下载文档原格式
第３８卷第３期 计算机应用与软件Ｖｏｌ ３８Ｎｏ．３２０２１年３月 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＭａｒ．２０２１云计算环境下基于多目标优化的虚拟机放置研究张从越１ 付 雄１ 乔 磊２１（南京邮电大学计算机学院 江苏南京２１００２３）２（北京控制工程研究所 北京１００１９０）收稿日期：２０１９－０７－２５。
国家自然科学基金项目（６１２０２３５４）；江苏省重点研发计划（社会发展）项目（ＢＥ２０１７７４３）；星载计算机及电子技术专业实验室开放课题基金项目（ＸＺＪＳＪＤＺＪＳＳＹＳ ２０１８ ０５）。
张从越，硕士生，主研领域：物联网，嵌入式软件。
付雄，教授。
乔磊，博士。
摘 要 云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长。
虚拟机的放置是提高云计算环境服务质量与节约成本的核心。
针对传统的虚拟机放置算法存在考虑目标单一化和多目标优化难以找到最优解的问题，提出一种面向能耗、资源利用率、负载均衡的多目标优化虚拟机放置模型。
通过改进蚁群算法求解优化模型，利用其信息素正反馈机制和启发式搜索寻找最优解。
实验结果表明，该算法综合性能表现良好，符合云环境对高效率低能耗的要求。
关键词 云计算 能耗 虚拟机放置 多目标 蚁群算法中图分类号 ＴＰ３ 文献标志码 Ａ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ ３８６ｘ．２０２１．０３．００６ＶＩＲＴＵＡＬＭＡＣＨＩＮＥＰＬＡＣＥＭＥＮＴＢＡＳＥＤＯＮＭＵＬＴＩ ＯＢＪＥＣＴＩＶＥＯＰＴＩＭＩＺＡＴＩＯＮＩＮＣＬＯＵＤＣＯＭＰＵＴＩＮＧＥＮＶＩＲＯＮＭＥＮＴＺｈａｎｇＣｏｎｇｙｕｅ１ ＦｕＸｉｏｎｇ１ ＱｉａｏＬｅｉ２１（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＰｏｓｔｓａｎｄＴｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ，Ｎａｎｊｉｎｇ２１００２３，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ）２（ＢｅｉｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ１００１９０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ Ｔｈｅｇｒｏｗｉｎｇｓｉｚｅｏｆｃｌｏｕｄｄａｔａｃｅｎｔｅｒｓｈａｓｌｅｄｔｏａｎｅｘｐｏｎｅｎｔｉａｌｉｎｃｒｅａｓｅｉｎｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎａｎｄｃｏｓｔｓ．Ｔｈｅｐｌａｃｅｍｅｎｔｏｆｖｉｒｔｕａｌｍａｃｈｉｎｅｓｉｓｔｈｅｃｏｒｅｔｏｉｍｐｒｏｖｅｔｈｅｑｕａｌｉｔｙｏｆｓｅｒｖｉｃｅａｎｄｃｏｓｔｓａｖｉｎｇｓｉｎｔｈｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇｅｎｖｉｒｏｎｍｅｎｔ．Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｒａｄｉｔｉｏｎａｌｖｉｒｔｕａｌｍａｃｈｉｎｅｐｌａｃｅｍｅｎｔａｌｇｏｒｉｔｈｍｃｏｎｓｉｄｅｒｓｔｈａｔｔａｒｇｅｔｓｉｎｇｕｌａｒｉｔｙａｎｄｍｕｌｔｉ ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎａｒｅｄｉｆｆｉｃｕｌｔｔｏｆｉｎｄｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｍｕｌｔｉ ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｖｉｒｔｕａｌｍａｃｈｉｎｅｐｌａｃｅｍｅｎｔｍｏｄｅｌｆｏｒｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎ，ｒｅｓｏｕｒｃｅｕｔｉｌｉｚａｔｉｏｎａｎｄｌｏａｄｂａｌａｎｃｉｎｇ．