面向云数据中心的虚拟机部署时延优化算法研究

考虑了服务器内资源容量及虚拟机多类型资源需求时虚拟机部署最优化时延问题。首先将最优化虚拟机部署时延问题进行了形式化建模,并证明了该问题为一个NPC问题;然后通过遗传结合贪心策略提出了一种高效的虚拟机部署算法优化时延。该算法的主要特点在于:结合了贪心策略指导个体在初始化、选择、交叉、变异时形成最优解,并且在交叉过程中采用奇、偶数位个体交叉的方式形成新个体,既避免了个体间的重复交叉,又通过多样化的新个体形成使得算法的解不会陷入局部最优。另外,由于遗传算法在交叉过程中会存在交叉冲突问题(服务器容量超载),还设计了一种交叉冲突检查方法,避免了交叉冲突后非法个体的生成。最后,通过实验比对,将提出的算法分别与最新研究成果VMPDN、粒子群优化算法等进行比较,结果表明提出的算法有效地缩短了虚拟机的部署时延。同时通过不同资源类型数量、迭代次数及种群大小的情况下,分析和考察了算法性能,结果表明提出的算法性能仍优于其他的算法。

基于离散粒子群优化的鲁棒Web服务组合

服务于互联网业务的Web服务,其服务质量(Qo S)具有内在的不确定性,增加了Qo S感知的Web服务组合优化难度。假设Qo S及其聚合服从正态分布,构建一种Qo S感知的鲁棒Web服务组合优化模型,重点讨论两个独立的正态分布随机变量的和、最大值、最小值和积的期望与均方差的计算方法。通过重新定义加减法操作算子,选择合适的适应度函数,设计一种支持约束条件的离散粒子群优化算法求解该模型。仿真实验表明,该模型具有较好的精度,所获取的组合服务具有较好的鲁棒性。