, 1)〇
[0059] (3)适应度函数
[0060]根据目标约束及（1)、（2)公式定义，各子目标函数分别针对目标基因位设计的适 应度函数，满足私有云数据中心的多目标的加权适应度函数为：
[0061] Z = Σ ieM(tifiR+t2fis)
[0062] 其中，flR为第i台物理服务器的资源利用率函数，flS为第i台物理服务器的SLA违 背率评价函数， tl、t2为公式(4-12)中对子目标函数设定的权重值，并且^i = I, 2)>0。
[0063] 适应度越高的个体越容易遗传到下一代。适应度函数最大的个体即为最优个体。
[0064] 第四步:选择，针对私有云环境下数据中心多目标资源调度的选择操作，本发明采 用最优个体保留与锦标赛选择两种方法相结合的方式。最佳个体保存方式是将父代种群中 最优的Pr XPopsize(Pr表示选择概率，Popsize表示种群规模)个体直接复制到下一代中。锦 标赛选择是指从种群中随机选取两个个体，若随机值(0-1之间）小于给定概率值r(通常为 〇. 8 )，则选择较优的个体，否则选择较劣的个体。
[0065] 第五步:交叉:对于每一个个体，生成0，1之间的随机数r，如果r < pc，则对该染色 体进行变异，否则考虑下一个个体。由此从种群中选出两个个体，随机选择一个切点，将切 点右侧的子串交换位置，得到两个新个体。
[0066] 第六步:变异
[0067] 设变异概率为Pm，染色体长度为M，选取Y = PmXM个基因，将Y个基因上的物理服务 器删除，放入未激活服务器集群中，对应基因值为0,将虚拟机放入未分配的虚拟机序列，最 后对未分配的虚拟机按照多目标属性虚拟机分配机制重新分配。
[0068]第七步:利用禁忌搜索算法改善子代的质量
[0069]特赦准则：当当前最优解未改进的次数超过给定值、或者当前候选集中的所有元 素被禁时，则特赦禁忌表中的最优解，将其作为下一次迭代的初始解。
[0070]步骤1、初始化禁忌搜索算法，将遗传算法的子代个体作为初始解。
[0071]步骤2、判断禁忌搜索算法收敛准则是否满足。如果满足，结束算法，否则继续以下 步骤。
[0072]步骤3、由初始解产生邻域结构:选择当前负载最大的物理主机运行负载最高的虚 拟机进行迀移，目标主机则选择当前负载最小的物理主机，将迀移的集合作为邻域。
[0073]步骤4、判断特赦准则是否满足。如果满足，将满足特赦原则的迀移方案作为当前 解，其迀移方案替换最早进入禁忌表的对象，更新最优状态。并转步骤2。否则，进入下一步。 [0074]步骤5、判断候选解禁忌属性
[0075]步骤6、将非禁忌对象对应的最佳解作为当前解，并用该对象替换最早进入禁忌表 的对象。
[0076] 步骤7、转步骤2。
[0077] 第八步：判断所得结果是否满足适应度函数，判断迭代次数是否达到最大。若满 足，则输出结果，若不满足，则返回第三步。
[0078] 本发明的效果可通过以下仿真说明：
[0079](一)仿真条件与内容：
[0080]分别采用以降低SLA违背率为目标的Tabu-S和以减少资源浪费为目标的Tabu-R的 禁忌搜索算法，基本遗传算法(GA)和本申请提出的多目标遗传禁忌优化算法(MGATS)进行 验证比较。
[0081 ] 种群规模N: 30。选择概率Pr: 0.8。交叉概率P。: 0.9。变异概率pm: 0.05。Tabu-S， Tabu-R和GA，MGATS遗传算法部分的最大迭代次数均设置为100，Tabu-S，Tabu-R和MGATS禁 忌表长度设置为9;最优解连续不提高的次数设置为HLMGATS禁忌搜索算法部分中最大迭 代次数设置为200 X (curlterStepGA/maxIterStepGA)。其中，curlterStepGA表不MGATS中 遗传算法迭代次数的当前值，maxIterStepGA表示MGATS中禁忌搜索算法迭代次数的最大。 [0082](二)仿真结果：
[0083]相比其他三种算法，MGATS拥有较高的适应度函数值。这说明MGATS通过两种算法 的有效协同高效地收敛到最优解，在两个相互矛盾的目标间实现最优折衷和权衡，使得系 统在SLA违背率较低的情况下，对资源的浪费也较少。
[0084]图4显示了四种算法在任务数为100时，解的空间分布情况= Tabu-S调度算法具有 SLA违背率最小的解，但资源消耗最大;Tabu-R算法寻到了资源消耗最少的解，但SLA违背 率最大;GA算法的点比Tabu-S和Tabu-R都要靠近中间位置，说明GA寻到综合目标较优的解； MGATS算法的点同样靠近中间位置，且比其他三种算法更靠近原点，说明了 MGATS对冲突的 多目标有很好的权衡，且通过发挥遗传算法与禁忌搜索算法的联合优势，逼近全局较好的 解。
[0085]如上所述，对本发明的实施例进行了详细地说明，但是只要实质上没有脱离本发 明的发明点及效果可以有很多的变形，这对本领域的技术人员来说是显而易见的。因此，这 样的变形例也全部包含在本发明的保护范围之内。
【主权项】
