基于自适应遗传算法和BP神经网络的云服务器请求量预测模型

针对现有弹性云服务器(Elastic Cloud Server,ECS)未来请求量预测模型准确度低,稳定性差等问题,提出了一种基于自适应遗传算法和BP神经网络的预测模型。该模型以BP神经网络作为基础模型进行预测。采用自适应遗传算法(Genetic Algorithm,GA)优化神经网络初始权值和阈值,防止BP神经网络训练过程中陷入局部极小值。在自适应遗传算法初期引入多子代交叉方法加快遗传算法的收敛速度。通过对比实验表明,该模型在实际云服务器请求量预测过程中具有更好的准确性和稳定性。

基于数据挖掘的智能手机成瘾辅助研究

智能手机带来了便利,也存在危害,手机成瘾问题已经引起社会的关注。文章提出一种针对手机成瘾用户的K-means辅助研究方法。将使用时间抽象出来,将手机使用时间与使用次数相结合进行研究,将成瘾用户根据不同原因分成为四类。对每类用户进行不同方法研究,以便对其进行针对性的帮助。

基于遗传算法的服务器资源分配问题研究

云平台为了满足不同租户的需求,提供了一种可随时自助获取、可弹性伸缩的云服务器,即弹性云服务器(Elastic Cloud Server,ECS)。根据用户申请的请求(虚拟机)利用改进的遗传算法分配服务器资源,找到一个接近最优的分配策略,实现资源最大化利用。实验结果表明,该算法有效减少物理服务器个数的使用以及实现资源利用最大化。