器初始化動態(tài)文化粒子群算法的參數(shù)，具體為：
[0030] 初始化下屬參數(shù)：種群空間的大小N，種群收斂程度閥值C，請求的個數(shù)n，資源結(jié) 點的個數(shù)m，粒子的維度p，最大迭代次數(shù)N m」，知識空間的交叉變異概率Pn、Pm，加速度因子 (^和 C 2 O
[0031] 步驟3. 2,隨機(jī)產(chǎn)生N個優(yōu)化問題的初始解X = [X1. .. Xi. .. XN]，其中 Xi (Xn，Xi2,，，XJ的飛行速度為Vi (Vn，Vi2,，，VJ，Xi需要滿足公式（1)，
[0032]
【主權(quán)項】
1. 一種基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，包括以下步驟： 步驟1、云系統(tǒng)中云服務(wù)器收集各物理節(jié)點的可用資源； 步驟2、云系統(tǒng)中云服務(wù)器收集用戶的任務(wù)請求；以及 步驟3、云系統(tǒng)中云服務(wù)器采用自適應(yīng)動態(tài)文化粒子群算法對云系統(tǒng)中資源進(jìn)行分配。
2. 根據(jù)權(quán)利要求1所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，其特征 在于，步驟1所述的云系統(tǒng)中云服務(wù)器收集各物理節(jié)點的可用資源，其中云系統(tǒng)中有N個物 理節(jié)點，每一個節(jié)點可用資源包括CPU資源、內(nèi)存資源、硬盤資源和網(wǎng)絡(luò)帶寬資源。
3. 根據(jù)權(quán)利要求1所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，其特征 在于，步驟2所述的云系統(tǒng)中云服務(wù)器收集用戶的任務(wù)請求，所述的任務(wù)請求包括每個任 務(wù)需要的CPU資源、內(nèi)存資源、硬盤資源和帶寬資源。
4. 根據(jù)權(quán)利要求1所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，其特征 在于，步驟3所述的云系統(tǒng)中云服務(wù)器采用自適應(yīng)文化粒子群方法對云系統(tǒng)中資源進(jìn)行分 配，具體步驟如下： 步驟3. 1、云服務(wù)器初始化動態(tài)文化粒子群參數(shù)； 步驟3. 2、初始化種群空間和知識空間，隨機(jī)初始化粒子的初始位置和速度，計算種群 空間粒子適應(yīng)度值，確定粒子的歷史最優(yōu)位置和種群的最優(yōu)位置； 步驟3. 3、更新粒子的速度和粒子的位置，并根據(jù)粒子適應(yīng)度值更新每個粒子的歷史最 優(yōu)位置和種群的最優(yōu)位置； 步驟3. 4、每迭代update_step次數(shù)，根據(jù)接受函數(shù)更新知識空間，對知識空間進(jìn)行交 叉、變異操作； 步驟3. 5、計算收斂狀態(tài)指標(biāo)|，若計算值小于給定的收斂程度閥值，根據(jù)影響函數(shù)更 新種群空間； 步驟3. 6、重復(fù)步驟3. 3?3. 5Nm i次，輸出最優(yōu)個體解，Nmi表示動態(tài)文化粒子群算法 的最大迭代次數(shù)。
5. 根據(jù)權(quán)利要求4所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，其特征 在于，步驟3. 1所述的云服務(wù)器初始化動態(tài)文化粒子群參數(shù)，具體為： 種群空間的大小N，種群收斂程度閥值C，請求的個數(shù)n，資源結(jié)點的個數(shù)m，粒子維度p， 最大迭代次數(shù)Nm」，加速度因子cdP c2。
6. 根據(jù)權(quán)利要求5所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法， 其特征在于，步驟3. 2中，隨機(jī)產(chǎn)生N個優(yōu)化問題的初始解X = [Xp ..Xy ..XN]，其中 \ (X"，X12,，，X1n)的飛行速度為 V, (V"，V12,，，Vin)，\需要滿足公式（1)，
⑴ 種群空間粒子適應(yīng)度值的比較依據(jù)公式（2)進(jìn)行：
⑵ 其中，Ay.是二進(jìn)制判定變量，其中1表示請求i分配到結(jié)點j上，0則相反；Cf表示j 結(jié)點上P資源的容量，<表示i請求所需要的P資源；m是結(jié)點的個數(shù)，n是請求的個數(shù)。 將粒子當(dāng)前位置作為歷史最優(yōu)位置，將適應(yīng)度最大的粒子作為種群最優(yōu)粒子。
7. 根據(jù)權(quán)利要求6所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，其特征 在于，步驟3. 3中粒子的速度依據(jù)公式（3)進(jìn)行更新：
⑶ 粒子的位置依據(jù)公式（4)進(jìn)行更新：
(4) 其中，d是粒子維度，t為當(dāng)前迭代次數(shù)，w是加權(quán)系數(shù)，^和r 2是0-1之間的隨機(jī)數(shù)， (^和c 2是加速度因子，P J是粒子的歷史最優(yōu)位置，P J是種群最優(yōu)位置，X J是第i個粒子 在第t次迭代中d維的位置，Vidt+1是第i個粒子在第t+1次迭代中d維的速度； 加權(quán)系數(shù)w依據(jù)公式（5)計算： w = l_l/(l+e-" (5) 其中I是收斂狀態(tài)指標(biāo)。
8. 根據(jù)權(quán)利要求7所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，其特 征在于，步驟3. 4,根據(jù)接受函數(shù)更新知識空間，對知識空間進(jìn)行交叉、變異操作，其實現(xiàn)包 括： 在主群體空間的粒子演化過程中，每運(yùn)行update_Step代時，用種群空間最優(yōu)粒子替 換知識空間最差粒子，知識空間規(guī)模取主空間規(guī)模的20%，以PjP P 率對粒子進(jìn)行交叉 和變異操作。
9. 根據(jù)權(quán)利要求8所述的基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，其特征 在于，步驟3. 5,計算收斂狀態(tài)指標(biāo)|，若計算值小于給定的收斂程度閥值，根據(jù)影響函數(shù) 更新種群空間，計算收斂狀態(tài)指標(biāo)I按公式（6)計算：
(6) 其中，/gA是第k次迭代的全局最優(yōu)解，/j.g是第k次迭代的平均適應(yīng)度值，/f 1是第 k-1次迭代的全局最優(yōu)解，乂是第k-1次迭代的平均適應(yīng)度值； 影響函數(shù)按賭輪法選取知識空間較好的一部分個體，即取50%的個體，替換粒子群中 較劣的同樣數(shù)目個體。
【專利摘要】本發(fā)明公開了一種基于能耗要求的云系統(tǒng)利用率最大化資源分配方法，包括：云系統(tǒng)中云服務(wù)器收集各物理節(jié)點的可用資源；收集用戶的任務(wù)請求；最后采用自適應(yīng)動態(tài)文化粒子群優(yōu)化算法對云系統(tǒng)中資源進(jìn)行分配。本發(fā)明是基于資源利用率提供一種高效、可靠的資源分配方法，充分挖掘云系統(tǒng)中CPU資源、內(nèi)存資源、硬盤資源和帶寬資源，從多個維度以資源利用率最大化為目標(biāo)按需分配資源。
【IPC分類】H04L12-917, H04L29-08, G06F9-50
【公開號】CN104618269
【申請?zhí)枴緾N201510048170
【發(fā)明人】徐雷, 王俊, 李千目, 楊余旺, 張小飛, 李亞平
【申請人】南京理工大學(xué)
【公開日】2015年5月13日
【申請日】2015年1月29日