[发明专利]一种虚拟机能耗预测方法

权利要求书

1.一种虚拟机能耗预测方法，其特征在于，采用基于加速项与进化解的增量型极限学习机实现虚拟机能耗预测，具体包括如下步骤：

步骤一、采用虚拟机能耗的历史数据构建训练样本集，样本的输出为选定时间点的虚拟机能耗值，输入为所述选定时间点前的多个时间点的虚拟机运行参数；

步骤二、构建引入了加速项与进化解的增量型极限学习机模型为式(1)，并利用训练样本集进行训练；

式中，i表示为隐含层中的第i个节点，L_f表示经过训练后所确定的隐含层节点数；表示为第i个隐含层节点的输出矩阵；α_i-1e_i-1为针对第i个隐含层节点加入的所述加速项，其中，e_i-1为在训练中由于增加了第i-1个隐含层节点而引入的网络训练误差，其表达了当学习机中仅有第1～第i-1个隐含层节点时，学习机产生的输出与样本给定的理想输出之间的差值；α_i-1是为第i个隐含层节点确定的压缩因子，是由网络训练误差e_i-1计算得到；是为第i个隐含层节点确定的输出权值的进化值，是隐含层节点输出权值的随机给定值与隐含层节点输出权值改进值的线性组合，其中隐含层节点输出权值的改进值是由训练中获得的隐含层节点输入权值和隐含层节点阈值迭代计算得到，隐含层节点输入权值和隐含层节点阈值是由训练中隐含层节点的网络训练误差和输入样本迭代计算得到；所述隐含层节点的输入权值、阈值共同构成了所述进化解；

步骤三、将当前时间点前的多个时间点的虚拟机运行参数输入到步骤二训练好的增量型极限学习机中，预测当前时间点的虚拟机能耗值。

2.根据权利要求1所述的方法，其特征在于，所述基于加速项与进化解的增量型极限学习机的训练过程包括如下步骤，每输入一个训练样本就执行一遍：

定义当前样本的输入向量为x，输出为y；

步骤1、极限学习机网络初始化阶段，令隐含层节点数L的初始值为0，最大值为L_max，网络训练误差e_L＝e₀＝y，误差期望值为ε；

步骤2、在隐含层增加一个节点，令L自加1，同时将L赋予新增加的隐含层节点作为其节点编号，随机产生该新增隐含层节点的输出权值β_L和相关参数v_L、z_L，且满足0v_Lz_L1,v_L+z_L＝1；

步骤3、根据式(2)计算新增隐含层节点的输出反馈矩阵：

H_L＝e_L-1(β_L)^-1 (2)

式中，e_L-1是增加前一个隐含节点的训练过程中所确定的，其表示当隐含层节点数为L-1时的网络训练误差；

步骤4、根据式(3)计算新增隐含层节点的输入权值：

式中，为x的Moore-Penrose广义逆；

步骤5、根据式(4)计算新增隐含层节点的阈值：

b_L＝rmse(H_L-a_L·x) (4)

式中，rmse为均方根误差函数；

步骤6、根据式(5)计算新增隐含层节点的输出矩阵：

式中，u()可以采用神经网络中通用的激励函数，如sine()、sig()；

步骤7、根据式(6)计算新增隐含层节点的压缩因子：

步骤8、根据式(7)计算新增隐含层节点的输出权值的改进值：

步骤9、根据式(8)计算新增隐含层节点的输出权值的优化值：

步骤10、根据式(9)计算在增加了第L个新增隐含层节点后的网络训练误差值：

式中，α_L-1e_L-1为加速项；

步骤11、判断是否满足L≥L_max或||e_L||≤ε，如果是，则完成训练，结束本流程，否则，返回步骤2。