基于角度指引的超多目标智能优化算法及其在云资源调度问题中的应用研究.pdfVIP

基于角度指引的超多目标智能优化算法及其在云资源调度问题中的应用研究 摘 要 随着科学技术的发展，优化技术逐渐被许多传统工业领域与前沿科技领域应用，如 车间调度、云计算服务、工程实践等。优化问题也从简单的单目标优化问题（Single objective optimization Problems ，SOPs ）发展到两个或三个目标的多目标优化问题 （Multi-objective optimization Problems，MOPs ），并衍生出4 个及以上目标的复杂的超 多目标优化问题（Many-objective optimization Problems，MaOPs ）。然而，随着目标维 度的增加，多目标粒子群算法MOPSO 在解决超多目标优化问题时展现出了一定的劣势： 第一，种群的收敛速度慢。由于大多数传统MOPSO 算法使用Pareto 支配关系去进行粒 子的选择和更新，然而超多目标空间中大多数粒子是非支配的，所以这种基于Pareto 支 配关系的MOPSOs 在处理MaOPs 时会面临选择压力不足的问题；第二，种群的多样性 差。随着超多目标优化问题目标维数的增加，其目标空间成指数型增长。使得这类问题 具有庞大的Pareto 端面。因此，传统MOPSO 算法在处理这类超多目标优化问题时，很 难获得一个多样性较好的种群；第三，搜索强度不够。对于超多目标优化问题，其搜索 空间维数往往是都非常高的，然而，在大部分传统MOPSO 算法中使用的速度更新策略 在处理超多目标优化问题时，展现出较大的局限性。因此，针对大部分传统MOPSO 算 法在解决 MaOPs 时存在的不足，本文设计了一种基于角度引导的超多目标粒子群优化 算法。其次，本文还提出了一种用于虚拟云资源调度的超多目标优化模型。具体介绍如 下： 首先，本文创新性地提出了一种基于角度引导的粒子群优化算法 （AGPSO ）。在算 法AGPSO 的环境选择策略中，我们利用角度指引的方法更新种群，实现了种群收敛性 与分布性的平衡。在该策略中，首先通过计算存档中每个粒子之间的角度，挑选出N 个 均匀分布的粒子 （N 为种群大小）。其次，计算剩余的粒子与已选出的粒子之间的角度， 并与最近的粒子相关联，形成N 组粒子集。最后，为了更好地指引下一代粒子的搜索， 从每组粒子集中选出收敛性能最好的粒子，并将其保存在外部存档中。除此之外，AGPSO 算法还设计了一种基于密度的速度更新策略，该策略从粒子的相邻粒子中选择收敛性最 佳的粒子作为局部最佳粒子，指引稀疏的粒子进行搜索，并在外部存档中随机选择收敛 性排名前20%的粒子作为全局最优粒子，指引密集的粒子进行搜索。该策略增强了稀疏 I 基于角度指引的超多目标智能优化算法及其在云资源调度问题中的应用研究 粒子邻近区域的搜索强度，并且从外部存档中选择精英粒子的方法也加强了粒子群搜索 的效率。最后本文通过仿真实验验证了该算法的有效性。 其次，针对现有的多目标云资源调度模型，本文提出了一种超多目标云资源调度的 优化模型。该模型从现实出发，考虑虚拟云资源调度模型中的服务质量、服务能耗、任 务完成时间和负载均衡四个优化目标。通过结合子任务到虚拟机和虚拟机到服务器的双 层云资源部署方法，我们将算法AGPSO 中基于角度引导的环境选择策略应用到该模型 中，设计了一种用于虚拟云资源调度模型的超多目标优化算法AGCloud 。为了与经典多 目标优化算法NSGA-II/Cloud 进行公平比较，在云资源调度优化算法中，本文统一对传 统的交叉变异进行了修改，使其能够适应调度模型中的离散决策空间。此外，本文通过 实验验证了AGCloud 在超多目标云资源调度优化模型上的有效性。 关键词：智能算法；超多目标优化；角度指引；云资源调度； II Research on many-objective intelligent optimization algorithm based on angle guidance and its application in cloud resource scheduling Abstract