基于遗传算法的移动应用缓存迁移优化方法研究

面对用户提出越来越多的请求任务,本地服务器面临巨大的压力,导致应用缓存任务队列越来越长,出现了严重的拥塞问题。针对这种情况,将移动应用缓存任务迁移到边缘节点成为有效解决途径,由此提出一种基于遗传算法的移动应用缓存迁移优化方法。该研究在系统模型的假设条件设定的前提下,以时延和能耗为目标,构建多目标函数模型并设置两类约束条件。利用遗传算法求解模型最优解,得出移动应用缓存迁移优化方案。结果表明,利用该遗传算法求解的移动应用缓存迁移方案应用下,与其他算法相比时延和能耗均达到最低值,分别为16.34 s和37.85 J,证明了所研究方法的有效性。

进化迁移优化算法综述

进化算法是模拟自然界生物进化的启发式算法,具有良好的搜索能力和灵活性且广泛用于复杂优化问题的求解,但在求解过程中默认问题先验知识为零,然而由于问题很少孤立存在,解决单一任务积累的经验可迁移至其他相关任务。进化迁移优化算法利用相关领域的知识学习和迁移,实现了更好的优化效率和性能。介绍进化迁移优化算法的基本分类,从源任务选择、知识迁移、缩小搜索空间差异、进化算法搜索、进化资源分配等5个角度出发对主流进化迁移优化算法的核心策略和优劣势进行梳理和分析。通过中国知网和WOS平台对2014年至2021年的进化迁移优化相关文献进行检索,运用知识图谱进行数据挖掘、信息处理、知识计量和图形绘制,根据进化迁移优化的发展趋势和经验分析总结了其面临的主要挑战和未来研究方向。

Xen下虚拟机动态迁移优化策略的研究

尽管预拷贝技术由于其毫秒级的停机时间及对应用影响较小而被广泛使用到各大虚拟化平台的内存数据迁移中,但是当网络处于低带宽高负载的情况下则会导致虚拟机服务的一些性能下降。为了解决以上问题,本文首先将传统的预拷贝机制与马尔科夫模型结合旨在对后轮脏页率进行预测,利用Mann-Kendall检验模型对迁移中脏页率的变化趋势进行判断,据此引入自适应阈值机制确定最优迁移策略,更好地解决虚拟机中网络传输带宽的大小和运行负载的高低对传统预拷贝技术固定停机阈值机制的影响,实验结果显示,改进后的迁移机制可有效地提高虚拟机实时迁移性能。

SDN中基于动态迁移优化的控制器负载均衡算法

为了改善软件定义网络(Software Defined Network,SDN)中由于流量突变引起的多控制器负载不均衡的问题,提出一种基于动态迁移优化(Dynamic Migration-Optimized Load Balancing,DMOLB)的控制器负载均衡算法。该算法在控制器负载阶段以常规控制器的负载作为过载的判断依据。选择迁移域阶段通过选出的迁入域减少交换机迁移的开销。在设定子域迁移度和有效期阶段基于选出的迁移域设定子域迁移度和交换机有效期,计算迁移交换机的数量,并在有效期内完成交换机协调迁移。仿真结果表明,与负载通告(Load Informing based Load Balancing,LILB)算法和阶段式控制器负载均衡(Stage Controller Load Balancing,SCLB)算法相比,该算法降低了交换机迁移通信开销,提高了控制器的资源利用率。

迁移蜂群优化算法及其在无功优化中的应用

提出了一种全新的迁移蜂群优化算法,并应用到电力系统无功优化问题.利用Q学习的试错与奖励机制构造蜂群的学习模式,并采用强化学习的行为迁移技术实现蜂群的迁移学习.为解决算法求解多变量优化问题遇到的维数灾难,提出了状态–组合动作链的方式将状态–动作空间分解成若干低维空间,明显降低算法的计算难度.仿真结果表明:本文所提算法可以保证最优解质量的同时,寻优速度能提高到传统启发式智能算法的4～67倍左右,非常适用于大规模复杂系统非线性规划问题的快速求解.

云计算中虚拟机磁盘迁移时机优化策略

虚拟机迁移技术使得物理资源池构建更为灵活,作为虚拟机系统中存储容量最大的磁盘,提升磁盘迁移的性能具有重大的现实意义。以磁盘格式Qcow2为例,为通过更细粒度的资源管理方式实现更有针对性的迁移时机优化,提出了一种磁盘迁移时机优化策略。将基础磁盘和增量磁盘迁移分离,对基础磁盘的数据内容直接进行设备层迁移,避免因压缩增量镜像带来额外开销,减少迁移过程中的多次寻址,达到减小总体迁移耗时的效果。实验结果表明,该策略优化结果能够降低25%-55%增量镜像迁移时间,具有良好的优化效果。

自适应迁移的分解多目标多任务进化算法

多目标多任务进化优化是多目标优化的一个重要研究方向,通过跨任务共享有益信息以同时解决多个相关任务的优化问题。然而,现有多目标多任务进化优化研究存在相似任务匹配准确度低、缺少对知识迁移的动态控制等问题。为提高多目标多任务进化优化算法的优化效果,引入相似性动态指标和迁移概率动态调整机制,提出自适应迁移的分解多目标多任务进化算法。为了给目标任务子问题匹配关联度最高的迁移源,同时考虑种群的当前分布以及种群的进化方向2个指标,设计一种基于种群静态和动态特征相结合的迁移源匹配策略。为了合理地控制任务间的信息传递,提出基于种群进化状态的知识迁移概率自适应调整策略,在优化过程中根据优化任务的进化状态自适应地调整任务间的知识迁移概率,以满足优化任务在不同进化阶段对外部知识的需求。实验结果表明,相比MOEA/D、MO-MFEA、MO-MFEA-Ⅱ等算法,该算法具有较优的稳定性和收敛性,在常用的9组(18个独立任务)多目标多任务测试问题中有15个表现较优,优化率为83%。

