基于BP神经网络负载预测的虚拟机部署策略

针对传统基于择优选择的虚拟机部署机制忽略了业务对负载指标要求的差异,并且对目标服务器的负载缺乏有效预测,易导致负载不均衡和虚拟机过度迁移等问题,提出一种优化的虚拟机部署策略.首先设计一种改进的BP神经网络算法对服务器节点的负载进行预测,然后实施虚拟机加权部署,使虚拟机部署在合适的服务器上.实验结果显示:该策略在基于时间序列的负载预测上具有较高的拟合精度,可提升虚拟机部署的稳定性.     

基于猫群优化算法的云计算虚拟机资源负载均衡调度

为了提高虚拟机资源调度的利用率, 实现虚拟机资源合理调度, 提出一种基于猫群优化算法的虚拟机资源调度优化方法. 首先根据虚拟机资源调度优化目标构建数学模型; 然后综合考虑最短时间与最优负载构建猫群优化算法的适应度函数, 并通过模拟猫的日常行为实现虚拟机资源调度最优方案的寻优; 最后在CloudSim平台上对该算法的有效性进行测试. 测试结果表明, 该算法能获得更优的虚拟机资源调度方案, 保证了虚拟机资源的负载均衡, 可以满足用户需求的偏好性.     

云计算中基于拍卖的虚拟机动态供应和分配算法

当前云计算供应商通过定价算法或类似拍卖的算法来分配虚拟机（virtual machine,VM）。针对这些算法大多要求虚拟机静态供应,无法准确预测用户需求,导致资源未得到充分利用的问题,提出一种基于组合拍卖的虚拟机动态供应和分配算法,在做出虚拟机供应决策时考虑用户对虚拟机的需求。该算法将可用的计算资源看成是“流体”资源,且这些资源根据用户请求可分为不同数量、不同类型的虚拟机实例。然后可根据用户的估价决定分配策略,直到所有资源分配完毕。基于并行工作负载存档（parallel workload archive,PWA）的真实工作负载数据进行了仿真实验,结果表明该方法可保证为云供应商带来更高收入,提高资源利用率。     

基于层次拓扑树的虚拟机节能分配算法

为了均衡分布式数据中心物理主机多维资源的利用率,减少物理主机使用数量,节约能耗,提出了一种基于层次拓扑树的虚拟机节能分配算法HTES(hierarchical topology energy saving),此算法可以有效提升虚拟机分配效率.利用Laplacian矩阵,对大规模网络拓扑分割,建立了层次拓扑树模型.基于层次拓扑模型,根据虚拟机请求中IP地址与数据中心的距离,将虚拟机请求分组,从层次拓扑树模型中查询合适的物理主机区域,按虚拟机请求与物理主机的资源匹配度进行虚拟机的分配.将HTES与其他3种算法进行模拟仿真实验,从虚拟机分配时间、资源均衡率、能耗和物理主机使用情况等方面验证了HTES算法能够有效加快物理主机搜索速度,增加底层占用物理主机的集中度,降低底层物理主机的使用数量,达到节约能耗的目的.     

基于多目标优化的虚拟机部署策略

为解决虚拟机部署过程中对虚拟机性能、资源利用率、负载均衡值等多个目标的优化问题,提出一种基于强化学习的改进部署算法.首先,用多个目标组成的多维奖励代替原来的单一奖励;然后将资源状态、优化目标及目标占比输入所提的预测器中来预测每个部署方案对应的多维奖励值,并通过反馈结果调节不同优化目标的占比以达到动态多目标优化的目的;最后,为了减少部署时间,用改进的均值聚类算法对服务器资源进行聚类加快部署.通过CloudsimPy平台对算法进行验证,结果表明本文算法可以在相同资源下完成更多的虚拟机请求且具有较高的部署成功率和较低的时延消耗.     