Ｔｈｅｉｍｐｒｏｖｅｄａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｓｏｌｖｅｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｍｏｄｅｌ．Ｉｔｆｏｕｎｄｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｔｈｒｏｕｇｈｉｔｓｐｈｅｒｏｍｏｎｅｐｏｓｉｔｉｖｅｆｅｅｄｂａｃｋｍｅｃｈａｎｉｓｍａｎｄｈｅｕｒｉｓｔｉｃｓｅａｒｃｈ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｍｕｌｔｉ ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｚａｔｉｏｎｐｅｒｆｏｒｍｓｗｅｌｌａｎｄｍｅｅｔｓｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｈｉｇｈｅｆｆｉｃｉｅｎｃｙａｎｄｌｏｗｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｉｎｔｈｅｃｌｏｕｄｅｎｖｉｒｏｎｍｅｎｔ．Ｋｅｙｗｏｒｄｓ Ｃｌｏｕｄｃｏｍｐｕｔｉｎｇ Ｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎ Ｖｉｒｔｕａｌｍａｃｈｉｎｅｐｌａｃｅｍｅｎｔ Ｍｕｌｔｉ ｔａｒｇｅｔ Ａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ ０ 引 言云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长［１］。
多目标蚁群算法
多目标蚁群算法是蚁群算法在处理多目标优化问题时的一种改进方法。
在传统的蚁群算法中，仅考虑了单个目标函数的优化，而在多目标优化问题中，通常存在多个冲突的目标函数，不可能找到一个最优解同时使所有目标函数达到最优。
多目标蚁群算法通过引入多个目标函数的权重，将多目标优化问题转化为单目标优化问题。
具体来说，多目标蚁群算法将每个蚂蚁的路径长度替换为一个评价函数，该评价函数综合考虑了所有目标函数的权重，并将其最小化作为优化目标。
在多目标蚁群算法中，蚂蚁的行为规则和信息素更新规则与传统的蚁群算法相似。
蚂蚁通过局部搜索和信息素引导搜索解空间，并不断更新信息素以反映搜索结果。
然而，多目标蚁群算法需要在每个蚂蚁进行信息素更新时考虑所有目标函数对当前解的影响，以动态调整信息素更新速率。
多目标蚁群算法的优势在于能够有效地处理多目标优化问题，并在有限时间内生成一系列近似的非劣解。
这些非劣解构成了问题的帕累托前沿，为决策者提供了一系列可供选择的最优解。
由于多目标蚁群算法只需要对目标函数进行加权求和，因此算法的复杂度与目标函数的规模无关。
这使得多目标蚁群算法在处理实际复杂问题时具有较好的可扩展性和泛化能力。
基于蚂蚁群体智能的多目标虚拟机合并优化李玉萍;陈丽娜【摘要】为了优化数据中心中虚拟机的合并过程,提高物理主机利用率和降低虚拟机的迁移代价,利用蚂蚁群体智能方法提出一种新的多目标虚拟机合并算法.该算法基于重要性按序优化了两个目标,第一目标是最大化虚拟机合并过程中的主机释放量.同时,由于虚拟机迁移是资源密集型操作,第二目标选择最小化虚拟机迁移量.通过修正的蚂蚁搜索过程,最终得到了最优的虚拟机合并效果.与两种代表性蚂蚁算法进行实验对比,结果表明,在所有四个实验场景下,新算法在多数场景和参数配置条件下得到的主机释放量、虚拟机迁移量、包装效率以及算法运行时间均有更佳表现.【期刊名称】《计算机应用与软件》【年(卷),期】2019(036)008【总页数】8页(P241-248)【关键词】虚拟机合并;多目标优化;虚拟机迁移;蚂蚁种群【作者】李玉萍;陈丽娜【作者单位】商丘师范学院信息技术学院河南商丘 476000;商丘师范学院信息技术学院河南商丘 476000【正文语种】中文【中图分类】TP3930 引言数据中心由数以万计的物理主机PM组成，这些物理资源会导致大量能耗，不仅会增加运营成本，还会导致巨大的碳排放[1]。
同时，数据中心的高能耗主要是由资源利用不充分导致的[2]。
虚拟化使性能独立的虚拟机VM可共享同一主机，以改善资源利用率，而虚拟机合并及空闲主机的休眠或低功耗转换则可以进一步改善资源利用率和能耗。
虚拟机合并是改善数据中心能效的最有效方式[3]，利用动态的虚拟机迁移的合并技术可以将虚拟机部署于数量更少的主机上。
