云计算资源分配中蚁群算法研究报告
个人资料整理仅限学习使用
蚁群算法在云计算资源分配中的应用研究
张春艳
<中国矿业大学计算机科学与技术学院,徐州221116）
摘要：针对目前已提出的云计算资源调度模型，提出一种基于蚁群算法的资源分配策略。分配云计算资源时，首先在云计算网络中发现社团，探测可用节点的计算能力，然后根据云计算服务模式特点，通过分析诸如网络带宽占用、线路质量、响应时间、任务费用、可靠性等因素对资源分配的影响，利用蚁群算法得到一组最优的计算资源。通过在CloudSim 环境下的仿真进行分析和比较，这种算法能在满足云计算服务模式的情况下，获得比其他一些针对网络的的分配算法更短的响应时间和更强的工作质量，从而更加适合在云环境中使用。关键词：云计算；蚁群算法；服务模式；调度
中图分类号：TP
Applied researchofantcolony algorithm in computing
clouds resources allocation
ZHANG Chunyan
(Computerscience andtechnology School,Cumt,Xuzhou 221116>
Abstract: In view of the present scheduling model of clouds computing resources, a resource allocationstrategybasedonantcolonyalgorithmisproposed.Distributingcloudcalculativeresources, firstfindsocietiesincomputingcloudsnetwork,detectusablenodecomputingpower,andthenbased onthecloudcalculativeservicemode,throughtheanalysisofthecharacteristicsuchasnetwork
bandwidth,linequality,responsetime,task expenses,otherfactorsonthereliabilityofresource allocationinfluence,usingtheantcolonyalgorithmtogetasetofoptimalcomputingresources. ThroughanalysisandcomparisoninthesimulationunderCloudSimenvironment,thisalgorithmcan satisfythecloudcalculativeservicemodeofthecircumstances,getshorterresponsetimeandstronger workqualitythansomeotherinnetworkofdistributionalgorithm,andtherebymoresuitableforusein the cloud environment.
Keywords: Cloudcomputing。 ant algorithm。 servicemode。schedule
0 引言
由于信息化技术的迅速发展，网络上数据逐渐复杂庞大，传统的并行技术等已不能为满足人类日益增长的办公和科研发展的需要。一些网络模式应运而生，云计算作为一种新型的并行计算技术也出现在网络上。
云计算作为一种基于互联网的新计算模式，是分布式计算(DistributedComputing>、并行计算(ParallelComputing>和网格计算(GridComputing>的进一步发展，也是这些计算机科学概念的商业实现。它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和各种软件服务。云计算的资源是动态易扩展而且虚拟化的，通过互联网提供云计算是基于互联网的超级计算模式，通过架构一个分布的、可全球访问的资源结构，使数据中心在类似互联网的环境下运行计算，即把存储于个人电脑、移动电话和其他设备上的大量信息和处理器资源集中在一起，协同工作。主要包括三种层次的服务：基
础设施即服务 作者简介：张春艳<1985-），女，工科硕士，主要研究方向：云计算和蚁群算法.E-mail:zhangcy8511@https://www.360docs.net/doc/e6330619.html, 近年来，虚拟化作为云计算的基石，也一直是一个炙手可热的研究领域。虚拟化的浪潮席卷服务器、存储、网络、PC机等各个领域。虚拟化最突出的优势就是节省资金、整合服 务器、最大化资源利用率。 本文提出的蚁群算法分配策略，综合考虑了云计算分布的一系列特点，以期实现在这种环境中能够满足用户作业分配合适资源的需求。 1 云计算服务模式 在云计算服务模式中，用户交互接口以Web Service 方式为各种用户提供访问接口，以获取用户需求；配置工具用以在分配的节点上准备任务运行环境；系统管理模块负责管理和分配所有可用的资源，其核心是保证负载均衡；服务目录是用户可以访问的服务清单；监视统计模块负责监视节点的运行状态，并完成用户使用节点情况的统计。用户交互接口允许用户从目录中选择并调用一个服务，将请求传递给系统管理模块后，它将为用户分配合适的资源,然后调用配置工具为用户准备运行环境。在云服务器端, 所有的计算及存储资源分布在不同的节点上，系统管理员主要是使用一些配置工具和系统管理软件，一方面可以方便快捷地为用户提供计算和存储资源，另一方面可以对这些计算存储资源进行高效管理，提高资源利用率。 对于云计算服务提供商来说, 其核心技术是如何对用户申请的计算资源进行分配和管理，其效率直接影响整个云计算环境的工作性能。由于云计算中资源具有自治性、虚拟化等独特的特点，使得原有的针对单纯分布式、网格计算资源分配和调度算法已无法在该环境中有效工作。在云计算中，资源分配的效率非常重要，对云计算平台的系统综合性能影响很大。 2 算法描述 基于上述云环境的特点及服务模式，我们提出以下资源分配算法。 2.1 资源分配流程 参考Map/Reduce计算系统[2]，云环境中的每个单元可以分为两大角色：Master 和Slave，前者主要配置NameNode和JobTracker 节点，后者配置DataNode和TaskTracker 节点。在资源分配时由该单元的主作业调度节点 2.2 模型及其考虑参数 将slave节点域作为一个无向图G n ? 合，E 是连接各slave 节点的网络集合。在云计算网络中均匀地划分成若干个子区域，然后 给每个区域分配相同个数的蚂蚁，每个组的蚂蚁只在各自的区域进行搜索。其度量标准要考虑的有如下参数： 预计执行时间：time_cost(e>，指路径e 尽头的的计算资源处理这样作业要消耗的时间。网络延迟，delay(e>，指路径e 产生的最大网络延迟。网络带宽：bandwidth(e>，指路径e 所提供的网络最大带宽。用户对云计算资源需求的多样性与偏好性，如何作Qos 保证。将预计执行时间和网络延时综合后用变量td in (t ,e >表示在t 时间段内该e 尽头为i 计算资源的所用量。 