1. 一种私有云环境下基于遗传禁忌混合算法的资源调度策略，其特征是通过对遗传算 法与禁忌捜索算法的融合，决定资源调度方式将任务映射到私有云环境的物理服务器，优 化初期使用遗传算法得到子代，然后使用禁忌捜索算法对其进行优化，循环算法至满足终 止条件； 通过将遗传算法和禁忌捜索算法相结合，给禁忌捜索算法提供了一个好的初始解，先 用遗传算法优化，待算法优化到比较好的子代之后，再用禁忌捜索算法继续优化，如此反 复。2. 根据权利要求1所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法， 其特征在于遗传算法每迭代一次，禁忌捜索算法迭代多次，通过最优保存策略，使算法呈现 单调变化的趋势，在算法实现的时候保存每一次迭代的最优解直接送入下一次迭代。3. 根据权利要求1或2所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方 法，其特征是含有W下步骤： 第1步：随机产生初始种群，给定各参数，设置迭代次数，种群规模，交叉概率，变异概 率. 第2步:判断遗传算法的停止准则是否满足，如果满足，输出结果，否则继续W下步骤； 第3步:计算适应度函数，对于资源调度策略优劣的评价，目标函数取为物理计算机资 源利用率与SLA违背率的综合函数，适应度函数如下： Z= Σ ieM(tlfiR+t2fis) 运里，fiR为第i台物理服务器的资源利用率函数，f IS为第i台物理服务器的SLA (Service-Level Agreement，服务等级协议)违背率评价函数，ti，t2为资源利用率与SLA违 背率的权重值，Μ为物理服务器总数量;适应度函数值最大的个体即为最优个体； 第4步:选择:得到每个个体的适应度函数后，采用最优个体保留法与锦标赛选择法来 实现选择操作，具体步骤如下： 步骤(1)、采用最优个体保留方法，将选中的个体直接复制到子代，进行步骤(2); 步骤(2)、采用锦标赛选择方法:从种群中随机选取两个个体，并生成一个随机数，若随 机值小于给定选择概率值ri，则选择较优的个体，否则选择较劣的个体； 第5步:交叉:对于每一个个体，生成0，1之间的随机数η，如果η含P。，则对该染色体进 行变异，否则考虑下一个个体，从选出的两个个体随机选择一个切点，将切点两侧分别看作 两个子串，将右侧的子串分别交换，则得到两个新的个体； 第6步:变异:依据变异概率Pm进行变异； 第7步:将遗传算法得到的子代作为禁忌捜索算法的初始解，依据最优规则将迁移方案 作为邻域，使用禁忌捜索算法进行优化； 第8步:更新种群，队新的种群返回第3步，继续遗传算法。4. 根据权利要求3所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法， 其特征为:在第3步中，资源利用率函数为： ?κ- ( 1-Ucpu) X ( 1-Umem) X ( 1-Ubandwid1;h) 公式中UGpu、Umem、Ubandwid化分别为物理服务器的CPU利用率、内存利用率、带宽资源利用 率。5. 根据权利要求3所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法， 其特征为:在第3步中，SLA违背率函数为：公式中，Ucp康示物理服务器的CPU利用率，IW是对Ucpu定义的最高限值。6. 根据权利要求4所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法， 其特征为:fR取值范围为0到1之间。7. 根据权利要求5所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法， 其特征为:Umax取值范围为0到1之间，fs的取值范围为0到1之间。8. 根据权利要求3所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法， 其特征为:在第4步中，选择概率值ri的取值范围在0到1之间，通常可取为0.8。9. 根据权利要求3所述的私有云环境下基于遗传禁忌混合算法的资源调度策略方法， 其特征为:在第7步中，禁忌捜索算法的具体步骤为： 步骤(1 )、初始化禁忌捜索算法，将遗传算法的子代个体作为初始解； 步骤(2)、判断禁忌捜索算法收敛准则是否满足，如果满足，结束算法，否则继续W下步 骤； 步骤(3)、由初始解产生邻域结构:选择当前负载最大的物理主机运行负载最高的虚拟 机进行迁移，目标主机则选择当前负载最小的物理主机，将迁移的集合作为邻域； 步骤(4)、判断特赦准则是否满足，如果满足，将满足特赦原则的迁移方案作为当前解， 其迁移方案替换最早进入禁忌表的对象，更新最优状态，并转步骤2，否则，进入下一步； 步骤(5)、判断候选解禁忌属性将非禁忌对象对应的最佳解作为当前解，并用该对象替 换最早进入禁忌表的对象； 步骤(6)、转步骤(2)。
【专利摘要】一种私有云环境下基于遗传禁忌混合算法的资源调度策略。第一步：随机产生初始种群；第二步：判断种群是否达到算法终止条件，若满足，则输出最优解；第三步：计算种群中所有个体适应度函数值；第四步：采取最优个体保留法和锦标赛法选择策略来选取下一代种群；第五步：依据交叉概率将选取的个体进行交叉，产生两个子代个体；第六步：依据变异概率进行变异操作，产生新的子代个体；第七步：用禁忌搜索算法对使用遗传算法产生的子代个体进行优化；第八步：生成新一代种群，返回至第二步。本发明设计了具有良好全局性与并行性的资源调度策略，避免了遗传算法的早熟现象。
【IPC分类】G06N3/12, G06F9/50
【公开号】CN105550033
【申请号】CN201510789457
【发明人】徐维祥, 赵博, 贾琳
【申请人】北京交通大学
【公开日】2016年5月4日
【申请日】2015年11月17日