基于主动学习的资源优化分配方案研究

从实际应用的角度阐述分析了主动学习算法在资源优化分配中的应用问题,首先分析了主动学习的发展问题,并给出了主动学习的数学描述,在此基础上,重点以学生分班为例阐述了主动学习算法的应用问题。     

基于平均负载和空闲内存税率的虚拟机内存优化

提出了根据平均负载对内存动态按需调整和利用空闲内存税率在虚拟机间均衡内存分配相结合的优化方案。当内存资源充足时,通过平均负载预测虚拟机内存的需求,根据需求分配内存大小;当内存资源紧张时,从未完全使用内存的虚拟机中根据空闲内存税率回收部分内存,实现在虚拟机间内存的均衡分配。实验证明本方案的系统对访存密集型负载的标准测试程序的性能有很大提高,在单个虚拟机性能最多损失6.7%的前提下,所有虚拟机的平均性能提高了30.6%,说明了它的有效性。     

基于网络感知的两阶段虚拟机分配算法

提出了一种基于网络感知的两阶段虚拟机分配算法(NWTP).首先,针对现代数据中心网络拓扑的随机性(树形、服务器和光纤混合),根据交互对象的不同,将虚拟机的带宽请求分为网内带宽和网间带宽两种.其次,将虚拟机的分配过程分解成带宽区域划分和物理主机分配两个彼此连续的阶段,建立网络感知模型.然后,利用流水线技术将带宽区域划分和物理主机分配看作两个连续的工序,并发进行分配处理.在带宽区域划分环节,利用节点介数和聚集系数动态感知物理主机的稳定性,通过差异化的分配策略为虚拟机子集选择合适的物理主机区域.在物理主机分配环节,将更多的虚拟机分配到负载方差最大的物理主机上,提高虚拟机网内带宽的节约度,均衡物理主机的资源负载.最后,对NWTP,遗传GA,模拟退火SA,贪婪GR四种算法进行大量的仿真实验,从分配时间、延迟、吞吐率、CPU利用率、带宽利用率和物理主机使用情况六个方面验证了NWTP算法的性能.     

一种基于资源使用阈值边界的虚拟机分配策略

虚拟机分配策略是提高云数据中心的物理主机利用率和降低能量消耗的关键技术。提出一种基于资源使用阈值边界的虚拟机(resource utilization thresholds virtual machine,RUT-VM)分配算法,建立了资源使用效率阈值边界和性能参数的数学模型; RUT-VM算法可以根据云端当前工作负载的状态来获得资源的使用效率情况,在工作负载高于或者低于设置的阈值上界与阈值下界时,将物理主机上的虚拟机进行迁移,放置到新的物理主机上。利用CloudSim3.0作为云数据中心的云端RUT-VM分配策略的测试环境。测试结果表明,RUT-VM分配算法可以减少云数据中心的服务等级协议(service level agreement,SLA)违规,保证云计算的服务质量, 与其它的虚拟机分配算法比较起来,可以明显的降低能量消耗。     

基于蚁群优化算法的云计算资源负载均衡研究

针对云数据中心虚拟机分配物理机时存在负载不均衡的问题,提出了一种基于蚁群优化算法的资源调度算法.对问题场景进行了分析,提出了数据中心负载不均衡度以及物理机与虚拟机之间不匹配度的概念,并给出了问题的形式化描述.在蚁群算法选择概率规则中参考了用户对虚拟机资源的需求,尽量避免对相同类型虚拟机部署在一台物理机上,同时对信息素的初始化、信息素的更新进行了改进.通过CloudSim模拟平台进行仿真实验,并与其他的分配算法进行了比较,实验结果表明:该调度算法能够快速地完成虚拟机的放置,并且使云数据中心的物理机具有较低负载不均衡度,提高了资源的利用率.     

能源需求的支持向量机预测

对灰色、神经网络和支持向量机的三个预测模型进行了研究,以某城市的1999-2006年能源需求为例,对能源需求进行了预测.经过比较,支持向量机的预测方法精度较高.     