假设某虚拟机资源VM i 的特征集合： R i ={r i 1,r i 2,r i 3,r i 4,r im },m [1,5] 其中，rim 表示一个K 维对角矩阵，分别表示CPU 、内存的个数，带宽、费用及故障率 的倒数。 资源VM i 的性能描述矩阵向量是： VM i ={E i 1,E i 2,E i 3,E i 4,E im },m [1,5] 其中E im 表示r im 对应的特征值。 任务的QoS 描述通常可以采用任务完成时间、网络带宽、费用、可靠性等参数指标来量化QoS ，如任务完成时间的QoS 描述包括开始时间、全部完成时间、结束时间等，使用时可选取任务全部完成时间作为评判指标。通常第i 类任务的一般期待向量可以描述为： E i ={e i 1,e i 2,e i 3,e i 4,e im },m [1,5] m 其中e im 分别表示CPU 、内存、带宽等的一般期待，且满足： 2.3 蚁群算法寻找最优计算资源描述 e ij =1 j =1 由于在云计算环境中，资源的具体情况不可知，且网络没有一个固定的拓扑结构，所以整个云环境的结构和资源分布及其实际情况不可预知．在这种情况下，计算资源的位置和质量对数据节点来说是不可知的．利用蚁群算法，能够在未知的网络拓扑中查找出计算资源，并选择最合适的一个或者几个分配给用户作业，直到满足用户需求．当查找开始时，由slave 节点发出查询消息，这些消息扮演着蚁群算法中蚂蚁的角色，所有的蚂蚁都遵从信息素多的节点概率大，信息素少的节 点概率少的原则选择下一跳的节点，并在经过的路径节点上留下信息素 设资源选择的约束函数为 ?{[?(t >]? ?in j = (E ?(t >>?? } ,q ?[td in (t >] ?由公式(2>计算,q εq 0 j P = t (e > > EL 0 ij ? ? ?[? ? (t >]?(E ?(t ))? ?[t d ij (t >] k ? ij ? {[? (t >]?(E ?(t ))?},j avid (k ) <2） in n ? ?n avod (k ) ? [t d in (t >] ?0,otherwise ?time _cos t (t > <3） ? 其中， delay (e > 为t 时刻，前向蚂蚁在i 节点上观察到j 节点的信息索强度，P 为k 号蚂 Cdelay (e ij > 蚁在i 点选择j 点的概率,avid (k >为蚂蚁是的回避列表，t d ij =为从节点 Bbandwidth (e ij > i 到节点j 的线路质量，?,?和?为信息素、线路质量和计算能力预测值的相对权重．为防止结果过快地收敛在局部最优解上，设定随机系数q [0,1]，常数q [0,1]，q 0为QoS 标准，选 择资源和路径的过程就是在不满足QoS 的情况下寻找满足限定条件<3）的尽量大的j 值或者在满足QoS 的情况下寻找满足条件<3）的P 值。这两个值和公式(1>用来控制蚂 蚁直接选择信息素一线路质量比最大相邻节点的概率． 3 算法调度工作流程 首先，对用户的任务按优先级进行排序，然后进行分类，分类体现了用户任务对不同QoS 的要求和偏好，并依据QoS 分类利用蚁群算法实施资源分配与调度，并将任务与资源绑定，运行任务。其流程如下图所示： 图1 算法调度工作流程 Fig.1Algorithmschedulingworkflow C P U 个数/颗 带宽/M b /s 完成时间/s 4 实验仿真 用云计算仿真模拟工具CloudSim 来模拟一个云计算的局部域[4]，以检查本算法在这种特殊的网格环境中的运行情况。该软件支持模拟新兴的云计算基础设施和管理服务：1>支持建模和安装大规模云计算基础设施，包括在单一物理计算节点和java 虚拟机上的数据中心。 2>可对数据中心，服务代理，调度和分配策略进行建模。 3>提供虚拟引擎，有助于在一个数据中心节点上创建和管理多个，独立和协同的虚拟服务。 4>可以灵活地在共享空间和共享时间分配的处理核心之间切换。在体系结构上，CloudSim 仿真器采用分层的结构，自底向上由SimJava ，GridSim ，CloudSim ，用户代码四个层次组成。下图分别为使用该算法和最优算法任务完成时间、计算 能力偏好类任务及带宽偏好类任务比较图。 6000400020000 6000 1000012000 作业任务数/个 图2任务完成时间比较图 Fig.2Taskcompletion time comparisonchart 6 5 4 3 2 1 0 ID0 ID1 ID2 ID3 图3计算能力偏好类任务比较图 Fig.3Computingpowerpreferenceclass task comparison chart 40003000200010000ID4ID5ID6ID7 子任务标识号/个 图4带宽偏好类任务比较图 Fig.4Bandwidthpreference classtaskcomparisonchart 5 结论 本文提出将基于QoS 任务分类和蚁群算法用于解决云计算平台下的资源分配与调度问题，扩展了CloudSim源代码并进行重新编译和生成，并在此扩展的仿真平台上对算法进行了仿真分析。通过将仿真实验结果与最优完成时间算法的仿真结果对比，表明本文提出的算法可以有效的执行用户的任务，并表现出更好的公平性和用户满意度。 [参考文献] (References> [1]蒋海鸥，王希斌. 云计算中存储资源管理策略的探究[J]. 程序员，2018，5<75） [2]林清滢. 基于Hadoop的云计算模型[J]. 现代计算机，2018，7<114） [3]宋智玲. 蚁群算法优化结点和聚类技术在复杂网络中发现社团的研究[J]. 实验室研究与探索，2018，29 <7） [4]GRIDSLaboratory.ANovelFrameworkforModelingandSimulationofCloudComputingInfrastructures andServices[OL].[2018.3]https://www.360docs.net/doc/e6330619.html,/cloudsim/ [5]李秋云，朱庆保，马卫. 用于连续域寻优的分组蚁群算法[J]. 计算机工程与应用，2018，46<30）：46～49. [6]胡毅，龚斌，王风宇. 网格资源调度中基于云模型的蚁群算法[J]. 华中科技大学学报，2018，38 云计算项目iaas项目可行性研究报告 （本文档为word格式,下载后可修改编辑！） 