论文部分内容阅读
随着全球气候变暖、能源供应紧张等问题的出现,互联网数据中心的节能减排问题受到了前所未有的关注。当前人类环境保护意识的提高和可持续发展战略的实施,数据中心产生的巨大能耗带来的环保问题逐渐成为工业界和学术界共同关注的话题。数据中心的服务器等基础设备的投资规模也在飞速增长,相应的能耗费用成为影响企业收益的重要因素。因此,数据中心运营商在保证一定运营收益的前提下,研究通过合理任务调度来降低能耗,减少排放具有重要社会和经济意义。论文将降低数据中心能耗,改善服务收益作为优化目标,将数据中心任务调度问题映射为一个多目标优化问题,并通过改进的多目标粒子群算法求解帕累托最优解。论文主要工作如下:1.在分析数据中心的任务调度目标和特点基础之上,比较了现有任务调度算法的优缺点。在考虑数据中心作为服务提供商的能耗和收益目标的基础上,构建数据中心任务调度能耗模型和收益模型。2.设计多目标粒子群改进算法,在外部档案的更新方法上提出一种新的策略,采用一种基于遗传算法中的变异算子的操作,通过变异算子可使精英解集交换有用的基因片段,以此来提高外部档案内Pareto最优解集的多样性,防止算法后期陷入局部最优解;在采用Sigma方法的基础上引入拥挤距离的求解算法,对全局最优粒子的选取策略进行改进,并采用Pareto支配关系来选择最优解,以提高算法的收敛性和最优解集的多样性。3.在Matlab环境下选取ZDT和DTLZ两种标准实验测试函数集,与经典的NSGA-II优化算法和传统的多目标粒子群算法进行对比分析,通过比较算法的收敛性指标、分布性指标以及时间指标来验证算法的有效性。基于CloudSim开源仿真器进行研究,分别对改进的多目标粒子群算法、经典的NSGA-Ⅱ和传统的多目标粒子群算法在基于多目标优化的数据中心任务调度问题中进行仿真实验,通过能耗和收益结果来验证算法的实用性。通过对Matlab实验仿真结果进行对比分析,本文提出的改进算法在降低运行时间的同时,保证了算法种群粒子的多样性和算法的收敛性,进而可以更准确的找到多目标优化问题的最优解集:通过对CloudSim开源仿真器实验结果分析,改进后的算法在数据中心任务调度的能耗和收益目标上都有更好的表现。