CN114398954B 一种基于混合优化策略极限学习机的云服务器负载预测方法 （重庆大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN114398954B(45)授权公告日2025.07.08

(21)申请号202111545844.0

(22)申请日2021.12.16

(65)同一申请的已公布的文献号申请公布号CN114398954A

(43)申请公布日2022.04.26

(73)专利权人重庆大学

地址400044重庆市沙坪坝区沙正街174号

专利权人重庆工业大数据创新中心有限公司

(72)发明人李秀华韩苏宁徐峥辉邢镔胡小林朱林全杨正益文俊浩

(74)专利代理机构重庆缙云专利代理事务所(特殊普通合伙)50237

专利代理师王翔

(51)Int.CI.

GO6F18/214(2023.01)

GO6N3/0464(2023.01)

GO6N3/082(2023.01)

GO6N3/086(2023.01)

GO6N3/006(2023.01)GO6F11/34(2006.01)GO6N3/0499(2023.01)

(56)对比文件

CN109886589A,2019.06.14CN110378490A,2019.10.25审查员肖鹏

权利要求书4页说明书11页附图2页

(54)发明名称

一种基于混合优化策略极限学习机的云服务器负载预测方法

(57)摘要

CN114398954B本发明公开一种基于混合优化策略极限学习机的云服务器负载预测方法，步骤为：1)建立极限学习机模型；2)构建鲸鱼优化器，3)使用多样混合优化策略更新鲸鱼优化器；4)将迁移策略引入鲸鱼优化器，得到混合策略鲸鱼优化器；5)获取云服务器历史负载数据，并对混合策略鲸鱼优化器进行训练，得到最优超参数P;6)将最优超参数输入至极限学习机模型中，建立云服务器负载预测模型；7)获取当前云服务器负载数据，并输入到云服务器负载预测模型中，对云服务器未来负载进行预测。本发明提供一种基于混合优化

CN114398954B

云服务器负载

云服务器负载数据预处理

标准化训练样本

混合优化策略鲸鱼优化器参数初始化

预测云服

务器负载

情况

极限学习机参数优化

分析负载情况

标准化测试样本

云服务器负载预测

优化器改进

测试数据集

训练数据集

确定样本集

CN114398954B权利要求书1/4页

2

1.一种基于混合优化策略极限学习机的云服务器负载预测方法，其特征在于，包括以下步骤：

1)建立极限学习机模型；

2)构建鲸鱼优化器；

3)使用多样混合优化策略更新鲸鱼优化器；

4)将迁移策略引入鲸鱼优化器，得到混合策略鲸鱼优化器；

5)获取云服务器历史负载数据，并对混合策略鲸鱼优化器进行训练，得到最优超参数P;

6)将最优超参数输入至极限学习机模型中，建立云服务器负载预测模型；

7)获取当前云服务器负载数据，并输入到云服务器负载预测模型中，对云服务器未来负载进行预测；

使用多样混合优化策略更新鲸鱼优化器的步骤包括：

3.1)使用Levy策略初始化鲸鱼种群；Levy策略的数学模型如下所示：

(13)

式中，λ是随机步长；v是随机数；

其中，参数μ和参数η遵循正态分布，即：

(14)

参数δ,和参数8,分别如下所示：

式中，I(·)为标准伽马函数；

3.2)基于Levy策略，计算个体初始位置，即：

pos(t)=L?+(U?-L?)④Levy(v)(16)

式中，L是下限，U?是上限，Levy(v)是服从Levy分布的步长的随机向量；

3.3)在鲸鱼优化器中引入非线性收敛因子β,即：

(17)

式中，Maxiter为最大迭代次数。

2.根据权利要求1所述的一种基于混合优化策略极限学习机的云服务器负载预测方法，其特征在于，所述极限学习机模型包括输入层、隐藏层和输出层；输入层、隐藏层和输出层由神经元连接，每层神经元的数量为u、r和e;隐藏层和输入层之间的权重系数为S,隐藏层与输出层之间的权重系数为P;θ为隐藏层的神经元阈值的集合，

其中，权重系数S、权重系数P、集合θ分别如下所示：

CN114398954B权利要求书