[发明专利]一种基于多目标蚁群算法的面向网构应用模块的部署优化方法

权利要求书

1.一种基于多目标蚁群算法的面向网构应用模块的部署优化方法，其特征在于，具体步骤为：

1)设置初始化参数并完成对网构应用模块的初始化过程：设置网构应用模实体S及相关的参数函数TR、SR和IR，参数函数TR指定每个服务对1个请求的基准处理时间，即当分配给每个服务具有单位计算能力的资源时，它们处理1个请求所需的时间；参数函数SR用于指定每个服务运行所需的内存空间；参数函数IR用于定义任意服务之间的交互关系；设置硬件模块主机H及相关的参数函数CP、AS和HC，参数CP指定每个硬件模块主机的计算能力，函数AS指定每个硬件模块主机可用的内存空间，函数HC指定每个硬件模块主机的运行成本；设置平均请求到达函数RA、目标函数和约束；

2)初始化信息素τ_k(i,j)和启发式η_k(i,j)：每个信息素应该设为初始值τ^initial_k(i,j)，定义为

其中，基于第k个目标定义；由于每个目标有一个上限，定义的值为第k个目标的上限的倒数，表示为

启发式η_k(i,j)的定义也是基于这个目标；如果第k个目标是网构应用模块的响应时间，启发式η_k(i,j)应定义为

其中，R'(h_j,s_i)表示当s_i分配到硬件主机h_j上时已分配到硬件主机上的包括s_i的软件实体的当前聚合响应时间；

如果第k个目标是所有已使用硬件主机中最大的利用率，软件实体则倾于分配给利用率较低的硬件主机；所以启发式应定义为

η_k(i,j)＝1-U'(h_j) (8)

其中，U'(h_j)表示硬件主机h_j当前的利用率；该启发式可以防止软件实体部署到一个重载的主机上；

如果第k个目标是已使用硬件主机的总成本，则给出如下的启发式

其中，H_d是已占用硬件主机的集合；这表示一个软件实体更有可能部署到一个已占用的硬件主机上，然后是更便宜的未占用的硬件主机；

3)构建部署方案：根据伪随机比例规则选择可行解组件；如果q<q₀，选择的解组件<s_i,h_j>是

否则，使用轮盘选择法选择解组件；给出选择解组件<s_i,h_j>的概率p_ij

其中FC是可行解组件的集合，p_k是第k个目标的加权，优化期间由蚂蚁随机产生，如Merkle D等的定义；α和β是参数，其决定信息素和启发式的相对影响；对算法行为它们有如下的影响：如果α>β，蚂蚁的选择依赖信息素超过依赖启发式；如果α<β，蚂蚁的选择依赖启发式超过依赖信息素；

4)更新局部的信息素：假设一个蚂蚁已经选择了解组件<s_i,h_j>，信息素向量的元素τ_k(i,j)上的信息素数量对每个目标k是减少的；这些元素的信息素局部更新规则可以表示如下：

其中，ρ是区间(0,1)内的参数，称为蒸发率；

5)舍弃精英解：设置迭代的一个最大数sgmax，这期间允许精英解不变；当一个精英解超过了它的迭代的最大数sgmax，则用该迭代产生的帕累托最优解更新；

6)局部搜索过程：局部搜索过程的帕累托代码如下：

初始化z＝0，当z<LSN时，从POS随机选择一个方案ps_i；

为优化ps_i从OS随机选择一个目标os_j；

根据os_j在ps_i上应用优化策略产生一个新的方案ns；

评估ns并获得其目标值no；

如果ns强于ps_i，用ns替换POS中的ps_i，用no替换POS中的po_i；

如果ns对目标有最优值，用ns更新ESS，用no更新EO；

其中，OS是优化目标集，ESS是当前精英解集，EO是与ESS相关的目标值，POS是当前帕累托最优解，PO是与POS相关的目标值，LSN是局部搜索产生的方案的数量；该过程当蚂蚁完成了一轮的搜索，在每次迭代的最后应用；本发明的最优目标是降低平均响应时间、最大利用率和网构应用模块的成本；对不同的目标，有不同的优化策略；

7)更新全局的信息素：假设解组件<s_i,h_j>属于一个精英解，对每个目标k信息素全局更新规则应用在信息素向量的元素τ_k(i,j)上表示如下：

τ_k(i,j)＝(1-ρ)·τ_k(i,j)+ρ·Δτ_k (13)

其中，是第k个目标精英解es_i目标值的倒数；基于这些定义，的值随着算法的演变变得越来越高，因为精英解的目标值变得越来越低。

2.根据权利要求1所述的一种基于多目标蚁群算法的面向网构应用模块的部署优化方法，其特征在于，还包括：将得到的MACO-DO算法与现有的P-ACO和NSGA-Ⅱ算法比较，评估MACO-DO算法的有效性：

1)设置网构应用模实体S及相关的参数函数TR、SR和IR，设置硬件模块主机H及相关的参数函数CP、AS和HC，设置平均请求到达函数RA、目标函数和约束；

2)根据目标函数值比较MACO-DO算法和其它算法的性能，即比较算法的平均响应时间、最大利用率和成本，平均响应时间越短，最大利用率越小，成本越低，性能越好；为了进一步分析算法的收敛行为，给出这些算法的演化曲线；

3)采用超体积分析评估多目标优化的性能，测算每个算法得到的解集的超体积的最大值、最小值和平均值，每个值越大，说明多目标优化性能越好。