目录 一、项目概述 (3) 1.1 项目名称 (3) 1.2 项目建设单位 (3) 1.3 项目可行性报告编制单位 (3) 1.4 项目背景 (3) 1.5 可行性研究的依据 (4) 1.6 可行性研究的范围 (4) 1.7 项目建设规模 (4) 1.8 项目投资估算 (4) 1.9 主要结论和建议 (5) 二、工程建设的必要性和可行性 (6) 2.1 发展基础云业务的比较优势 (6) 2.2 工程建设的必要性 (6) 2.3 工程建设的可行性 (7) 三、市场及业务需求分析 (9) 四、工程建设方案 (12) 4.1 总体技术架构及路线 (12) 4.2 总体业务实现模式 (12) 4.3 平台硬件架构 (16) 4.4平台软件架构 (24) 4.5 平台主要工作界面 (33) 五、项目组织机构 (58) 5.1 项目实施机构 (58) 5.2 运行维护机构 (59) 5.3 技术力量和人员配置 (59) 六、项目资金规划及其经济效益 (59) 6.1 平台建设、运营投资计划 (59) 6.2 平台资金使用计划 (60) 6.3 经济效益预测 (61) 6.4 项目盈亏平衡分析 (64) 七、项目社会效益分析 (67) 八、环境影响分析 (69) 8.1项目建设和生产运营对环境的影响 (69) 8.2环保措施 (71) 九、劳动安全及卫生 (72) 十、项目风险与风险管理 (73) 10.1项目存在的风险 (73) 10.2风险防范对策 (73) 十一、可行性研究结论 (75) 1.1.1.1云计算资源需求分析与规划 1.1.1.1.1数据中心服务器部署基本要求 本项目关键业务数据库、数据仓库采用物理服务器独立部署（集群+同城双活），应用和管理类服务器采用虚拟机部署（同城双活）。 1.1.1.1.2应用服务器采用虚拟化方案 采用虚拟化技术是实现云计算的基础。通过为客户提供服务器整合和数量控制、业务连续性、测试/开发自动化、企业台式机管理等解决方案，从而实现降低成本、提高响应速度、实现零停机、灾难快速恢复等系列好处。通过虚拟架构整合服务器，可以控制x86服务器的蔓延，在一台服务器上运行多个操作系统和应用，并使新的硬件支持老的应用，数据中心撤退旧的硬件。虚拟基础架构使企业能够通过提高效率、增加灵活性和加快响应速度而降低IT成本。管理一个虚拟基础架构使IT能够快速将资源和业务需要连结起来，并对其进行管理。虚拟基础架构可以使x86服务器的利用率从现在的5-15%提高到60-80%，并且在数十秒的时间完成新应用程序的资源调配，而不需要几天时间。请求响应时间也改为以分钟计算。在维护上，可以实现零停机硬件维护，不需要等待维护窗口。 服务器虚拟化是计算机资源逻辑组的过程，这种资源的新虚拟视图并不受实现，地理位置或底层资源的物理配置的限制。这种逻辑视图对信息基础设施有深远的影响。 ◆服务器虚拟化带来的益处： 虚拟化技术可借助信息基础设施更好地提供服务，从而帮助客户节省资金。与传统的物理服务器部署方式相比，虚拟化所带来的一些优势包括：?能够迅速保存、复制和供应虚拟机，从而实现零停机时间维护并支持全新的“go live（实时化）”方案； ?动态共享服务器平台中的闲置资源，从而在消除烟囱式（stovepipe）部署的同时，进一步提高性能和利用率；与此同时也能为应用提供一个隔 离性的操作环境； ?可以实现更高的技术标准化水平和流通率，从而降低运营和维护成本； ?可在虚拟服务器组件发生故障时进行无缝故障切换，从而提高系统可用性； ?降低复杂性，从而改进逻辑和物理灾难恢复。 ◆服务器虚拟化的软件平台选型原则 在服务器虚拟化的软件平台方面，主流的软件提供商均提供了所有软件厂商具有管理CPU、存、网络和硬盘资源的能力的服务器虚拟化软件，这些软件都同时支持Windows 与Linux 操作环境。目前，服务器虚拟化软件分为商用软件和开源软件，这些软件都提供了对于服务器虚拟化硬件平台的支持，然而之间存在细微的差别。此外不同的虚拟化软件的软件架构之间的差异较大，不同平台上的虚拟机并不能很好实现相互之间的兼容或迁移。 在服务器虚拟化的软件平台选择中，应重点考虑以下几点： ?系统稳定性和可扩展性 ?迁移的便利性，包括从物理服务器向虚拟机的迁移 ?对于虚拟化硬件平台的支持 ?良好的兼容性 ◆服务器虚拟化的硬件平台选型原则 为服务器虚拟化选择适当的硬件平台正如选择适当的虚拟化软件一样重要为了做出正确的选择，必须考虑到以下因素： ?优越的性能：服务器虚拟化的主要目的是更加充分的利用资源。在单台服务器上增加的工作负载需要更高的系统性能，以保持所需的服务等级 自动分捡系统设计开题报告 一、课题介绍 1. 课题名称：自动分捡系统设计 2. 课题背景： 自动分拣系统（Automated Sorting System)是二次大战后率先在美国、日本的物流中心中广泛采用的一种自动化作业系统，该系统目前已经成为发达国家大中型物流中心不可缺少的一部分。该系统的作业过程可以简单描述如下：流动中心每天接收成百上千家供应商或货主通过各种运输工具送来的成千上万种商品，在最短的时间内将这些商品卸下并按商品品种、货主、储位或发送地点进行快速准确的分类，将这些商品运送到指定地点(如指定的货架、加工区域、出货站台等)，同时，当供应商或货主通知物流中心按配送指示发货时，自动分拣系统在最短时间内从庞大的高层货架存储系统中准确找到要出库的商品所在位置，并按所需数量出库，将从不同储位上取出的不同数量的商品按配送进点的不同运送到不同的理货区域或配送站台集中，以便装车配送。 3.国内外发展现状： 纵观国内外物料自动分拣系统的应用情况可以发现，国外发达国家的物料自动分拣系统倾向于采用自动化程度很高的物料自动分拣系统。而在我国，由于起步晚，物料自动分拣系统中人工作业的比例也较高。国外物料自动分拣系统的广泛使用，以美国、日本及欧洲为代表的发达国家，在物料自动分拣系统的应用上呈现出自动化程度越来越高的特点。物料自动分拣系统已成为发达国家工业自动化不可缺少的一部分。主要应用在大中型物流中心、配送中心、流通中心、邮局分拣信件等等随着交流自动控制技术的发展，特别是电子技术的迅速发展，计算机的广泛应用。自动分拣技术在20世纪70年代被引入国内，我国的邮政系统最早并已多年使用自动分拣设备，并在长期的实践中不断创新、不断进步。例如，邮电部相关部门相继开发和研制出具国际水平的CORE-NT物料自动分拣系统，性价比很高的扁平邮件高速物料自动分拣系统;上海邮政通用技术设备公司研制成功了速递邮件网络化物料自 光环新网房山绿色云计算基地项目建设可行性研究报告 北京光环新网科技股份有限公司 2015年10月修订 目录 一、项目概述 (2) 二、项目承担单位情况 (2) 三、项目建设的必要性 (3) 1.行业发展现状与趋势 (3) 1.1IDC市场发展状况 (3) 1.2 中国云计算产业发展情况 (5) 2.项目建设的必要性 (6) 3.项目建设的可行性 (6) 四、项目投资及建设内容 (6) 1.项目投资预算 (6) 2.项目总体规划 (6) 3.云计算中心建设 (7) 五、风险管理与控制 (9) 1.政策风险与控制 (9) 2.技术风险与控制 (9) 3.财务风险与控制 (9) 4.市场风险与控制 (10) 六、项目结论 (10) 一、项目概述 光环新网房山绿色云计算基地项目由北京光环新网科技股份有限公司（以下简称“光环新网”或“公司”）全资子公司北京德信致远科技有限公司（以下简称“德信致远”）在北京市房山区进行投资建设。项目规划用地69999.3平方米，主体规划建设4栋云计算中心、3栋研发实验室、1栋宿舍及配套建筑。每栋云计算中心规划提供1500个5KVA标准的中密机柜服务。研发实验室内建设相应配套设施，进行云计算、大数据等领域的研发。项目总体可提供6000个云计算机柜服务能力及6万台以上的云主机服务能力。 