[发明专利]一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法

权利要求书

1.一种基于混合正弦余弦粒子群优化算法的云平台低资源损耗虚拟机放置方法，其特征在于：包括以下步骤：

步骤1：获取数据中心物理机资源状态和待放置虚拟机的集合，根据虚拟机和物理机的映射关系，随机生成N个粒子作为初始种群，根据N个粒子的位置获得N个放置方案；

步骤2：使用反向学习策略生成步骤1的初始种群的反向种群，将Lose作为适应度指标，使初始种群中个体和它对应的反向个体进行比较，选择更好的个体作为种群的初始个体；

步骤3：迭代更新，将Lose作为适应度指标，更新种群的全局最优解和每个个体的历史最优解，利用混合正弦余弦粒子群优化算法更新种群每个个体的速度和位置，直至达到最大迭代次数T，获得种群全局最优解；

步骤4：输出步骤3获得的种群全局最优解，全局最优解位置对应的放置方案即为最优的放置方案；

所述步骤1包括：

步骤11：建立物理机集合：

（1），

其中：

id_j表示第j台物理机在云平台的唯一标识，

cpu_j表示第j台物理机的CPU核心数，

mem_j表示第j台物理机的内存大小，

bw_j表示第j台物理机的带宽大小，

disk_j表示第j台物理机的磁盘大小，

alive_j∈{0，1}表示第j台物理机是否处于活跃状态；

步骤12：令vm_i表示第i台虚拟机的创建信息，云平台的虚拟机vm_i的资源需求可以形式化描述成公式：

（2），

其中：

id_i表示第i台虚拟机在云平台的编号，

cpu_i表示第i台虚拟机的CPU核心数，

mem_i表示第i台虚拟机的内存大小，

bw_i表示第i台虚拟机的带宽大小，

disk_i表示第i台虚拟机的磁盘大小；

步骤13：将虚拟机放置到物理机上，可以抽象为由虚拟机到物理机的资源映射，描述为：根据虚拟机和物理机的映射关系，对放置方案进行编码，以虚拟机为单位，每个虚拟机仅能映射到一个物理机，使用一个m维向量表示解的编码，向量中的每个属性为物理机编号，x={x₁，x₂，…，x_n}，x_i∈{1，2，...，m}，i∈{1，2，…，n}，向量x_i的维度为n，每个维度的取值为[1，m]之间的整数；

随机生成N个粒子，即种群的规模为N，维度为D，最大迭代次数为T，第i个粒子的位置为：x_i=(x_i1，x_i2，…，x_iD)，第i个粒子的速度为：v_i=(v_i1，v_i2，…，v_iD)，(i=1，2，…，N)，其中，x_id表示第i个粒子在第d个维度的位置，粒子位置的范围为[x_min，x_max]，根据N个粒子的位置采用上述的编码方法获得N个放置方案，v_id表示第i个粒子在第d个维度方向的速度，粒子速度的范围为[v_min，v_max]；

步骤14：将虚拟机放置到物理机上后，数据中心的资源损耗度描述为：假设物理机pm_j上运行着k个虚拟机，物理机的资源集合为：R={cpu，mem，bw，disk}，r∈R，r_j表示物理机pm_j的r类资源配置量，r_i表示部署在物理机pm_j上的虚拟机vm_i（i=1，2，…，k）的r类资源配置量；

物理机pm_j的r类资源利用率用U_j^r公式为：

（3）；

将云平台中各类资源的利用率的均值作为云平台的平均资源利用率，m为云平台中物理机数量，用U_avg表示云平台总的平均资源利用率，其计算公式为：

（4）；

用各个物理机的各维资源利用率的标准差来衡量云平台资源的偏离程度Lose，其中，m为云平台中物理机数量，Lose的计算公式为：

（5）；

所述步骤3的具体过程包括：

步骤31：将步骤1的Lose评价指标作为适应度函数，更新种群的全局最优解和每个个体的历史最优解；

步骤32：根据权重更新公式获取当前迭代数的权重因子；所述步骤32的具体过程为：设保持原有速度的权重因子为ω，ω的更新公式为：

（7）；

其中，ω_max和ω_min为种群的最大权重和最小权重，t为当前迭代次数，T为种群最大迭代次数；

步骤33：将步骤32获得的权重应用到混合正弦余弦粒子群优化算法中，利用混合正弦余弦粒子群优化算法更新种群每个个体的速度和位置；

所述步骤33的具体过程为：

第i个粒子迄今为止搜索到的最优位置为：p_i=(p_i1，p_i2，…，p_iD)，种群迄今为止搜索到的最优位置为：g=(g₁，g₂，…，g_D)；利用下面公式来更新粒子速度和位置：

若：

(8)；

（9）；

否则：

（10）；

(11)；

其中r_c为扰动概率，取值为0.1，r为在[0,1]之间随机取值，m为物理机数量，t表示当前迭代次数，ω为保持原有速度的权重因子，c₁为个体向自身学习能力因子，c₂为个体向种群学习能力因子，一般均为1.5，r₁为向自身学习的程度，r2为向种群学习的程度，r₁和r₂为[0，1]之间的均匀随机数，r₃为向最优解学习的程度，r₃取值为[0，2π]均匀分布的随机数，r₄为[0，2]之间均匀分布的随机数，控制个体和当前全局最优解之间的距离，r₅为取值为[0,1]的随机数，控制正弦余弦的转换概率，v_i(t)为在第t代粒子的速度，v_i(t+1)为在第t=t+1代粒子的速度，x_i(t)为在第t代粒子的位置，x_i(t+1)为在第t=t+1代粒子的位置，p_i(t)为在第t代个体最优解，g(t)为第t代全局最优解；

步骤34：若步骤33的迭代达到最大迭代次数，则进行下一步；否则返回步骤31继续迭代。