基于支持向量机的短期负荷预测

讨论了现有的支持向量机回归参数选取方法．针对负荷预测建模，采用交叉验证的方法对参数进行选取，得到的最优参数对未来的峰荷进行预测，仿真结果表明了该方法的有效性．     

基于虚拟样机技术的专用铣床主轴的设计与分析

对所设计的一台专用轿车制动盘自动平衡机的主轴为研究对象,运用虚拟样机技术,用Solid Works进行建模,ADAMS软件为主要分析工具,在各种虚拟环境中模拟主轴的运动及受力情况,进行动态仿真研究,快速分析多种设计方案,进行了物理样机难以进行或根本无法进行的试验,直到获得系统的优化设计方案.虚拟样机技术的应用贯穿在整个设计过程中,从而简化了产品的设计开发过程,缩短产品开发周期,减少产品开发费用和成本,获得优化的和创新的设计产品.     

分层异构网络中基于负载预测分组的家庭基站频谱分配算法研究

针对分层异构网络中严重的干扰问题,提出一种基于负载预测分组的家庭基站频谱分配算法。该算法通过对各个家庭基站以及宏基站的历史负载信息优化得到对未来时段的负载预测信息。利用得到的各家庭基站的负载预测值对小区内的家庭基站进行分组,通过分组后每个小组独立地使用和分配频谱资源,从而有效的降低家庭基站之间的同层干扰。仿真数据表明由于采用了基于负载预测分组的家庭基站频谱分配算法,系统的SINR和吞吐量都有明显的提高,干扰得到了有效的抑制。     

人力资源集群与虚拟团队

本文基于集群理论 ,提出人力资源集群的观点 ,分析了虚拟团队的管理机制 ,指出企业通过虚拟团队方式对人力资源集群进行管理 ,实现战略目标。     

基于自适应粒子群支持向量机的短期电力负荷预测

针对粒子群优化算法存在易陷入局部最优点的缺点,提出了一种新的基于平均粒距的自适应粒子群优化算法(ASPO).该算法利用种群多样性信息对惯性权重进行非线性调整,并在算法的后期引入速度变异算子和交换算子,使算法摆脱后期易于陷入局部最优点的束缚,同时又保持前期搜索速度快的特性.将该算法应用到基于支持向量机的短期电力负荷预测模型中,对支持向量机的参数进行优化.对某电网的短期负荷预测实际算例仿真分析表明,所提出的基于APSO-SVM方法的预测精度明显优于传统的SVM方法,且速度较快,因此,该算法用于短期电力负荷预测是有效可行的.     

基于微服务架构的多资源负载均衡优化方法

为有效提高网络多资源利用率和执行效率,确保网络多资源负载均衡效果,通过微服务架构研究了多资源负载均衡优化方法。通过数据层、基础层、服务层、业务层以及表示层,建立微服务总体框架结构,动态调度网络多资源服务,降低负载情况,采用微服务架构,构造可扩展的网络拓扑结构。依据负载均衡优化目标建立优化模型,利用多蚁群算法对优化模型进行求解,通过局部和全局更新网络流量之间信息素,实现网络多资源负载均衡优化。结果表明：所提方法的资源负载均衡执行时间仅为10 s,网络资源利用率和负载均衡度分别为89.2%和89.4%。可见所提方法能够对网络多资源负载进行均衡优化,有效提高网络多资源利用率和执行效率,确保资源负载均衡效果。     

基于相关向量机的电力负荷中期预测

针对电力负荷中期预测比较困难并且存在较大误差的问题,提出了一种基于相关向量机的中期预测方法.结合EUNITE网络提供的实际数据,研究了日最大负荷前后期关系、日最大负荷与节假日的关系和当日与对应星期数的相关性,并建立了相应的电力负荷中期预测模型.该模型是将与某天相关的n个前期信息作为该天的日最大负荷的输入量,而日最大负荷与节假日、当日(星期数)的关系信息用两个二元值表示.在模型训练前,将输入量的前7个属性值和预测目标值进行归一化处理 采用不同训练样本集的仿真实验结果表明,相关向量机方法比支持向量机方法具有更多的优点,当高斯核函数的宽度值取为2 0时,相关向量机方法具有较为理想的预测效果.