光环新网房山绿色云计算基地项目规划总投资140128.5万元，其中固定资产投资139028.5万元，其他费用1100万元。云计算中心将分期建设，逐步投入正式运营，为光环新网增加新的利润增长点。 二、项目承担单位情况 公司名称：北京德信致远科技有限公司 公司类型：有限责任公司(法人独资) 成立日期：2014年03月20日 注册资本：10000 万元 法定代表人：杨宇航 注册地址：北京市房山区窦店镇广茂路37号 经营范围：互联网信息服务；专业承包；技术开发、技术咨询、技术转让；信息系统集成；信息咨询。（互联网信息服务以及依法须经批准的项目，经相关部门批准后依批准的内容开展经营活动。） 德信致远拥有北京市房山区窦店镇高端制造业基地03街区O区69999.3平方米一类工业用地的国有土地使用权（土地使用权证为：京房国用（2015出）第00159号），将负责实施光环新网房山绿色云计算基地项目的建设，为广大商企用户提供数据中心、云计算等互联网一体化解决方案服务。 （计算智能大作业） 应用蚁群算法求解TSP问题 目录 蚁群算法求解TSP问题 (3) 摘要： (3) 关键词： (3) 一、引言 (3) 二、蚁群算法原理 (4) 三、蚁群算法解决ＴＳＰ问题 (7) 四、解决ｎ个城市的TSP问题的算法步骤 (9) 五、程序实现 (11) 六、蚁群算法优缺点分析及展望 (18) 七、总结 (18) 采用蚁群算法解决TSP问题 摘要：蚁群算法是通过蚂蚁觅食而发展出的一种新的启发算法，该算法已经成功的解决了诸如TSP问题。本文简要学习探讨了蚂蚁算法和TSP问题的基本内容，尝试通过matlab 仿真解决一个实例问题。 关键词：蚁群算法；TSP问题；matlab。 一、引言 TSP（Travelling Salesman Problem）又称货郎担或巡回售货员问题。TSP问题可以描述为：有N个城市，一售货员从起始城市出发，访问所有的城市一次，最后回到起始城市，求最短路径。TSP问题除了具有明显的实际意义外，有许多问题都可以归结为TSP问题。目前针对这一问题已有许多解法，如穷举搜索法（Exhaustive Search Method）, 贪心法（Greedy Method）, 动态规划法（Dynamic Programming Method）分支界定法（Branch-And-Bound），遗传算法（Genetic Agorithm）模拟退火法(simulated annealing),禁忌搜索。本文介绍了一种求解TSP问题的算法—蚁群算法，并通过matlab仿真求解50个城市之间的最短距离，经过仿真试验，证明是一种解决TSP问题有效的方法。 云计算资源池构建必须考虑的五个问题 近日，IDC发布最新中国云计算市场的研究报告。报告显示，2011年中国用户为建设云计算基础架构的投资已经达到2.86亿美元，同比增长42.0%。IDC 预计，中国云计算基础架构市场还将保持高速发展，到2016年其规模将超过10亿美元。可见，建设云计算基础架构已经成为许多企业的计划。 构建一个合理的资源池，是实现从传统的“烟囱式IT”迈向云计算基础架构的第一步。在传统的“烟囱式IT”基础架构中，应用和专门的资源捆绑在一起，为了应对少量的峰值负载，往往会过度配置计算资源，导致资源利用率低下，据统计，在传统的数据中心里，IT资源的平均利用率不到20%。 构建资源池也就是通过虚拟化的方式将服务器、存储、网络等资源全面形成一个巨大的资源池。云计算就是基于这样的资源池，通过分布式的算法进行资源的分配，从而消除物理边界，提升资源利用率，统一资源池分配。 图传统的“烟囱式”IT结构中，应用与固定的资源绑定 作为云计算的第一步，资源池的构建在实现云计算基础架构的过程中显得尤为重要，只有构建了合理的资源池，才能实现云计算的最终目的——按需动态分配资源。那么，在借助虚拟化手段构建资源池时，需要考虑哪些问题?通过与一 些已经或正在实施云计算的企业用户交流时发现，在搭建云计算资源池时，如下五个问题是必须要考虑的。当然，除了这些问题之外，还有其他需要考虑的问题，需要视情况而定。 底层软硬件平台的可靠性 要搭建虚拟资源池，首先需要具备物理的资源，然后通过虚拟化的方式形成资源池。一个物理服务器可以虚拟出几个甚至是几十个虚拟的服务器，每一个虚拟机都可以运行不同的应用和任务。 听到这里，可能很多用户都会感觉到某种危险性，要是这一个物理服务器崩溃了，那这个物理机上的所有虚拟机以及虚拟机上的应用都会受到影响甚至是崩溃(当然，可以去做实时的动态迁移，这是我们后面要谈到的话题)。这就好比是把许多鸡蛋放在一个篮子里，篮子破了，所有的鸡蛋都会摔碎。这对于许多连续性要求较高的用户来说，比如金融、电信等行业的用户，是无法接受的。 为了降低“鸡蛋”全部摔碎的风险，企业用户必须要保证“篮子”的质量。也就是硬件资源(服务器、存储、网络等)的安全性、稳定性。 民族证券信息部主任颜阳表示，“证券行业的核心业务对于业务连续性要求很高，一秒钟的中断都会带来巨大的损失，因此，在搭建资源池的时候，必须要考虑到硬件平台的可靠性”。 资源粒度最小化 “医疗信息化是配合业务流程的，比较复杂，并且跟人的生命健康息息相关，因此云计算平台的安全性十分重要，我们希望把每个元素都放到最小的粒度，打造出与业务流程十分契合的医疗云平台”，首都医科大学附属北京儿童医院信息中心主任孙宏国表示。 云计算的资源分配现状 云计算的资源分配是指在一个共同的云环境中使用者根据一定是使用规则来调度资源的过程。目前云计算资源调度的研究主要集中在三个方面: (1)人工智能算法 人工智能算法是指以学习的方式对解空间进行人工搜索，以减少任务的平均时间，提高资源的利用率 (2)云计算的负载均衡 不同的用户对云计算有不同的需求，云计算必须满足服务器网络带宽、吞吐量、延迟和抖动等负载需求。因此，在进行云计算时，更应该注意云计算的负载均衡。 (3)云计算的能耗管理 数据中心作为云计算的中心，能耗过大，不仅浪费电能，还会降低系统的稳定性，影响环境。因此，加强云计算能耗管理也是云计算资源配置中需要解决的重要问题。 本章小结 本章对于多目标优化、遗传算法、SPEA-II做出了详细的基础知识介绍，通过数学模型以及流程图对于该问题进行了解析分析。通过此小结可大致了解多目标问题的优劣端以及如何利用遗传算法和SPEA-II进行修饰，避免局部最优解，从而获得优秀的目标最优解集。 基于改进 SPEA-II动态资源配置 资源调度方案的实现 通过分组编码和多目标优化模型可知，根据遗传算法在交叉和突变阶段提出的TMR，便可以指出基因的类型及其在染色体上的分布。选择已经分层的Pareto前沿时，使用预筛选操作来维持种群分布的均匀性。当达到一定的进化代数时，上一代种群中平均功耗最低的个体被输出。 MOGAISP可以采用自适应概率突变和交叉概率突变进行遗传操作,以帮助我们防止遗传算法进化的过程陷入局部停滞的状态,保持遗传算法种群的多样性,提高了遗传算法进化和全局最优搜索的速度和能力。MOGAISP选择机制选择EFP种群的最优个体，使EFP种群中的个体尽可能均匀地分布在多维目标空间中，从而减少进化过程中陷入局部最优的可能性。