以云計算資源為基礎實現粒子群算法的優化

文/張樂

在多目標有可能出現沖突的情況下，要想能夠實現多面綜合的優化，就實現了云計算資源下動態調度管理，之后實現粒子群算法改進及RBF神經網絡的設計，全面考慮虛擬機性能、應用性能、用戶服務質量。通過實驗結果表示，本文所研究的算法和傳統算法相比，其能夠實現多目標的優化。

1 云計算資源中動態調度管理機制

在通信及計算機網絡中，服務主要包括區分服務和集成服務。區分服務的主要目的就是結節網絡中服務質量問題，利用此概念，將其含義擴展到一不同服務等級協議實現用戶服務質量的區分。那么就利用以下場景，實現以HDFS為基礎的云計算動態調度管理機制。

2 基于云計算資源的粒子群算法及RBF神經網絡

2.1 RBF神經網絡

RBF神經網絡屬于三層前饋神經網絡，圖3為RBF神經網絡的架構，其主要思想就是使徑向基函數成為隱單元基，創建隱含層空間，從而實現輸入矢量變換，將低維模式輸入數據到高維空間中轉換，從而實現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神經網絡主要包括隱含層、輸入層及輸出層，各層節點數量分別為h、n、m，輸入向量表示為X=[x1，x2，...，xn]T。其中網絡中的隱含層輸出值得就是徑向基函數輸出，其主要根據輸入矢量和徑向基函數中心距離實現，徑向基函數使用高斯函數，公式為：

表2：對比結果

輸出層的主要目的就是調整線性權值，使用線性優化策略，所以其學習速度比較快，使輸出為F（Xi）， 那么：

2.2 改進的粒子群算法

一個粒子群主要包括m個例子構成，其中每個例子位置都表示優化維搜索空間中的解，例子在對自身狀態更新的過程中要保持自身慣性，并且要根據群體最優位置對狀態進行改變。一般粒子群優化算法的數學描述都是假如在n維搜索空間中，通過m例子創建種群x=（x1，x2，...，xn）T，那么i個粒子的位置就 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自身位置及速度進行更新。

2.3 引入慣性權重因子

為了能夠使粒子群算法計算精度及收斂速度進一步的改進，可以將慣性權重因子引入到粒子群算法公式中，成為以下公式：

圖1：RBF神經網絡的收斂參數

圖2：優化之后的收斂曲線

圖3：網絡輸出和目標值的對比

其中的w值表示POS算法搜索的步長，如果w值較大，那么就能夠促進跳出局部極小點，從而實現全部尋優。如果w值較小，能夠促進局部尋優，促進算法的收斂。為了方便，本文將w從0.9減少到0.4的時候，此算法就是標準的PSO算法，為了能夠降低計算量，使搜索方向啟發性得到進一步的提高，那么就實現以目標函數為基礎的關心權重因子動態調整的方法，w的變化為：

2.4 基于粒子群實現多目標優化

改進粒子群算法是以魚群、鳥群的模擬為基礎，利用個體之間的相互協助，能夠實現個體與全局的最優信息進行記憶，種群中的每個例子就表示等待優化目標問題的可能解。本文根據粒子群算法操作及實現較為簡單的特點，實現RBF神經網絡參數與連接權重優化，并且在優化之后實現RBF神經網絡云計算應用資源需求預測，RBF神經網絡的優化過程為：

（1）首先設置粒子群粒子維度空間與RBF神經網絡映射參數。粒子群算法中的粒子緯度和RBF神經網絡參數值相互對應。

（2）設置RBF均方誤差屬于粒子群算法中適應度的函數，在使串碼映射作為個體表達的過程中，也能夠實現網絡參數優化，實現訓練的優化能夠得到最小均方誤差連接權值。

（3）使RBF連接權值參數編碼作為實數向量，并且作為種群個體進行表示之后迭代。將算法迭代的過程個體向量還原成為RBF權值，之后設置參數，并且對RBF均方誤差進行計算。在誤差精度為指定參數的基礎上對RBF均方誤差進行計算，在誤差精度滿足指定規定迭代數量的時候就停止。

3 算法有效性的驗證

為了對改進例子群算法進行驗證，使用MATLAB軟件神經網絡工具箱實現神經網絡仿真實驗。本文所收集的數據為不同云計算平臺的需求量，數據一共有150個，抽取100個訓練，訓練三十次，從而實現樣本對比。圖1為RBF神經網絡的收斂參數，圖2為優化之后的收斂曲線，圖3為網絡輸出和目標值的對比。通過圖1，圖2，圖3可以看出來，改進算法能夠在短時間內縮小誤差，提高收斂效果。圖3的實線屬于目標值，虛線屬于網絡實際輸出值，實驗仿真的結果能夠將此模型有效性充分的展現出來，從而作為輸入實際測量數據實現參考。

并且本文還選擇三種常用標準測試函數對改進算法性能進行測試，并且和粒子群算法性能進行對比，表1為測試函數的參數設置，表2為測試的結果，通過表2可以看出來，改進算法平均適應度比粒子群算法要優。