多任务进化算法研究及其在虚拟机放置问题中的应用.pdfVIP

多任务进化算法研究及其在虚拟机放置问题中的应用 摘 要 多任务优化（Multi-task Optimization ，MTO ），也称为多因子优化（Multi-factorial Optimization MFO MTO ， ），是优化领域的一个新兴研究方向。 旨在研究如何同时、有 效地解决多个不同的目标优化任务。在进化计算领域，与传统单任务进化算法不同，多 任务进化（Evolutionary Multi-tasking ，EMT ）算法在多个跨域任务之间实现知识迁移， 使得多个跨域任务之间能够共享潜在的相似性或互补性，进而同时加快多个任务的收 敛。受启发于多因子遗传模型，多因子进化算法（Multi-factorial Evolutionary Algorithm ， MFEA ）是进化计算领域首个实现EMT 的算法。MFEA 算法在多个跨域任务之间建立 统一的信息表示空间，通过选型交配和垂直文化传输实现跨域任务之间的隐式知识迁 移，在大多数优化问题上性能优于传统单任务进化算法。 本文基于MFEA 算法展开深入研究和分析，针对MFEA 算法框架的不足之处，例 如在优化相似度较低的多个任务时，任务之间容易产生消极的知识迁移而导致优化效果 较差等，在原始MFEA 算法的基础上挖掘了可提升空间。此外，在云计算领域，本文提 出一种新的MFEA 算法应用于解决异构环境中的大规模虚拟机放置（Large-scale Virtual Machines Placement LVMP EMT LVMP ， ）问题，实现了 与 问题的有效结合。具体而言， 本文研究工作包括以下两个方面： （1）在原有MFEA 算法框架基础上，本文提出一种基因转换和超矩形搜索混合策 略，即MFEA-GHS 算法，以高效利用任务之间知识传输，进一步提升优化效果。基因 转换策略目的是在属于不同任务的个体中通过基因转换构建一个高相似度基因表示空 间，进而提高不同任务之间知识迁移的有效性。同时，基于反向学习思想，提出了一种 超矩形搜索策略，用于在统一表示空间和每个任务各自的搜索空间中进行有效探索，加 速种群收敛。在实验部分，使用多套带有不同特性的单目标和多目标多任务优化问题集 对MFEA-GHS 算法进行综合评估，并和多个最新EMT 算法比较，证明MFEA-GHS 算 法在解决连续多任务优化问题上具有良好性能。 （2 ）针对传统单任务进化算法在解决LVMP 问题时存在计算时间长、可扩展性差 等不足之处，本文探索将EMT 算法应用于解决异构云环境中的LVMP 问题，以求在更 短的时间内提供更优的放置方案。具体而言，本文将大规模数据中心不同规格虚拟机的 放置问题随机分配给多个任务，并对其建模为多任务优化-虚拟机放置（MTO-VMP ）问 I 多任务进化算法研究及其在虚拟机放置问题中的应用 题。同时，提出一种带有贪心放置算子的多任务进化算法MFEA-VMP 对分配后的多个 任务同时进行优化，并在任务之间实现隐式知识迁移，以加速各个任务的收敛。在迭代 完成后，提出一种重迁移和合并算子对迭代阶段的解进一步优化，以获得原始LVMP 问题的解。为了评估MFEA-VMP 算法的有效性，基于华为云的虚拟机和物理服务器的 配置数据，构建大规模虚拟机测试数据集进行仿真实验。实验结果表明，与各种不同类 型的启发式算法相比，MFEA-VMP 算法可以显着缩短计算时间，可为异构云环境中的 虚拟机提供有竞争力的放置方案。 关键词：进化算法；多任务/多因子优化；大规模虚拟机放置问题；云计算 II Research on Evolutionary Multi-tasking and its Application in Virtual Machine Placement Problem Abstract Multi-tasking