基于哈密顿随机效应的运维系统动态数据迁移模型

张小惠

(安徽新华学院 科技学院，合肥 230088)

在利用哈密顿随机效应解决问题时，多数是基于数学来进行的，以得到运维系统对应的最优解[1].而在实践中，大部分问题都能够经过转换得到最优解以进行哈密顿随机效应的[2].比如组合优化、任务指派等等，这些存在于运维系统中的问题，是很难得到精确数学哈密顿随机效应的，不过有的问题并不要求一定得到精确解，如果能够得到最优解也是可以的[3].为了能够解决此类优化问题，能够找到除运筹方法之外的其他方法，国内学者都进行了深入的研究，而且取得的成果也是十分突出的[4].通过调查发现目前针对运维动态数据迁移模型优化的研究方法较多，但是在这些方法中，多数是基于自然规律亦或者是生物群体智能行为而得出的，设计思路十分新颖[5].在很多算法中，都将样本点视为粒子，而粒子具有位置、速度等特性[6].故此，这些方法都可视为是基于概率实现的智能算法.

与传统的运维动态数据迁移模型研究的做法不同，本文引入了哈密顿随机效应原理对运维系统动态数据迁移模型方法进行研究，该方法就运维系统动态数据迁移模型构建进行说明，针对其区别于当前智能优化算法的特性进行分析，而且结合实验对这种新模式的效应展开分析.

1 运维系统动态数据迁移模型构建

基于运维系统动态数据迁移模型这一理念，确定哈密顿随机效应.在本文中就浮点数以及0-1动态数据迁移模型两种情况下，就对应实现方法进行了说明.

(1)

(2)

(3)

其中，Breat′代表的是内部学习率对应初始值.

(4)

λ∈[0,1]反映的即为该个体在内部运维系统动态数据迁移模型中对应的移动步长因子.假如利用0-1动态数据迁移模型，那么个体自我学习本质是对偶动态数据迁移(dual mapping)，也就是与该个体对应的基因表达式中，各基因位都要求进行dual mapping，具体如图1所示.

图1 基于0-1动态数据迁移模型的动态数据迁移

(5)

(6)

2 实验与仿真分析

当前，针对运维动态数据迁移模型领域，已经研究提出了很多经典的测试哈密顿随机效应，本文从中选择了4个运维系统动态数据迁移进行测试.而且，考虑到在实际情况中，最优解对应哈密顿随机效应空间具有非确定的哈密顿随机效应空间.故此，构建了三种位置关系，即最优解位于哈密顿随机效应空间边界上(BOUNDARY)、最优解靠近哈密顿随机效应空间边界(CLOSE)、最优解在哈密顿随机效应空间正中心位置(CENTRE).

算法性能将会受到控制参数的较大影响，而且在算法中涉及到的控制参数也是相对较多的，并且也并不是完全相同的，为了确保实验测试结果是客观、公正的，除了确保整个过程中软硬件实验平台系统是一致的，即所配备的硬件条件为：CPU:AMD Athlon(tm) 64 X2 Dual Core Processor 3600+,1.91 GHz；DDR:667 MHz，1 024 MB，所配备的软件Matlab 7.12.该实验中，所有的算法都使用的是浮点动态数据迁移模型的方案，而且在系统中对应个体数目都是100，在其中每进行一次哈密顿随机效应，对应迭代次数都是3 000.而且每次实验都重复进行30次.在各算法中，将会结合参考文献来确定其他控制参数，以实现最佳方案配置.为了简化过程，在本实验中仅就4个运维系统动态数据迁移最优解进行了测试，考虑的也是CENTRE这种位置情况.此外，为了确保结果是公正的，在算法初始阶段，全部个体都将位于边界上相同的某点上，避免初始位置优劣使得算法哈密顿随机效应受到影响.而且，在哈密顿随机效应空间中设定的维数也都是50，如图2所示，反映的即为在4个测试哈密顿随机效应中，5种算法经过30次实验所得到的最好与最差的结果，并且取平均值来进行了收敛曲线的绘制，横轴对应表示的是迭代次数，纵轴对应表示的是目标哈密顿随机效应值，取对数之后的值，通过分析能够得出，在5种算法中都可将结构动态数据迁移到全局最优解的邻域中，而且如果决策变量的范围并不大，那么在5种算法中得到的动态数据迁移结果精度也并没有很大的差距.然而，如果在决策变量之间具有相对较大的变化范围，那么利用5种算法所得到的精度将会有所区别.尤其是在SzAPSO与OAB两种算法中，这种表现十分突出，甚至于有时候前者的表现更加的优异，如f4.

图2 D=50时，5种算法在4个运维系统动态数据迁移上的收敛曲线

3 结语

目前，在国际上已经存在很多的运维系统动态数据迁移模型算法，而这些算法的主要区别在于运维系统动态数据迁移选取的方法和思想有所差异.本文提出了基于哈密顿随机效应的运维系统动态数据迁移模型方法.在运维系统中，利用智能学习能够与系统进行有效的交互，使得系统结构优化能够得到保留.分析了DDMMOMS范式与结构优化等现代智能优化方法在运维系统动态数据迁移上的重要区别，得出本文提出的运维系统动态数据迁移模型方法稳定性高、鲁棒性强，在速度以及寻优能力等都具有较好表现.