面向复杂物流配送场景的车辆路径规划多任务辅助进化算法

在现代社会中,复杂物流配送场景的车辆路径规划问题(Vehicle routing problem,VRP)一般带有时间窗约束且需要提供同时取送货的服务.这种复杂物流配送场景的车辆路径规划问题是NP-难问题.当其规模逐渐增大时,一般的数学规划方法难以求解,通常使用启发式方法在限定时间内求得较优解.然而,传统的启发式方法从原大规模问题直接开始搜索,无法利用先前相关的优化知识,导致收敛速度较慢.因此,提出面向复杂物流配送场景的车辆路径规划多任务辅助进化算法(Multitask-based assisted evolutionary algorithm,MBEA),通过使用迁移优化方法加快算法收敛速度,其主要思想是通过构造多个简单且相似的子任务用于辅助优化原大规模问题.首先从原大规模问题中随机选择一部分客户订单用于构建多个不同的相似优化子任务,然后使用进化多任务(Evolutional multitasking,EMT)方法用于生成原大规模问题和优化子任务的候选解.由于优化子任务相对简单且与原大规模问题相似,其搜索得到的路径特征可以通过任务之间的知识迁移辅助优化原大规模问题,从而加快其求解速度.最后,提出的算法在京东物流公司快递取送货数据集上进行验证,其路径规划效果优于当前最新提出的路径规划算法.

准零刚度隔振系统吸引子迁移控制优化研究

准零刚度隔振系统属于非线性系统,存在多吸引子共存的现象,不同吸引子之间振幅相差较大,初始条件的改变可能会使系统从小振幅吸引子跳跃到大振幅吸引子上,施加迁移控制算法前需要对吸引子的吸引域进行分析,无法实时的对系统进行控制.文中针对此问题,对迁移控制算法进行优化.构建小吸引子参考模型,通过比较实际输出和参考输出相图的重合程度来判断是否属于同一吸引子,进而决定是否施加控制,实现在任意初始条件下,系统最终都能运行于振幅最小、隔振效果最好的运动状态.结果表明:原本处于大振幅运动状态的吸引子最终运行在小振幅的吸引子上,而原本处于小振幅运动状态的吸引子则保持不变,实现了小振幅吸引子的自适应控制.

通过电源完整性分析和电迁移修复提高供电网络可靠性

电迁移是集成电路供电网络的关键失效因素,由于芯片集成度和电流密度的增加,供电网络设计留给电迁移优化的余量越来越小.供电网络的传统设计缺乏电迁移和电压降的综合分析,会造成设计的过度约束.为避免上述问题,提出一种基于通孔灵敏度分析的供电网络优化方法.首先,通过伴随矩阵的方法验证通孔的灵敏度对电迁移和电压降的影响;然后,结合供电网络的结构,针对关键通孔制定梯度优化策略,避免电迁移过度优化;最后,采用配置通孔阵列结构的方法提高通孔的可靠性.所提分析方法基于32核服务器实现,并通过IBM benchmark进行验证.实验结果表明,与全通孔优化的策略比较,所提方法以极小的面积代价实现电迁移优化,并且协同优化后,电路不存在电压降违规.

高职鲲鹏产业学院人才培养体系建设路径探索

为了适应新一轮信息技术发展与产业变革,深圳信息职业技术学院与华为技术有限公司等企业共同建设了鲲鹏产业学院。通过校企协同建设与运营,深圳信息职业技术学院鲲鹏产业学院深入探索产教融合新机制,并在此基础上开设了鲲鹏特色班,旨在为国产自主可控ICT产业培养高素质技术技能人才。文章介绍了鲲鹏产业学院在校企协作、师资团队建设、特色班人才培养方案制订及课程标准建设等方面的实施路径,从而为高职院校人才培养体系建设提供借鉴。

基于混合迁移策略的生物地理学优化算法

为提高生物地理学优化算法(BBO)的性能,提出一种基于混合迁移策略的生物地理学优化算法(HMB-BO).该算法通过动态选取待迁出种群个体,平衡对解集搜索过程中的选择压力.采用混合迁移策略改进迁移机制,增强算法对解的搜索能力,避免引起过早收敛.并加入分段Logistic混沌机制对个体进行变异,提高算法的收敛精度.基于标准测试函数的仿真实验表明,HMBBO算法可有效避免早熟收敛,在收敛速度和收敛精度上较标准BBO算法有较大提高.

基于DMOM算法的航空发动机性能寻优控制

提出一种分散迁移优化算法(DMOM),可实现多峰值优化问题的全局最优解搜索.该算法通过随机选择参考粒子,不断迁移搜索自身所处区域峰值点,再通过分散操作排除局部最优点,重新生成新个体,可快速搜索到全局最优区域.将DMOM应用于航空发动机性能寻优控制仿真,结果表明:在最小油耗和最低涡轮温度模式下,DMOM的寻优速度相比遗传算法(GA)和粒子群算法(PSO)提高了2倍以上;同时DMOM的优化精度相比自组织迁移算法(SOMA)提高了60%以上,相比可行性序列二次规划(FSQP)算法提高了20%以上.验证了DMOM相比其他优化算法有更强的跳出局部最优的能力,在航空发动机最小油耗和最低涡轮温度这类多峰值寻优问题中具有明显的优势.