文/張樂

在多目標(biāo)有可能出現(xiàn)沖突的情況下，要想能夠?qū)崿F(xiàn)多面綜合的優(yōu)化，就實(shí)現(xiàn)了云計(jì)算資源下動(dòng)態(tài)調(diào)度管理，之后實(shí)現(xiàn)粒子群算法改進(jìn)及RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)，全面考慮虛擬機(jī)性能、應(yīng)用性能、用戶服務(wù)質(zhì)量。通過實(shí)驗(yàn)結(jié)果表示，本文所研究的算法和傳統(tǒng)算法相比，其能夠?qū)崿F(xiàn)多目標(biāo)的優(yōu)化。

1 云計(jì)算資源中動(dòng)態(tài)調(diào)度管理機(jī)制

在通信及計(jì)算機(jī)網(wǎng)絡(luò)中，服務(wù)主要包括區(qū)分服務(wù)和集成服務(wù)。區(qū)分服務(wù)的主要目的就是結(jié)節(jié)網(wǎng)絡(luò)中服務(wù)質(zhì)量問題，利用此概念，將其含義擴(kuò)展到一不同服務(wù)等級(jí)協(xié)議實(shí)現(xiàn)用戶服務(wù)質(zhì)量的區(qū)分。那么就利用以下場(chǎng)景，實(shí)現(xiàn)以HDFS為基礎(chǔ)的云計(jì)算動(dòng)態(tài)調(diào)度管理機(jī)制。

2 基于云計(jì)算資源的粒子群算法及RBF神經(jīng)網(wǎng)絡(luò)

2.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)屬于三層前饋神經(jīng)網(wǎng)絡(luò)，圖3為RBF神經(jīng)網(wǎng)絡(luò)的架構(gòu)，其主要思想就是使徑向基函數(shù)成為隱單元基，創(chuàng)建隱含層空間，從而實(shí)現(xiàn)輸入矢量變換，將低維模式輸入數(shù)據(jù)到高維空間中轉(zhuǎn)換，從而實(shí)現(xiàn)低維空間中線性不可分問題能夠在高維空間中變得可分。RBF神經(jīng)網(wǎng)絡(luò)主要包括隱含層、輸入層及輸出層，各層節(jié)點(diǎn)數(shù)量分別為h、n、m，輸入向量表示為X=[x1，x2，...，xn]T。其中網(wǎng)絡(luò)中的隱含層輸出值得就是徑向基函數(shù)輸出，其主要根據(jù)輸入矢量和徑向基函數(shù)中心距離實(shí)現(xiàn)，徑向基函數(shù)使用高斯函數(shù)，公式為：

表2：對(duì)比結(jié)果

輸出層的主要目的就是調(diào)整線性權(quán)值，使用線性優(yōu)化策略，所以其學(xué)習(xí)速度比較快，使輸出為F（Xi）， 那么：

2.2 改進(jìn)的粒子群算法

一個(gè)粒子群主要包括m個(gè)例子構(gòu)成，其中每個(gè)例子位置都表示優(yōu)化維搜索空間中的解，例子在對(duì)自身狀態(tài)更新的過程中要保持自身慣性，并且要根據(jù)群體最優(yōu)位置對(duì)狀態(tài)進(jìn)行改變。一般粒子群優(yōu)化算法的數(shù)學(xué)描述都是假如在n維搜索空間中，通過m例子創(chuàng)建種群x=（x1，x2，...，xn）T，那么i個(gè)粒子的位置就 是xi=（xi，1，xi，2，...，xi，n）T，種 群 全 局極值表示Pg（Pg，1，Pg，n，...Pg，n，），在粒子尋找上述值之后，就能夠通過以下公式對(duì)自身位置及速度進(jìn)行更新。

2.3 引入慣性權(quán)重因子

為了能夠使粒子群算法計(jì)算精度及收斂速度進(jìn)一步的改進(jìn)，可以將慣性權(quán)重因子引入到粒子群算法公式中，成為以下公式：

圖1：RBF神經(jīng)網(wǎng)絡(luò)的收斂參數(shù)

