时间:2024-05-04
文/张乐
在多目标有可能出现冲突的情况下,要想能够实现多面综合的优化,就实现了云计算资源下动态调度管理,之后实现粒子群算法改进及RBF神经网络的设计,全面考虑虚拟机性能、应用性能、用户服务质量。通过实验结果表示,本文所研究的算法和传统算法相比,其能够实现多目标的优化。
在通信及计算机网络中,服务主要包括区分服务和集成服务。区分服务的主要目的就是结节网络中服务质量问题,利用此概念,将其含义扩展到一不同服务等级协议实现用户服务质量的区分。那么就利用以下场景,实现以HDFS为基础的云计算动态调度管理机制。
RBF神经网络属于三层前馈神经网络,图3为RBF神经网络的架构,其主要思想就是使径向基函数成为隐单元基,创建隐含层空间,从而实现输入矢量变换,将低维模式输入数据到高维空间中转换,从而实现低维空间中线性不可分问题能够在高维空间中变得可分。RBF神经网络主要包括隐含层、输入层及输出层,各层节点数量分别为h、n、m,输入向量表示为X=[x1,x2,...,xn]T。其中网络中的隐含层输出值得就是径向基函数输出,其主要根据输入矢量和径向基函数中心距离实现,径向基函数使用高斯函数,公式为:
表2:对比结果
输出层的主要目的就是调整线性权值,使用线性优化策略,所以其学习速度比较快,使输出为F(Xi), 那么:
一个粒子群主要包括m个例子构成,其中每个例子位置都表示优化维搜索空间中的解,例子在对自身状态更新的过程中要保持自身惯性,并且要根据群体最优位置对状态进行改变。一般粒子群优化算法的数学描述都是假如在n维搜索空间中,通过m例子创建种群x=(x1,x2,...,xn)T,那么i个粒子的位置就 是xi=(xi,1,xi,2,...,xi,n)T,种 群 全 局极值表示Pg(Pg,1,Pg,n,...Pg,n,),在粒子寻找上述值之后,就能够通过以下公式对自身位置及速度进行更新。
为了能够使粒子群算法计算精度及收敛速度进一步的改进,可以将惯性权重因子引入到粒子群算法公式中,成为以下公式:
图1:RBF神经网络的收敛参数
图2:优化之后的收敛曲线
图3:网络输出和目标值的对比
其中的w值表示POS算法搜索的步长,如果w值较大,那么就能够促进跳出局部极小点,从而实现全部寻优。如果w值较小,能够促进局部寻优,促进算法的收敛。为了方便,本文将w从0.9减少到0.4的时候,此算法就是标准的PSO算法,为了能够降低计算量,使搜索方向启发性得到进一步的提高,那么就实现以目标函数为基础的关心权重因子动态调整的方法,w的变化为:
改进粒子群算法是以鱼群、鸟群的模拟为基础,利用个体之间的相互协助,能够实现个体与全局的最优信息进行记忆,种群中的每个例子就表示等待优化目标问题的可能解。本文根据粒子群算法操作及实现较为简单的特点,实现RBF神经网络参数与连接权重优化,并且在优化之后实现RBF神经网络云计算应用资源需求预测,RBF神经网络的优化过程为:
(1)首先设置粒子群粒子维度空间与RBF神经网络映射参数。粒子群算法中的粒子纬度和RBF神经网络参数值相互对应。
(2)设置RBF均方误差属于粒子群算法中适应度的函数,在使串码映射作为个体表达的过程中,也能够实现网络参数优化,实现训练的优化能够得到最小均方误差连接权值。
(3)使RBF连接权值参数编码作为实数向量,并且作为种群个体进行表示之后迭代。将算法迭代的过程个体向量还原成为RBF权值,之后设置参数,并且对RBF均方误差进行计算。在误差精度为指定参数的基础上对RBF均方误差进行计算,在误差精度满足指定规定迭代数量的时候就停止。
为了对改进例子群算法进行验证,使用MATLAB软件神经网络工具箱实现神经网络仿真实验。本文所收集的数据为不同云计算平台的需求量,数据一共有150个,抽取100个训练,训练三十次,从而实现样本对比。图1为RBF神经网络的收敛参数,图2为优化之后的收敛曲线,图3为网络输出和目标值的对比。通过图1,图2,图3可以看出来,改进算法能够在短时间内缩小误差,提高收敛效果。图3的实线属于目标值,虚线属于网络实际输出值,实验仿真的结果能够将此模型有效性充分的展现出来,从而作为输入实际测量数据实现参考。
并且本文还选择三种常用标准测试函数对改进算法性能进行测试,并且和粒子群算法性能进行对比,表1为测试函数的参数设置,表2为测试的结果,通过表2可以看出来,改进算法平均适应度比粒子群算法要优。
我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理! 部分文章是来自各大过期杂志,内容仅供学习参考,不准确地方联系删除处理!