虚拟机合并主要通过迁移手段实现，在不同主机间的虚拟机迁移可以关闭闲置主机 [4]。
虚拟机合并的性能度量指标主要包括：释放的主机数量(需最大化)、虚拟机迁移次数(需最小化)以及算法运行时间(需最小化)。
虚拟机合并问题本身是NP问题，求解技术如混合整数线性规化方法[5]，但其寻优时间达到指数级。
其次是元启发式方法，可在多项式时间复杂度内有效搜索可行解空间。
蚁群优化算法应用研究概述随着科学技术的飞速发展，蚁群优化算法已经成为一种非常流行的应用在多个领域的优化技术。
蚁群优化算法是一种基于自然蚁群行为规律的优化算法，它使用一群虚拟的蚂蚁，根据蚁群的潜伏规律，通过不断的学习来实现全局和局部最优解的搜索。
蚁群优化算法通过借鉴蚂蚁的社会群体搜索行为，进行计算机模拟的多目标优化问题，以求得可行的最优解。
它具有计算简单、收敛快等显著优点，已经被广泛应用于多个领域，如虚拟路网网络拓扑优化、避免碰撞飞行路径规划、卫星轨道规划、天线设计、电路布线优化、机器人移动路径优化等。
蚁群优化算法是一种基于模拟自然蚁群搜索行为的优化技术，它主要包括以下步骤：首先，在空间中放置一群虚拟的蚂蚁，每只蚂蚁都有自己的位置和方向；其次，设计信息素挥发率、路径启发因子和路径旅行因子等其他参数；第三，每只蚂蚁在改变自己的位置和方向时，根据环境信息参数激活蚂蚁的社会行为模型；最后，为了使得搜索准确无误，采用最优解的递减更新算法，调整蚁群的参数，以达到最优化的目的。
蚁群优化算法在科学研究中已经被广泛应用，它能高效地解决复杂的多目标优化问题，如受限的检验任务优化、飞行路径规划、电路布置、汇聚优化等等。
在虚拟路网网络拓扑优化中，蚁群优化算法能有效解决网络节点数量和最短路径距离优化问题，有效抑制网络拓扑中回路及环路产生；在天线设计中，蚁群可以用来优化天线参数，如形状、尺寸及极化方向，以优化天线的发射和接收性能；在机器人移动路径优化中，蚂蚁群可以用来模拟机器人移动的路径，从而实现机器人移动路径的优化。
此外，蚁群优化算法还有很多其他的应用领域，它能帮助人们快速而有效地解决复杂的优化问题，在工业认证、人工智能、机器视觉、搜索引擎、智能控制、模式识别、生物信息处理、多媒体信息处理等领域有着广泛的应用。
研究者们也在不断改进蚁群优化算法，以更好的利用蚁群智能，解决复杂的优化问题。
总之，蚁群优化算法是一种广泛应用的多目标优化技术。
May 2021Vol.42 No.52021 年5 月 第42卷第5期计算机工程与设计COMPUTER ENGINEERING AND DESIGN利用蚁群算法完成虚拟机放置的优化陈 艳】，周天绮2+，徐胜超3(1.桂林航天工业学院计算机科学与工程学院，广西桂林541004； 2.浙江医药高等专科学校 医疗器械学院，浙江宁波315100； 3.北部湾大学电子与信息工程学院，广西钦州535011)摘 要：提出利用蚁群算法来完成虚拟机放置过程的优化策略(ant colony optimization based virtual machine placement ，ACOVMP )。
建立基于向量代数的物理服务器多维资源的描述，以云数据中心的整体能量消耗降低和活动物理主机数量减少为目标函数；蚁群算法中信息素增强变量的更新与所有虚拟机-物理主机的映射密切相关，且每次都考虑物理主机的多维资源的平衡利用。
Cloudsim 模拟器仿真结果表明，虚拟机的装箱效率明显提高，活动物理主机数量和能量消耗减少比其它放置策略明显减少。
关键词：蚁群算法；多维物理资源；负载均衡；虚拟机放置；资源利用效率中图法分类号：TP393. 2 文献标识号：A文章编号：1000-7024 (2021) 05-1229-06doi :10.16208/j.issn1000-7024.2021.05.005ACO-VMP : Using ant colony optimization algorithmfor virtual machine placementCHEN Yan 1, ZHOU Tian-qi 2+ , XU Sheng-chao'(1.SchoolofComputerScienceandEngineering ,GuilinUniversityofAerospaceTechnology ,Guilin541004,China ；2. School of Medical Instruments, Zhejiaig Pharmaceutical