[发明专利]一种基于正余混沌双弦鲸鱼优化算法的云资源负载预测方法

说明书

为了解决传统云计算资源负载预测方法对负载序列高频分量预测精度不高和泛化能力弱的缺点，本发明提出一种混合小波包变换和正余混沌双弦鲸鱼优化(CSCWOA)算法优化多层感知器神经网络(MLP)的短期云计算资源负载预测方法。通过小波包变换对负载序列进行多频段预处理分解，然后采用CSCWOA算法优化的MLP神经网络对单支重构所得的负载子序列进行预测，最后叠加各子序列的预测值来获取实际预测结果。该方案能掌握负载序列各频段冲击毛刺的变化规律，具有较好的预测精度和泛化能力。

技术领域

本发明属于云计算的资源负载预测领域，尤其指一种基于正余混沌双弦鲸鱼优化算法的云资源负载预测方法。

背景技术

云计算资源负载预测是云计算系统平台规划的重要组成部分，其预测精度直接影响到云计算系统的经济性、安全性和服务质量。它依据历史负载数据在时轴上建立现在与未来云资源负载间的定量关系来获取的短期云资源负载状态信息，为云资源的规划分配、云计算平台的性能优化以及云运营商的成本最小化提供了合理的依据。

随着云计算数据海量倍增和复杂多变，传统线性统计量的自回归滑动平均(ARMA)模型、差分自回归滑动平均(ARIMA)模型和差分自回归求和滑动平均(FARIMA)模型已经无法保障混沌非线性的云计算资源在短期负载预测的精确度。由于神经网络和支持向量机SVM实现简单，适用于非线性时间序列，因此在负载预测领域中逐步得到应用。然而，神经网络的阈值和权值采用梯度下降法调整，导致算法容易陷入局部最优和收敛速度慢。向量机SVM参数的选取决定着预测结果的好坏，导致预测模型泛化能力弱。虽然，学者们引入人工蚁群算法^[7]、粒子群算法、灰狼算法等群智能算法对神经网络和向量机SVM进行优化，但是由于这类群智能算法自身存在的不足，导致其优化的预测模型精度还存在提升的地方。同时，负载序列在预测前采用小波变换等相关的预处理方法，

缺乏对序列高频分量的分解，间接影响了预测精度。

发明内容

针对云计算资源负载变化的特点和已有优化算法和数据预处理的不足，发明一种混合小波包变换 (Wavelet Packet Decomposition,WPD)和正余混沌双弦鲸鱼优化(Whaleoptimization algorithm based on chaotic sine cosine operator，CSCWOA)算法优化多层感知器(MultiLayer Perceptron,MLP)神经网络的短期云计算资源负载预测方法(WPD-CSCWOA-MLP)，并对云计算平台进行了提前100h的预测。实验结果表明小波包变换多尺度分析负载序列和CSCWOA正余混沌双弦寻优搜索有效地优化神经网络，提高了预测精度和泛化能力。

本发明的目的通过下述技术方案实现:

1.小波包变换预处理云计算资源负载数据的时间序列

小波包分解(WPD)是在小波分解(Wavelet decomposition,WD)只解析原始信号低频部分的基础上，增加对高频部分解析的一种频域分析方法。相对于传统采用小波分解的预测理方法，增加对高频分量的解析，能够更细腻的捕抓到负载序列中冲击毛刺的变化规律，有助于提高预测模型的预测精度和泛化能力。

2.正余混沌双弦鲸鱼优化算法

正余混沌双弦鲸鱼优化算法(CSCWOA)是在鲸鱼优化算法(Whale OptimizationAlgorithm,WOA)的基础上提出的一种改进算法。CSCWOA算法在人工鲸鱼的捕食行为中加入正余混沌双弦机制弥补 WOA算法容易陷入局部最优解的缺陷，并加快其收敛速度，提高搜索寻优的精确度

(1)基本鲸鱼算法

WOA算法的搜索寻优过程主要分为以下三个环节，其中游走觅食和包围收缩环节的切换，由在区间[-2,2]上的随机参数A决定。