通过改进轮盘赌注的选择策略从EFP种群中随机选择遗传的子代，尽量避免仅选择较优个体进行遗传而陷入局部最优解的缺陷，以提高遗传个体的种群多样性和加速遗传算法的全局搜索能力和速度进化。 TMR规则 物理节点上的虚拟机迁移过程可以被视为一个包装的问题，将项目（虚拟机）的合理的装入每个盒子（物理节点）中，项目的大小代表了资源使用的虚拟机大小,容量的盒子是使用资源物理节点阈值,每个负载都会对应一个资源调度方案。本设计所涉及的物理节点的资源为CPU，因此建立了虚拟机的折线图如图3.1所示。 从图中可以看出，横坐标为CPU，纵坐标为容量，即资源大小。由于不同的应用程序和不同类型的资源对所需要的应用程序的需求不同，当4台虚拟机在物理节点上运行时，不同纬度的节点资源呈现下降趋势，但下降程度不同。 多目标优化模型的建立 物理节点 物理网络节点是一个连接到网络的有源的电子设备，是可以通过通信通道发送、接收或转发信息。而在优化模型中，物理节点的多少是一个重要的参考点。本文用0，1的二维矩阵来模拟单个物理节点在每一时刻每一个虚拟机的位置。0表示每一时刻每一 基于蚁群算法的机器人路径规划MATLAB源代码 基本思路是，使用离散化网格对带有障碍物的地图环境建模，将地图环境转化为邻接矩阵，最后使用蚁群算法寻找最短路径。 function [ROUTES,PL,Tau]=ACASPS(G,Tau,K,M,S,E,Alpha,Beta,Rho,Q) %% --------------------------------------------------------------- % ACASP.m % 基于蚁群算法的机器人路径规划 % GreenSim团队——专业级算法设计&代写程序 % 欢迎访问GreenSim团队主页→https://www.360docs.net/doc/e6330619.html,/greensim %% --------------------------------------------------------------- % 输入参数列表 % G 地形图为01矩阵，如果为1表示障碍物 % Tau 初始信息素矩阵（认为前面的觅食活动中有残留的信息素） % K 迭代次数（指蚂蚁出动多少波） % M 蚂蚁个数（每一波蚂蚁有多少个） % S 起始点（最短路径的起始点） % E 终止点（最短路径的目的点） % Alpha 表征信息素重要程度的参数 % Beta 表征启发式因子重要程度的参数 % Rho 信息素蒸发系数 % Q 信息素增加强度系数 % % 输出参数列表 % ROUTES 每一代的每一只蚂蚁的爬行路线 % PL 每一代的每一只蚂蚁的爬行路线长度 % Tau 输出动态修正过的信息素 %% --------------------变量初始化---------------------------------- %load D=G2D(G); N=size(D,1);%N表示问题的规模（象素个数） MM=size(G,1); a=1;%小方格象素的边长 Ex=a*(mod(E,MM)-0.5);%终止点横坐标 if Ex==-0.5 Ex=MM-0.5; end Ey=a*(MM+0.5-ceil(E/MM));%终止点纵坐标 Eta=zeros(1,N);%启发式信息，取为至目标点的直线距离的倒数 %下面构造启发式信息矩阵 for i=1:N 智能控制之蚁群算法 1引言 进入21世纪以来，随着信息技术的发展，许多新方法和技术进入工程化、产品化阶段，这对自动控制技术提出新的挑战，促进了智能理论在控制技术中的应用，以解决用传统的方法难以解决的复杂系统的控制问题。随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛。 智能控制技术的主要方法有模糊控制、基于知识的专家控制、神经网络控制和集成智能控制等,以及常用优化算法有:遗传算法、蚁群算法、免疫算法等。 蚁群算法是近些年来迅速发展起来的，并得到广泛应用的一种新型模拟进化优化算法。研究表明该算法具有并行性，鲁棒性等优良性质。它广泛应用于求解组合优化问题，所以本文着重介绍了这种智能计算方法，即蚁群算法，阐述了其工作原理和特点，同时对蚁群算法的前景进行了展望。 2 蚁群算法概述 1、起源 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 Deneubourg及其同事(Deneubourg et al.,1990; Goss et al.,1989)在可监控实验条件下研究了蚂蚁的觅食行为，实验结果显示这些蚂蚁可以通过使用一种称为信息素的化学物质来标记走过的路径，从而找出从蚁穴到食物源之间的最短路径。 在蚂蚁寻找食物的实验中发现，信息素的蒸发速度相对于蚁群收敛到最短路径所需的时间来说过于缓慢，因此在模型构建时，可以忽略信息素的蒸发。然而当考虑的对象是人工蚂蚁时，情况就不同了。实验结果显示，对于双桥模型和扩展双桥模型这些简单的连接图来说，同样不需要考虑信息素的蒸发。相反，在更复杂的连接图上，对于最小成本路径问题来说，信息素的蒸发可以提高算法找到好解的性能。 2、基于蚁群算法的机制原理 模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能模式引入的，该算法基于如下假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根据其周围的环境作出反应，也只对其周围的局部环境产生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基因生物，蚂蚁的行为实际上是其基因的自适应表现，即蚂蚁是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境作出独立选择；在群体水平上，单 端盖加工工艺规程规划研究 双螺杆压缩机在机械工业中被推广应用，具有较大的市场需求，故面 对市场需求的增加，需对产品加工工艺规程合理编排，在保证产品工 艺稳定性基础上提升产品产量。此问题属于机械加工过程中的加工工 艺规程规划问题。加工工艺规程规划问题直接影响零件的加工成本， 并影响零件的工艺稳定性。当前针对加工工艺规程规划问题中合理的 加工工艺序列的编制问题，已有较多人实行研究：文献［1］通过引进 了工艺约束矩阵从而实现对加工序列的合法性识别，综合考虑了降低 装夹次数与工序转换次数，并通过采用遗传算法求解此问题，得到实 用结果;文献［2］则通过建立工艺要素之间的质量相关性并以此建立 一个机床-夹具-刀具-加工方式之间的工艺系统，通过度析所有可能影 响工艺质量的分要素并研究不同质量要素之间的约束关系从而分析出 改进零件工艺质量所需的投入成本;文献［3-4］分别采用与车间资源 匹配最优和加工工序之间关联性较优的方法实行工艺加工路线的选择，取得了一定效果;文献［5］则对加工过程中刀具的空行程路径实行了 规划，采用启发式-遗传混合算法求解取得较好效果;文献［6］则通过 对叶片加工过程中的整个机床系统建立数学约束条件，对叶片各工序 加工时间实行优化从而降低了整体加工成本;文献［7-9］采用遗传算 法对加工工步的排序问题实行研究，从而降低整体加工时间或降低辅 助加工时间。