College, Ningbo 315100, China3. School of Electronic and Information Engineering , Beibu Gulf University, Qinzhou 535011, China)Abstract ： An ant algorithm for virtual machine placement called A(：(-VMP was proposed, A vector algebra-based complementaryresource utilization capturing technique was used and multi-dimensional resource demands were described. The active virtual machines were packed in the minimum number of physical servers considering multi-dimensional resource demands with the goal of energy saving and maximization of server resource u tilization in data centers. Pheromone levels were also associated to allVM-to-PM assignments and heuristic values were computed dynamically for each VM-to-PM assignment in favor of both overalland balanced resource utilization of the host. Experimental results and performance analysis show that the strategy leads to a fur ther improvement in packing efficiency compared with the old optimized algorithm strategies. The active host number and energy consumption are also reduced.Key words : ant colony optimization algorithm ； multi-dimensional server resource ； load balance ； virtual machine placement ； re source utilization0引言心构造的2个主要目标[13],目前主要靠虚拟机迁移技术来 实现。
云计算中基于多目标优化的虚拟机整合算法云计算虚拟化技术中的虚拟机整合问题是一个重要而有挑战性的研究问题。
目前，针对该问题已经有许多研究成果，其中多目标优化方法是一种有效的解决方案。
本文将介绍一种基于多目标优化的虚拟机整合算法。
1. 算法简介本文提出的虚拟机整合算法是基于遗传算法的多目标优化方法。
该算法的目标是尽可能减少虚拟机的迁移次数和整体资源的浪费。
在算法开始之前，需要进行一些预处理操作。
首先，服务器集群中所有主机的状态和资源利用情况需要被收集和记录。
之后，将所有的虚拟机和主机进行匹配，并将所有虚拟机分配给一个或多个主机进行运行。
此时，初始状态下每个主机的资源利用率和虚拟机的状态都需要被记录下来。
接下来，算法开始执行。
算法首先需要进行一次种群初始化操作，并生成一定数量的初始种群。
每个种群成员都表示一种虚拟机部署方案。
然后，对于每个种群成员，需要进行适应度评估。
适应度评估的目的是计算出每个成员对应的迁移次数和资源浪费程度。
在遗传算法的选择操作中，需要根据选择概率对有较高适应度的个体进行选择。
而具有较低适应度的个体则有更高的被淘汰的可能。
在选择操作完成之后，算法需要执行交叉和变异操作。
这些操作的目的是为了产生新的种群并增加种群的多样性。
在遗传算法的进化过程中，需要对每个种群成员进行适应度评估，并根据适应度重新对种群进行排序。
在达到指定的遗传代数后，算法执行结束，并输出最终优化结果。
2. 算法优点本算法的主要优点是可以有效地优化虚拟机的整合问题。
