多智能体遗传算法在云计算负载均衡中的应用研究

付天驰

（辽宁工程职业学院，辽宁 铁岭 112008）

云计算是基于大量计算机计算出的资源。不同的应用系统可以获得计算能力、存储能力和各种软件服务。云计算系统作为一种具有竞争性和不确定性的任务处理方式，具有高度的动态性。因此，资源规划和任务管理是云计算中的关键问题[1]。现有算法，如静态投票方法和随机方法，显然不适合这种大规模的负载平衡，因为它易于导致一个点故障。动态算法包括UT策略和来自负载平衡策略的弹簧策略，仅考虑单个参数的影响，并且当影响增长时，其执行效率将下降。此外，虽然人们设法解决了加载余额的问题，但随着数据和尺寸的增加，它们的收敛速度将受到影响。遗传算法在较长的搜索时间内比较缓慢，MAGA 可以在解决较大的尺寸功能时快速找到高质量的解决方案[2-3]。本文的目的是使用MAGA 来解决负载平衡并平衡云计算中的问题。插入各种不同的模拟环境，参数选择的培训是在各种测试环境中进行的，从而获得相对最佳、更通用的校正参数，以及获得平衡策略的负载。在整个测试中，MAGA 生成的充电策略、UT 策略和弹簧策略应用于相同的模拟环境，比较最大CPU 使用率、平均CPU 使用率、最大内存率和平均内存使用，分析他们的优点和缺点。测试表明，对于大型动态云系统，MAGA 产生的负载策略，CPU 的最大使用和最大内存使用率较低，并且可以保证整个系统的稳定性和强度。

目前，云计算已经成为一种非常流行的计算机商业模式，它是并行计算、分布式计算和网络计算的发展。云计算是一种可以独立管理的虚拟计算资源，因此，绘制适当的关系和资源图，即Rational Task Plan，以动态有效地管理资源。根据服务水平协议，它是云计算机器的重要组成部分。理论上，每个用户都有一台虚拟裁缝机，互不接触。每个物理主机将加载一个或多个虚拟机，以确保用户应用程序的独立性。因此，云计算的任务就是规划。在虚拟机中，保持虚拟集群的负载平衡是一种有效的算法。

云计算虚拟集群负载均衡的研究刚刚起步。本文基于对偶遗传算法规划，但优化的目标只是考虑负责任务的时间。使用算法完成整个任务只是最短的时间，因为云计算的中心思想是实现廉价高效的计算，除了与任务相关的时间，整个计算过程都会消耗资源和能源，系统中还存在需要进一步研究的问题。智能算法是通过模拟或揭示某些自然现象过程和思想而发展起来的，不仅内容涉及数学，还以物理学、生物学、人工智能、神经科学和统计力学为基础，为解决复杂问题提供了新的思路和手段，将动态联盟的思想引入到文献中，提出了一种基于粒子群优化的任务分配算法，该算法在网络环境中实现了多种均衡。

本文提出了一种自适应变量遗传算法（GA）来解决虚拟人群的负载问题，使虚拟累计使用值最高。仿真结果表明，该算法快速高效，具有实际应用价值。

1 关于本研究的相关工作

虚拟仿真技术充分利用了用户的基础设施，实现了整个应用系统。因此，越来越多的人开始关注虚拟存储服务器的使用。为了实现各种信息、服务和资源的高可用性，必须使用负载平衡设备来协调和管理大量的虚拟机。最终目的是研究云计算中虚拟终端的负载平衡问题。本实用新型非常有效地提高了计算机资源的利用率，有效的负载均衡算法要求系统在高效的响应时间内智能地在不同虚拟机之间分配负载。云环境的计划与传统的资源规划有许多不同的情况。首先，规划目标不同于传统手段的规划目标。传统规划是通过物理方式来工作，属于精细规划；云计算环境中的规划对象是属于原粮规划的虚拟机资源，传输的数据量也很大。

研究人员对此主题进行了许多研究，提供了各种静态、动态和混合资源规划策略。静态规划算法包括：ISH 算法、MCP 算法和ETF 算法，即BNP（Limited Number Processing SORS），相对于具有高效网络的分布式环境，由于虚拟云计算的应用单元，团体需求复杂多样，必须按要求提供服务费用。此外，很多研究人员也针对这个课题研究了相应的启发式算法，但随着问题的不断增多，启发式算法的影响并不那么明显。

2 多智能体遗传算法

从代理商的角度来看，遗传算法中的个体被认为是部分认知、竞争、合作和自学能力，通过代理人、环境和每个经纪人之间实现全球最佳目标之间的互动。多智能体遗传算法的实施机制与遗传算法截然不同，主要纳入个人之间的互动、合作和自我研究，有学者证明，多智能遗传算法具有更快的收敛速度，对于求解高维函数的优化问题非常有用[4-5]。

2.1 个体生存环境

与GA 类似，MAGA 继续在个体上工作。在MAGA中，每个个体都被视为一个代理，每个代理都有自己的特点，可以感知周围环境，自主运作，还可以影响和改变环境，所有代理都位于代理网格中。

