【技术实现步骤摘要】
本专利技术涉及云计算和机器学习领域的，尤其涉及一种基于粒子群算法的一键数据中心智能布局方法。
技术介绍
1、在当前的数据中心管理中，智能化布局和资源优化调度是提升效率和降低成本的关键。随着云计算、大数据和人工智能技术的快速发展，数据中心面临着处理能力需求急剧增加的挑战。这些技术的应用促使数据中心必须优化其资源配置，确保高效率的数据处理和最小化的能源消耗。为了达到这一目标，需要采用高级算法和策略进行数据中心的布局和资源调度。
2、传统的数据中心管理主要依靠经验和简单的规则进行资源分配，这种方法在处理复杂的网络结构和动态变化的负载需求时往往显得力不从心。例如，虚拟机的分配和迁移决策常常基于预设的规则，无法实时反映出数据中心的当前状态和未来趋势。此外，由于缺乏有效的全局管理视角，传统方法也难以对数据中心内部的设备节点进行优化配置，使得资源利用率低下，能源浪费严重。
3、且目前已有的云数据中心的虚拟机调度方法存在能耗高、负载不平衡、资源利用率低等问题。虽然存在众多算法，能够在一定程度上减少了云中心的能耗，但是仍然存在一些不足，一方面是随着设备的不断更新、规模的扩大，现有的移动云计算的虚拟机调度方法不能满足现在的需求，不能满足大规模的虚拟机调度需求；另一方面，现有的虚拟机调度策略，大多数都考虑的不全面，或者仅是从一个方面的不同角度考虑，如仅考虑cpu能耗而不考虑其他部件的能耗问题。
技术实现思路
1、有鉴于此，本专利技术提供一种基于粒子群算法的一键数据中心智能布局方法
2、实现上述目的，本专利技术提供的一种基于粒子群算法的一键数据中心智能布局方法，包括以下步骤：
3、s1：根据数据中心内各设备节点的连通关系及权重，构建数据链路集对称矩阵，通过aoe有向无环图网进行表示；
4、s2：对数据链路集通过聚类算法划分为多个聚类中心数据集；
5、s3：结合aoe有向无环图网分别对多个聚类中心数据集进行修正，得到对应的聚类族子数据链路集；
6、s4：根据各聚类族子数据链路集的平衡性指标，构建对应的隶属度函数；
7、s5：获取各聚类族子数据链路集的共性能耗影响参数，结合约束条件，
8、建立多目标优化的子虚拟机调度模型；
9、s6：基于改进粒子群算法对多目标优化问题进行求解，获得最优子解，
10、该最优子解即为对应的虚拟机调度方案；
11、s7：对不同数据集的子模型进行融合，利用信息融合算法综合不同数据集的最优子解对不同数据集的子检测模型进行检测链构建，实现对全局最终的虚拟机调度方案的最优检测。
12、作为本专利技术的进一步改进方法：
13、可选地，所述s1步骤中根据数据中心内各设备节点的连通关系及权重，构建数据链路集对称矩阵，通过aoe有向无环图网进行表示，包括：
14、s11：对于数据中心内的各数据节点ii，通过数据传输程序，判断数据从发送点到数据接收点是否有连通路径，其中，i为节点序号，0<i≤n，n为节点总数；
15、s12：对于有连通路径的节点使用1表示，对于没有连通路径的节点使用0表示，构建n阶的对称矩阵b；
16、s13：根据对称矩阵b筛选连通路径所经过的传输途径，结合所述权重构建aoe有向无环图网。
17、作为本专利技术的进一步改进方法：
18、可选地，所述s3步骤中结合aoe有向无环图网分别对多个聚类中心进行修正，得到对应的聚类族子数据链路集，包括：
19、s31：获取各聚类中心数据集的邻域集合p(pi)＝[p1…pk]，其中，k为邻域集合中节点的个数，o为聚类中心；
20、s32：计算邻域集合中的数据点pi与聚类中心o点之间的连通距离lp-o，计算邻域集合中的数据点pi与相邻点pi'之间的连通距离lp-p'；
21、s33：计算数据点pi的局部异常识别指数lof p-p'(pi)，计算公式为：
22、
23、其中：
24、p(pi)表示数据点pi的邻域集合；
25、lp-p'表示数据点pi到其近邻点的距离；
26、lp-o表示数据点pi到聚类中心o的距离；
27、lof p-p′(pi)表示数据点pi的局部异常识别指数；
28、s34：若局部异常识别指数超过指定阈值，则判别数据点pi为异常数据点，不加入对应的聚类族子数据链路集；若局部异常识别指数没有超过指定阈值，则判别数据点pi为非异常数据点，加入对应的聚类族子数据链路集。
29、作为本专利技术的进一步改进方法：
30、可选地，所述s4步骤中根据各聚类族子数据链路集的平衡性指标，构建对应的隶属度函数，包括：
31、s41：若所述aoe有向无环图网中每两个顶点之间的连通路径存在，根据所述每两个存储节点之间的权重g(i,j)，确定每两个顶点之间边对应的消耗代价pcov；