但以上研究均未考虑到当前实际生产中将工序集合归并 为工位的工艺组织方式，并未考虑工位之间的加工效率平滑因素(平滑 因素即工位之间加工时间的平衡性)对实际产量的影响，而当前加工制 造业利润空间增长有限，研究高效率的加工工艺规程规划方案成为紧 迫问题。故本文的研究重点在于为零件所有加工元素所对应的工序实 行归属工位的划分，在工序划分时，需以加工工步间先后关系为约束 条件，以产生逻辑合理、工位间平衡率较高的工位划分方案为目标。 此问题与装配线平衡问题有相似的优化目标，但需考虑零件的加工工 艺约束，称此问题为工艺优化平衡问题(ProcessBalanceOpti- 各地云计算中心建设项目可行性研究报告5篇 各地云计算中心建设项目可行性研究报告1 编制单位：北京智博睿投资咨询有限公司本报告是针对行业投资可行性研究咨询服务的专项研究报告，此报告为个性化定制服务报告，我们将根据不同类型及不同行业的项目提出的具体要求，修订报告目录，并在此目录的基础上重新完善行业数据及分析内容，为企业项目立项、申请资金、融资提供全程指引服务。可行性研究报告是在招商引资、投资合作、政府立项、银行贷款等领域常用的专业文档，主要对项目实施的可能性、有效性、如何实施、相关技术方案及财务效果进行具体、深入、细致的技术论证和经济评价，以求确定一个在技术上合理、经济上合算的最优方案和最佳时机而写的书面报告。可行性研究是确定建设项目前具有决定性意义的工作，是在投资决策之前，对拟建项目进行全面技术经济分析论证的科学方法，在投资管理中，可行性研究是指对拟建项目有关的自然、社会、经济、技术等进行调研、分析比较以及预测建成后的社会经济效益。在此基础上，综合论证项目建设的必要性，财务的盈利性，经济上的合理性，技术上的先进性和适应性以及建设条件的可能性和可行性，从而为投资决策提供科学依据。投资可行性报告咨询服务分为政府审批核准用可行性研究报告和融资用可行性研究报告。审批核准用的可行性研究报告侧重关注项目的社会经济效益和影响；融资用报告侧重关注项目在经济上是否可行。具体概括为：政府立项审批，产业扶持，银行贷款， 融资投资、投资建设、境外投资、上市融资、中外合作，股份合作、组建公司、征用土地、申请高新技术企业等各类可行性报告。报告通过对项目的市场需求、资源供应、建设规模、工艺路线、设备选型、环境影响、资金筹措、盈利能力等方面的研究调查，在行业专家研究经验的基础上对项目经济效益及社会效益进行科学预测，从而为客户提供全面的、客观的、可靠的项目投资价值评估及项目建设进程等咨询意见。报告用途：发改委立项、政府申请资金、申请土地、银行贷款、境内外融资等第一章总论1.1大数据云计算中心项目概况1.1.1大数据云计算中心项目名称1.1.2建设性质1.1.3大数据云计算中心项目承办单位及负责人 1.1.4大数据云计算中心项目建设地点1.2大数据云计算中心项目设计目标1.3大数据云计算中心项目建设内容与规模1.4大数据云计算中心项目投资估算与资金筹措 1.4.1大数据云计算中心项目建设总投资1.4.2资金筹措1.5大数据云计算中心项目主要财务经济指标1.6可行性研究依据1.7研究范围第二章大数据云计算中心项目建设背景2.1宏观形势2.1.1地理、历史2.1.2交通2.2宏观经济运行2.2.1宏观经济发展（GDP发展）2.2.2固定资产投资情况2.2.3人均生产总值2.2.4人口变化2.3地区及行业的发展规划2.3.1城市总体规划（20xx—20xx）2.3.2城市近期建设规划第三章大数据云计算中心市场分析与市场定位 3.1大数据云计算中心市场分析3.1.1大数据云计算中心市场近况3.1.2大数据云计算中心市场划分3.1.3板块特征分析及小结3.1.4大数据云计算中心市场总结 3.1.5大数据云计算中心项目机会分析 3.2项目市场定位 蚁群算法最短路径通用Matlab程序（附图） function [ROUTES,PL,Tau]=ACASP(G,Tau,K,M,S,E,Alpha,Beta,Rho,Q) %% --------------------------------------------------------------- % ACASP.m % 蚁群算法动态寻路算法 % ChengAihua,PLA Information Engineering University,ZhengZhou,China % Email:aihuacheng@https://www.360docs.net/doc/e6330619.html, % All rights reserved %% --------------------------------------------------------------- % 输入参数列表 % G 地形图为01矩阵，如果为1表示障碍物 % Tau 初始信息素矩阵（认为前面的觅食活动中有残留的信息素） % K 迭代次数（指蚂蚁出动多少波） % M 蚂蚁个数（每一波蚂蚁有多少个） % S 起始点（最短路径的起始点） % E 终止点（最短路径的目的点） % Alpha 表征信息素重要程度的参数 % Beta 表征启发式因子重要程度的参数 % Rho 信息素蒸发系数 % Q 信息素增加强度系数 % % 输出参数列表 % ROUTES 每一代的每一只蚂蚁的爬行路线 % PL 每一代的每一只蚂蚁的爬行路线长度 % Tau 输出动态修正过的信息素 %% --------------------变量初始化---------------------------------- %load D=G2D(G); N=size(D,1);%N表示问题的规模（象素个数） MM=size(G,1); a=1;%小方格象素的边长 Ex=a*(mod(E,MM)-0.5);%终止点横坐标 if Ex==-0.5 Ex=MM-0.5; end Ey=a*(MM+0.5-ceil(E/MM));%终止点纵坐标 Eta=zeros(1,N);%启发式信息，取为至目标点的直线距离的倒数 %下面构造启发式信息矩阵 for i=1:N if ix==-0.5 人工智能研究报告 成员： E01214 祝激文 E01214 张荡荡 E01214116 潘学峰 E01214 贾鹏飞 基本信息 概念 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种挥发性分泌物pheromone (称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。 原理 设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，你要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物，其次，要让蚂蚁找到食物，就需要让他们遍历空间上的所有点；再次，如果要让蚂蚁找到最短的路径，那么需要计算所有可能的路径并且比较它们的大小，而且更重要的是，你要小心翼翼地编程，因为程序的错误也许会让你前功尽弃。这是多么不可思议的程序！