2.2 遗传操作算子

MAGA 中的遗传算子主要包括邻域竞争算子、变异算子、正交内插交叉算子，邻域正交交叉算子实现了Agent 之间的协作。自变异算子和自变异算子利用Agent 的知识来实现Agent 的行为。

2.3 MAGA 与GA 的比较

表1 对GA 与MAGA 在信息交互方式、遗传算子、自学习能力等方面进行了对比分析。以函数优化为例，对MAGA 与GA 的性能进行比较，取n=20，设优化函数为：

表1 GA 与MAGA 在遗传操作上的对比

通过对两种算法执行10 次后得到的最优函数值的比较，表明MAGA的执行效果明显优于传统的遗传算法。

3 负载均衡模型

每个用户请求用户信息的主要参数（ReqPerHrPerUser，ReqSize，ReqCPU，ReqMemory，Count）。其中：ReqPerHrPeruser 表示每小时平均互联网用户数；ReqSize 是用户组中每个用户的每个请求的大小。ReqCPU 是指CPU 执行请求的使用率，以百分比表示，与2.4GHz 的CPU 内核相对应；ReqMemory 是指在M中执行请求所使用的内存量；计算每分钟发送请求的平均数。

为了解决网格资源规模急剧增加的问题，提出了一种资源调度模型。基于用户请求标准的分组策略，组中的每个参数都有一个最大值，每个组中所有用户的所有参数的总和不能超过由组指定的最大值，该最大值可分为一个组，该组可根据时间序列重新设置参数。

3.1 负载均衡模型的建立

负载均衡模型主要涉及适应度函数的设计。根据组策略，主机上的每个虚拟机（VM）资源对应于用户组策略请求。主机包含多个虚拟机，每个虚拟机可以被分配给多个组。每个数组可以被描述为一个数组（ReqPerHrPerUser，ReqSize，ReqCPU，ReqMemory，Count）。数组中的第四个参数是数组中每个请求所消耗的内存。因此，在执行一组任务后，虚拟机首先加载uji 内存。

如果Vmpi和Vmi是固定的，那么第三个参数是集群中每个请求的平均CPU 消耗量，即使在集群任务完成后，虚拟机也会加载CPU。

其中：Vmci和Vci是常数，Ci 为Vmi在执行任务之前剩余的CPU 百分比。

基于内存消耗与CPU 消耗，Vmi上的总负载：

其中，w 和v 是权重因子，且满足w+v=1。

3.2 编码

假设有10 个用户组{Group0，Group9，……Group9}和30 个虚拟机{VMU}，每个用户组被视为一维。

让另一个10 维数据（x0 x1.x9），其中xi 对应一个面板，然后xi，可以选择30 和30 的虚拟25，然后采取每一xi 长度编码5，其中：

00001—VM_0

00010—VM_1

11110—VM_29

若采用二进制多维编码方式，那么对整个系统的编码即是{00000,0000,0000}，则对拥有10 个用户组、30 台VM 资源的系统的一个可行解如下：

{00001,00100,10010,00110,10010,11000,11100,00010,01000,10000}

故对于一个含有n 个用户组、M 个VM 虚拟资源的系统，问题的求解维数即是n，每维个体的编码长度为log2M。

4 算法步骤

Step1：随机生成LSIZE2个Agent,初始化L0,更新Best0,令t ←0。

Step2：对LI中的每个Agent 执行邻域竞争算子得到LI+1/3。

Step3：对LI+1/3中的每个Agent,若U(0,1)＜Pe,则将邻域正交交叉算子作用在其上，得到LI+1/3。

Step4：对LI+1/3中的每个Agent,若U(0,1)＜Pe,则将变异算子作用在其上,得到LI+1。

Step5：从LI+1中找出CBest5+1,并将自学习算子作用在其上。

Step6：若Energy(CBestl+1）＞Energy(Best')成立，则令Bestl+1←CBesll+1；否则Bestl+1←Bestt，CBestl+1← Bestt。

Step7：如果终止条件满足，输出Bestt并停机；否则，令1 ←t+1 并转Step2。

其中，L'表示第t 代的Agent 网格，LI+1/3和LI+1/3是Li和LI+1的中间代Agent 网格；Bestt是L0，L..,Lt中最优的Agent，CBestt表示Lt中最优的Agent；Pc 和Pm为预先设定的参数，分别是邻域正交交叉算子和变异算子的执行概率。

5 结语

本文提供了一种在云计算中使用魔法算法构建装载平衡模型的方法。当解决功能最佳问题时，MAGA具有更快的收敛速度。特别是在大数据集上，魔法算法保持不错。比较UT 策略生成的加载模型，弹簧策略和魔法算法策略，可以发现MAGA 生成的加载平衡模型更能加载以平衡UT 策略和弹簧策略生成的加载平衡模型，特别是在任务数量很大的情况下，MAGA 生成的云计算加载平衡模型明显优于其他两个算法，并且该模型不易引起系统的“单次故障”，这表明该方法是可行且有效的构建云计算负载平衡策略。