32、其中，若所述aoe有向无环图网中每两个顶点之间的连通路径存在，则得到对应的占有系数p(i,j)为1，若所述aoe有向无环图网中每两个顶点之间的连通路径不存在，则得到对应的占有系数p(i,j)为0；
33、s42：计算每两个顶点之间边对应的消耗代价pcov，包括：
34、根据聚类族子数据链路集确定对应的子对称矩阵zm×n，其中每个位点的位置为sij，计算公式为：
35、sij＝(xij,yij)；
36、
37、其中，m、n分别为子对称矩阵zm×n的行数、列数；
38、s43：根据消耗代价pcov确定子模型的类型，构建对应的评价函数，包括：
39、
40、
41、其中，a1、a2为模型所属的类型；
42、s44：根据评价函数判断各子模型所属的类型，进而对多目标函数进行处理，优化各子模型，包括：如果子模型属于a1类型，则增大该子模型每个指标的重要程度；如果子模型属于a2类型，则减小该子模型每个指标的重要程度。
43、作为本专利技术的进一步改进方法：
44、可选地，所述s6步骤中基于改进粒子群算法对本文档来自技高网...
【技术保护点】
1.一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述S1步骤中根据数据中心内各设备节点的连通关系及权重，构建数据链路集对称矩阵，通过AOE有向无环图网进行表示，包括：
3.如权利要求1所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述S3步骤中结合AOE有向无环图网分别对多个聚类中心进行修正，得到对应的聚类族子数据链路集，包括：
4.如权利要求2所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述S4步骤中根据各聚类族子数据链路集的平衡性指标，构建对应的隶属度函数，包括：
5.如权利要求4所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述S6步骤中基于改进粒子群算法对多目标优化问题进行求解，获得最优子解，包括：
6.如权利要求4所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述S6步骤中基于改进粒子群算法对多目标优化问题进行求解，获得最优子解，
7.如权利要求1所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述S7步骤中对不同数据集的子模型进行融合，利用信息融合算法综合不同数据集的最优子解对不同数据集的子检测模型进行检测链构建，实现对全局最终的虚拟机调度方案的最优检测，包括：
8.一种基于粒子群算法的一键数据中心智能布局方法系统，其特征在于，包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述基于粒子群算法的一键数据中心智能布局方法方法的步骤。
10.一种计算机存储介质，所述计算机存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于粒子群算法的一键数据中心智能布局方法的步骤。
...【技术特征摘要】
1.一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述s1步骤中根据数据中心内各设备节点的连通关系及权重，构建数据链路集对称矩阵，通过aoe有向无环图网进行表示，包括：
3.如权利要求1所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述s3步骤中结合aoe有向无环图网分别对多个聚类中心进行修正，得到对应的聚类族子数据链路集，包括：
4.如权利要求2所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述s4步骤中根据各聚类族子数据链路集的平衡性指标，构建对应的隶属度函数，包括：
5.如权利要求4所述的一种基于粒子群算法的一键数据中心智能布局方法，其特征在于，所述s6步骤中基于改进粒子群算法对多目标优化问题进行求解，获得最优子解，包括：
6.如权利要求4所述的一种基于粒子群算法的一键数据中心智能布局方法，...
【专利技术属性】
技术研发人员：吴劲松，王燕，廖霄，李卓晖，李光泰，李钰珑，胡康，李逸谦，张少峰，陈振超，谭卫超，钟金辉，刘亮，曾静婷，孙发杰，王群，杨子江，
申请(专利权)人：中国能源建设集团广东省电力设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。