太复杂了，恐怕没人能够完成这样繁琐冗余的程序。 然而，事实并没有你想得那么复杂，上面这个程序每个蚂蚁的核心程序编码不过100多行！为什么这么简单的程序会让蚂蚁干这样复杂的事情？答案是：简单规则的涌现。事实上，每只蚂蚁并不是像我们想象的需要知道整个世界的信息，他们其实只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。这就是人工生命、复杂性科学解释的规律！那么，这些简单规则是什么呢？ 问题 蚂蚁究竟是怎么找到食物的呢？在没有蚂蚁找到食物的时候，环境没有有用的信息素，那么蚂蚁为什么会相对有效的找到食物呢？这要归功于蚂蚁的移动规则，尤其是在没有信息素时候的移动规则。首先，它要能尽量保持某种惯性，这样使得蚂蚁尽量向前方移动（开始，这个前方是随机固定的一个方向），而不是原地无谓的打转或者震动；其次，蚂蚁要有一定的随机性，虽然有了固定的方向，但它也不能像粒子一样直线运动下去，而是有一个随机的干扰。这样就使得蚂蚁运动起来具有了一定的目的性，尽量保持原来的方向，但又有新的试探，尤其当碰到障碍物的时候它会立即改变方向，这可以看成一种选择的过程，也就是环境的障碍物让蚂蚁的某个方向正确，而其他方向则不对。这就解释了为什么单个蚂蚁在复杂的诸如迷宫的地图中仍然能找到隐蔽得很好的食物。 当然，在有一只蚂蚁找到了食物的时候，大部分蚂蚁会沿着信息素很快找到食物的。但不排除会出现这样的情况：在最初的时候，一部分蚂蚁通过随机选择了同一条路径，随着这条路径上蚂蚁释放的信息素越来越多，更多的蚂蚁也选择这条路径，但这条路径并不是最优（即最短）的，所以，导致了迭代次数完成后，蚂蚁找到的不是最优解，而是次优解，这种情况下的结果可能对实际应用的意义就不大了。 蚂蚁如何找到最短路径的？这一是要归功于信息素，另外要归功于环境，具体说是计算机时钟。信息素多的地方显然经过这里的蚂蚁会多，因而会有更多的蚂蚁聚集过来。假设有两条 云计算研究报告 1.云计算的产生与发展 (3) 1.1云计算由来 (3) 1.2推动云计算发展的动因 (4) 1.3云计算技术的发展现状 (7) 1.4云计算产业的发展现状 (8) 1.5日韩云计算的发展现状 (13) 2.云计算的发展趋势 (17) 2.1基于跨行业的开放标准 (17) 2.2公共服务平台的建设 (18) 3.当前云计算的优势与局限性 (19) 3.1云计算在终端用户领域的优势 (19) 3.2云计算在企业运营中的优势 (22) 3.3云计算和中小企业 (25) 3.4云计算中值得关注的问题 (26) 4.云计算的应用 (29) 4.1云计算的应用形式与服务内容 (29) 4.2云计算在存储领域的应用 (31) 4.3云安全 (35) 4.4云计算主要应用实例 (36) 5.公共服务平台中的云计算 (38) 5.1公共服务平台需要云计算 (38) 5.2云计算公共服务平台对产业链的拉动作用 (42) 5.3云计算在公共服务平台中的应用案例 (45) 6.云计算的知识产权问题 (47) 6.1云计算时代的技术垄断问题 (47) 6.2云计算时代的标准制定问题 (51) 6.3云计算时代的服务模式保护问题 (53) 6.4云计算时代的商业秘密保护问题 (54) 6.5云计算时代的软件产业保护问题 (55) 6.6云计算时代知识产权信息化服务新机遇 (58) 7.发展我国云计算的建议 (60) 7.1建立云计算技术联盟 (60) 7.2发展开源云计算技术，提升IDC服务能力。 (60) 7.3推动软件从传统商业模式逐渐向SaaS转型 (61) 7.4利用云计算整合公共服务平台中庞大的软硬件资源 (62) 7.5发展云安全，创造安全网络环境 (62) 附件：云计算基本概念和特点 (62) 1.云计算的基本概念 (63) 1.1狭义云计算 (63) 1.2广义云计算 (64) 2.云计算的特点 (67) 2.1超大规模 (67) 2.2虚拟化 (67) 2.3高可靠性 (67) 2.4通用性 (68) 2.5高可扩展性 (68) 2.6高度兼容性 (68) 云计算平台工程现状及需求分析 1.1. 项目意义及建设必要性 XX单位作为信息化建设持续居于全国前列的经济信息大省，对云计算的表现模式及其能够带来的经济效益表现出持续关注。本项目提出建设政务云计算平台，对于整合云资源、提高省直部门计算资源配置效率，建设重复信息化投资，打造绿色云，推动高新技术产业发展，都具有长远的现实意义。 （1）云计算是信息技术和产业发展的必然趋势 云计算是网格计算、分布式计算、虚拟化等传统计算机技术和网络技术发展融合的产物。它旨在通过网络把多个成本相对较低的计算实体整合成一个具有强大计算能力的完美系统，并借助SaaS、PaaS、IaaS、MSP等先进的商业模式把这强大的计算能力分布到终端用户手中。作为一种新兴技术和商业模式，云计算将加速信息产业和信息基础设施的服务化进程，催生大量新型互联网信息服务，带动信息产业和信息化建设格局的整体变革。加快云计算发展，不仅是我省提升数字XX综合竞争力、培育新增长点的重要途径，也是促进产业机构调整、率先实现跨越式发展的重要举措。 （2）县级XX是推动XX单位云计算应用的第一步 云计算是当今信息技术、信息化的战略制高点。当前，我省正在贯彻落实《国务院办公厅转发全国XX领导小组关于开展依托XX平台加强县级政府XX和政务服务试点工作意见的通知》，将县级XX作为推动XX单位云计算应用的第一步，在实践中摸索云计算为XX单位带来的新机遇，通过政府应用起到的示范和带动作用，促进全省信息化建设水平的提高，带动信息产业的发展，战略信息技术及产业的战略高地。 （3）提高政务部门计算资源配置效率，减少重复建设，节能减排 XX单位XX建设以来，全省部署了大量的业务应用系统，涉及海量的网络设备、服务器及存储设备。这些设备CPU 和内存利用率残差不齐，大多数较低，部分工作效率在20%以下，同时也有部分部门计算硬件资源极端匮乏。这样，不仅闲置了宝贵的计算资源，浪费了电力，不利于节能减排，又未能很好地解决资源匮乏部门的实际问题。如果将这些设备整合建设为云计算平台，服务器的利用效率将得到极大提升（40%~60%），能够动态、弹性、可回收地为各政务部门提供服务。 总之，云计算可望提高应用程序部署速度、促进创新和降低成本，同时还增强了业务运作的敏捷性。本项目对我省云计算的发展和应用具有带动、示范、服务、探索等多重作 MATLAB实现基于蚁群算法的机器人路径规划 1、问题描述 移动机器人路径规划是机器人学的一个重要研究领域。它要求机器人依据某个或某些优化原则(如最小能量消耗，最短行走路线，最短行走时间等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。机器人路径规划问题可以建模为一个有约束的优化问题，都要完成路径规划、定位和避障等任务。 2 算法理论 蚁群算法（Ant Colony Algorithm，ACA），最初是由意大利学者Dorigo M. 博士于1991 年首次提出，其本质是一个复杂的智能系统，且具有较强的鲁棒性，优良的分布式计算机制等优点。该算法经过十多年的发展，已被广大的科学研究人员应用于各种问题的研究，如旅行商问题，二次规划问题，生产调度问题等。