相比于传统的单目标优化方法，多目标优化方法能够同时考虑虚拟机的迁移次数和资源利用率。
因此，能够找到更合理的虚拟机部署方案。
此外，本算法还可以根据实际需求进行参数的调整。
例如，可以通过调整遗传算法的种群规模和遗传代数等参数来进一步优化算法。
3. 算法局限性本算法的局限性也很明显。
首先，算法需要收集和记录服务器集群中所有主机的状态和资源利用情况，这需要一定的时间和精力。
云计算环境下基于多目标优化的虚拟机放置研究杨清云南工商学院云南省昆明市 651700摘要：云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长。
虚拟机的放置是提高云计算环境服务质量与节约成本的核心。
针对传统的虚拟机放置算法存在考虑目标单一化和多目标优化难以找到最优解的问题，提出一种面向能耗、资源利用率、负载均衡的多目标优化虚拟机放置模型。
通过改进蚁群算法求解优化模型，利用其信息素正反馈机制和启发式搜索寻找最优解。
实验结果表明，该算法综合性能表现良好，符合云环境对高效率低能耗的要求。
关键词：云计算；能耗；虚拟机放置；多目标；蚁群算法1虚拟机放置优化模型在大型云数据中心中，虚拟机的放置影响着数据中心的综合性能。
虚拟机放置问题是指在满足能耗、服务质量、迁移成本等约束条件的基础上，将m台虚拟机放入n台物理主机中并满足云数据中心高效率、低能耗的要求。
在部署虚拟机的过程中，将虚拟机迁移到不同的目的物理主机的迁移成本也不同，对云环境整体的影响也不相同。
所以在构建虚拟机放置系统模型时要综合考虑影响。
在构建虚拟机放置系统模型时，降低能耗是虚拟机放置的首要目标。
与内存和网络带宽等系统资源相比，CPU又占据了其中绝大部分的能源消耗，因此物理主机的能耗只考虑CPU的能耗。
研究表明物理主机的CPU利用率和其产生的能耗存在着线性关系。
根据式(1)量化物理主机j的能耗。
为了统一优化目标衡量准则，根据式(2)设置能耗归一化函数将物理主机总能耗归一化。
式中:Pfull 表示物理主机j满负载时的能耗;Pfree表示物理主机j空负载时的能耗;Uj 表示物理主机j的CPU利用率;Pmaxj表示物理主机j的最大CPU利用率。
在虚拟机放置过程中还需要考虑云数据中心整体的负载均衡度。
负载均衡是指云环境下各物理机之间的工作负载彼此均衡，不会频繁出现某些物理主机的超载或低载，通过降低虚拟机迁移次数来减少迁移代价从而节约能耗，提高云数据中心服务质量。
基于蚁群算法的多目标优化设计方法在机械优化设计中的应用在机械设计中，优化设计一直是一个重要而必要的工作。
而多目标优化设计已经成为如今机械优化设计的主流方向之一。
为了达到多目标优化的目的，各种优化算法被提出并应用于机械设计中。
其中，基于蚁群算法的多目标优化设计方法逐渐受到了设计者们的关注。
在本篇文章中，将介绍基于蚁群算法的多目标优化设计方法在机械优化设计中的应用。
一、蚁群算法简介蚁群算法是一种新颖的、基于群体智能的算法。
它是源于蚂蚁在寻找食物时发现的一种优化策略，也被称为蚁群优化算法。
蚂蚁为了寻找食物，会在路径上释放出一种化学物质，并再次回到巢穴来引导其他蚂蚁在这条路径上寻找食物。
这样不断的寻找，最终整个蚁群就建立了一条到达食物的最短路径。
蚁群算法就是基于这种思想而发展起来的算法。
在蚁群算法中，每一只蚂蚁都代表解空间里的一个个体，它们会在解空间中搜索最优解，而搜索的过程又会受到其他蚂蚁的影响。
此外，蚁群算法还包括了信息素的概念，信息素在蚂蚁的搜索过程中扮演了引导的角色。
通过不断的搜索和更新信息素，在多次的迭代中，蚂蚁们会逐渐聚集到最佳解处，从而找到最优解。
二、蚁群算法在多目标优化设计中的应用在机械优化设计中，通常会出现多个目标函数需要优化的情况，这样就需要多目标优化来解决。
蚁群算法在多目标优化中的优点在于，它不仅可以找到最优解，还可以找到Pareto解集。
Pareto解集是指在多目标优化中，不可再改进的解集，即没有一种改进方案能使多目标函数同时得到更好的结果。
在实际优化问题中，Pareto解集往往是设计者所追求的最优化解。
蚁群算法在多目标优化中的基本步骤如下：1. 定义目标函数和设计变量在多目标优化中，需要定义多个目标函数用于评估设计的优劣。
同时需要定义一些设计变量，用于优化过程中的搜索。
这些目标函数和设计变量应该能够在某种程度上反映机械系统的性能和特点。
2. 初始化蚂蚁群体在蚁群算法中，需要定义一个蚂蚁群体，并初始化这个群体。