圖2：優(yōu)化之后的收斂曲線

圖3：網(wǎng)絡(luò)輸出和目標(biāo)值的對(duì)比

其中的w值表示POS算法搜索的步長(zhǎng)，如果w值較大，那么就能夠促進(jìn)跳出局部極小點(diǎn)，從而實(shí)現(xiàn)全部尋優(yōu)。如果w值較小，能夠促進(jìn)局部尋優(yōu)，促進(jìn)算法的收斂。為了方便，本文將w從0.9減少到0.4的時(shí)候，此算法就是標(biāo)準(zhǔn)的PSO算法，為了能夠降低計(jì)算量，使搜索方向啟發(fā)性得到進(jìn)一步的提高，那么就實(shí)現(xiàn)以目標(biāo)函數(shù)為基礎(chǔ)的關(guān)心權(quán)重因子動(dòng)態(tài)調(diào)整的方法，w的變化為：

2.4 基于粒子群實(shí)現(xiàn)多目標(biāo)優(yōu)化

改進(jìn)粒子群算法是以魚群、鳥群的模擬為基礎(chǔ)，利用個(gè)體之間的相互協(xié)助，能夠?qū)崿F(xiàn)個(gè)體與全局的最優(yōu)信息進(jìn)行記憶，種群中的每個(gè)例子就表示等待優(yōu)化目標(biāo)問題的可能解。本文根據(jù)粒子群算法操作及實(shí)現(xiàn)較為簡(jiǎn)單的特點(diǎn)，實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)與連接權(quán)重優(yōu)化，并且在優(yōu)化之后實(shí)現(xiàn)RBF神經(jīng)網(wǎng)絡(luò)云計(jì)算應(yīng)用資源需求預(yù)測(cè)，RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化過程為：

（1）首先設(shè)置粒子群粒子維度空間與RBF神經(jīng)網(wǎng)絡(luò)映射參數(shù)。粒子群算法中的粒子緯度和RBF神經(jīng)網(wǎng)絡(luò)參數(shù)值相互對(duì)應(yīng)。

（2）設(shè)置RBF均方誤差屬于粒子群算法中適應(yīng)度的函數(shù)，在使串碼映射作為個(gè)體表達(dá)的過程中，也能夠?qū)崿F(xiàn)網(wǎng)絡(luò)參數(shù)優(yōu)化，實(shí)現(xiàn)訓(xùn)練的優(yōu)化能夠得到最小均方誤差連接權(quán)值。

（3）使RBF連接權(quán)值參數(shù)編碼作為實(shí)數(shù)向量，并且作為種群個(gè)體進(jìn)行表示之后迭代。將算法迭代的過程個(gè)體向量還原成為RBF權(quán)值，之后設(shè)置參數(shù)，并且對(duì)RBF均方誤差進(jìn)行計(jì)算。在誤差精度為指定參數(shù)的基礎(chǔ)上對(duì)RBF均方誤差進(jìn)行計(jì)算，在誤差精度滿足指定規(guī)定迭代數(shù)量的時(shí)候就停止。

3 算法有效性的驗(yàn)證

為了對(duì)改進(jìn)例子群算法進(jìn)行驗(yàn)證，使用MATLAB軟件神經(jīng)網(wǎng)絡(luò)工具箱實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)仿真實(shí)驗(yàn)。本文所收集的數(shù)據(jù)為不同云計(jì)算平臺(tái)的需求量，數(shù)據(jù)一共有150個(gè)，抽取100個(gè)訓(xùn)練，訓(xùn)練三十次，從而實(shí)現(xiàn)樣本對(duì)比。圖1為RBF神經(jīng)網(wǎng)絡(luò)的收斂參數(shù)，圖2為優(yōu)化之后的收斂曲線，圖3為網(wǎng)絡(luò)輸出和目標(biāo)值的對(duì)比。通過圖1，圖2，圖3可以看出來，改進(jìn)算法能夠在短時(shí)間內(nèi)縮小誤差，提高收斂效果。圖3的實(shí)線屬于目標(biāo)值，虛線屬于網(wǎng)絡(luò)實(shí)際輸出值，實(shí)驗(yàn)仿真的結(jié)果能夠?qū)⒋四Ｐ陀行猿浞值恼宫F(xiàn)出來，從而作為輸入實(shí)際測(cè)量數(shù)據(jù)實(shí)現(xiàn)參考。

并且本文還選擇三種常用標(biāo)準(zhǔn)測(cè)試函數(shù)對(duì)改進(jìn)算法性能進(jìn)行測(cè)試，并且和粒子群算法性能進(jìn)行對(duì)比，表1為測(cè)試函數(shù)的參數(shù)設(shè)置，表2為測(cè)試的結(jié)果，通過表2可以看出來，改進(jìn)算法平均適應(yīng)度比粒子群算法要優(yōu)。