但是算法本身性能的评价等算法理论研究方面进展较慢。 Dorigo 提出了精英蚁群模型（EAS），在这一模型中信息素更新按照得到当前最优解的蚂蚁所构造的解来进行，但这样的策略往往使进化变得缓慢，并不能取得较好的效果。次年Dorigo 博士给出改进模型（ACS），文中改进了转移概率模型，并且应用了全局搜索与局部搜索策略，来得进行深度搜索。Stützle 与Hoos给出了最大-最小蚂蚁系统（MAX-MINAS），所谓最大-最小即是为信息素设定上限与下限，设定上限避免搜索陷入局部最优，设定下限鼓励深度搜索。蚂蚁作为一个生物个体其自身的能力是十分有限的，比如蚂蚁个体是没有视觉的，蚂蚁自身体积又是那么渺小，但是由这些能力有限的蚂蚁组成的蚁群却可以做出超越个体蚂蚁能力的超常行为。蚂蚁没有视觉却可以寻觅食物，蚂蚁体积渺小而蚁群却可以搬运比它们个体大十倍甚至百倍的昆虫。这些都说明蚂蚁群体内部的某种机制使得它们具有了群体智能，可以做到蚂蚁个体无法实现的事情。经过生物学家的长时间观察发现，蚂蚁是通过分泌于空间中的信息素进行信息交流，进而实现群体行为的。 下面简要介绍蚁群通过信息素的交流找到最短路径的简化实例。如图2-1 所示，AE 之间有两条路ABCDE 与ABHDE，其中AB，DE，HD，HB 的长度为1，BC，CD 长度为0.5，并且，假设路上信息素浓度为0，且各个蚂蚁行进速度相同，单位时间所走的长度为1，每个单位时间内在走过路径上留下的信息素的量也相同。当t=0时，从A 点，E 点同时各有30 只蚂蚁从该点出发。当t=1，从A 点出发的蚂蚁走到B 点时，由于两条路BH 与BC 上的信息素浓度相同，所以蚂蚁以相同的概率选择BH 与BC，这样就有15 只蚂蚁选择走BH，有15 只蚂蚁选择走BC。同样的从E 点出发的蚂蚁走到D 点，分别有15 只蚂蚁选择DH 和DC。当t=2 时，选择BC 与DC的蚂蚁分别走过了BCD 和DCB，而选择BH 与DH 的蚂蚁都走到了H 点。所有的蚂蚁都在所走过的路上留下了相同浓度的信息素，那么路径BCD 上的信息素的浓度是路径BHD 上信息素浓度的两倍，这样若再次有蚂蚁选择走BC 和BH 时，或选择走DC 与DH 时，都会以较大的概率选择信息素浓度高的一边。这样的过程反复进行下去，最短的路径上走过的蚂蚁较多，留下的信息素也越多，蚁群这样就可以找到一条较短的路。这就是它们群体智能的体现。 蚁群算法就是模拟蚂蚁觅食过程中可以找到最短的路的行为过程设计的一种仿生算法。在用蚁群算法求解组合优化问题时，首先要将组合优化问题表达成与信息素相关的规范形式，然后各个蚂蚁独立地根据局部的信息素进行决策构造解，并根据解的优劣更新周围的信息素，这样的过程反复的进行即可求出组合优化问题的优化解。 归结蚁群算法有如下特点： （1）分布式计算：各个蚂蚁独立地构造解，当有蚂蚁个体构造的解较差时，并不会影响整体的求解结果。这使得算法具有较强的适应性； （2）自组织性：系统学中自组织性就是系统的组织指令是来自系统的内部。同样的蚁 云计算部署模型 胡经国 本文作者的话 本文是根据有关文献和资料编写的《漫话云计算》系列文稿之一。现作为云计算学习笔录，奉献给云计算业外读者，作为进一步学习和研究的参考。希望能够得到大家的指教和喜欢！ 下面是正文 一、云计算的四种部署模型概述 1、解读一 云计算有四种部署模型，每一种都具备独特的功能，满足用户不同的需求。 ⑴、公有云 在这种部署模型下，应用程序、资源、存储和其他服务，都由云服务供应商来提供给用户。这些服务多半都是免费的；也有部分按需按使用量来付费。这种部署模型只能使用互联网来访问和使用。同时，它在私人信息和数据保护方面也比较有保证。它通常都可以提供可扩展的云服务，并能高效设置。 ⑵、私有云 这种部署模型的云计算基础设施专门为某一个企业服务；不管是自己管理还是第三方管理，自己负责还是第三方托管，都没有关系。只要使用的方式没有问题，就能为企业带来很显著的帮助。不过，这种部署模型所要面临的是，纠正、检查等安全问题，则需企业自己负责；否则除了问题也只能自己承担后果。此外，整套系统也需要自己出钱购买、建设和管理。这种部署模型，可以非常广泛地产生正面效益。从该部署模型的名称也可看出，它可以为所有者提供具备充分优势和功能的服务。 ⑶、社区云 这种部署模型是建立在一个特定的小组里多个目标相似的公司之间的。它们共享一套基础设施，企业也像是共同前进。所产生的成本，由它们共同承担。因此，所能实现的成本节约效果，也并不很大。社区云的成员，都可以登入云中获取信息和使用应用程序。 ⑷、混合云 混合云是两种或两种以上的云计算部署模型的混合体，如公有云和私有云混合。它们相互独立，但在云的内部又相互结合；可以发挥出所混合的多种云 云计算和大数据中心项目可行性研究报告 中咨国联出品 目录 第一章总论 (9) 1.1项目概要 (9) 1.1.1项目名称 (9) 1.1.2项目建设单位 (9) 1.1.3项目建设性质 (9) 1.1.4项目建设地点 (9) 1.1.5项目负责人 (9) 1.1.6项目投资规模 (10) 1.1.7项目建设规模 (10) 1.1.8项目资金来源 (12) 1.1.9项目建设期限 (12) 1.2项目建设单位介绍 (12) 1.3编制依据 (12) 1.4编制原则 (13) 1.5研究范围 (14) 1.6主要经济技术指标 (14) 1.7综合评价 (16) 第二章项目背景及必要性可行性分析 (18) 2.1项目提出背景 (18) 2.2本次建设项目发起缘由 (20) 2.3项目建设必要性分析 (20) 2.3.1促进我国云计算和大数据中心产业快速发展的需要 (21) 2.3.2加快当地高新技术产业发展的重要举措 (21) 2.3.3满足我国的工业发展需求的需要 (22) 2.3.4符合现行产业政策及清洁生产要求 (22) 2.3.5提升企业竞争力水平，有助于企业长远战略发展的需要 (22) 2.3.6增加就业带动相关产业链发展的需要 (23) 2.3.7促进项目建设地经济发展进程的的需要 (23) 2.4项目可行性分析 (24) 2.4.1政策可行性 (24) 2.4.2市场可行性 (24) 2.4.3技术可行性 (24) 2.4.4管理可行性 (25) 2.4.5财务可行性 (25) 2.5云计算和大数据中心项目发展概况 (25) 2.5.1已进行的调查研究项目及其成果 (26) 2.5.2试验试制工作情况 (26) 2.5.3厂址初勘和初步测量工作情况 (26)云计算项目iaas项目可行性研究报告
云计算资源需求分析报告与规划
自动分拣系统开题报告解析
光环新网房山绿色云计算基地项目建设可行性研究报告
计算智能大作业--蚁群算法解决TSP问题
云计算资源池的构建讲课稿
云计算的资源分配现状
基于蚁群算法的MATLAB实现
蚁群算法综述
端盖加工工艺规程规划研究
各地云计算中心建设项目可行性研究报告5篇
蚁群算法最短路径通用Matlab程序(附图)
人工智能研究报告
(强烈推荐)云计算可行性研究报告
云计算平台工程现状及需求分析
基于蚁群算法的路径规划
云计算部署模型
云计算和大数据中心项目可行性研究报告申请报告编写范文