借鉴越之处,然后对基于虚

5、拟化的云计算负载均衡进行达尔文的生物进化论和孟德尔的遗传定律的基本思建模,将其转化为数学优化问题-6],最后使用MAGA想,并从中提取、简化、抽象而提出的第一个进化计策略进行求解,并将负载均衡结果与常用的Min—算算法.近年来,GA的研究与应用发展极其迅速,min算法进行比较.已经在人工智能、知识发现、模式识别、图像处理、决收稿日期:2011-09.15基金项目:国家自然科学基金资助项目(编号:40872087)作者简介:程国建(1964一),男,教授,博士,主要从事计算智能、机器学习、模式识别、智能油藏工程、生物特征识别、商务智能、云计算等研究.E-m

6、ail:cheng~@xsyu.edu.cn..——94.——西安石油大学学报(自然科学版)表1GA与MAGA在遗传操作上的对比Tab.1GeneticoperatorcomparisonbetweenGAandMAGA1多Agent遗传算法从Agent的角度出发,把GA中的个体作为一个具有局部感知、竞争协作和自学习能力的Agent,通过Agent与环境以及各Agent问的相互作用达到全局优化的目的,这就是MAGA的思想.多Agent遗传算法的实现机制与GA有很大不同,主要体现在个体之间的交互、协作和自学习上.一些学者已经通过实验证明了多Agent遗传算

7、法有很快的收敛速度,能够很好地用于解决高维函数的优化问题.分别取2种算法的10次执行结果,即比较MAGA1.1个体生存环境与GA在10次执行中所求得的最优函数值,实验结与GA类似,MAGA仍然是对个体进行操作.在果如图2所示.由图可见,MAGA获得的结果要远优MAGA中,每个个体都被视为一个Agent,每个A.于传统的单一GA.gent都具备自身的特性,能够感知周围的环境、自治的运行,并能够影响和改变环境.所有的Agent均生活在Agent网格环境中.Agent网格定义如图1所示.图2GA与MAGA性能对比Fig.2PerformanceComparis

8、onofGAwithMAGA图1Agent网格定义2负载均衡模型的建立Fig.1

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。