【技术实现步骤摘要】
本专利技术属于服务器，特别涉及一种基于改进量子粒子群算法的服务器能耗选项配置方法，以及服务器能耗选项配置系统。
技术介绍
1、处理器性能不断提高的同时，能耗也日益凸显，低功耗设计逐渐成为重要问题。bios作为服务器底层配置的核心，其参数的精准设置对服务器的整体性能与功耗有着深远的影响。因此，服务器性能与能耗调优工作的重要性在于，它能够通过精细化的bios配置，最大化地挖掘服务器潜能，优化资源利用效率，降低能源消耗，同时确保系统在不同应用场景下都能保持最佳运行状态，从而为用户带来更加高效、可靠、经济的计算体验。
2、目前，服务器厂商通常会针对高性能模式、节能模式、低延迟模式和均衡模式等多种特定应用场景，提供一系列的默认bios参数设置，以优化服务器在不同场景下的表现。这些预设的参数配置经过精心调整和测试，旨在满足大多数用户在这些典型工作场景下的需求，并在一定程度上对实际工作场景的优化也具有参考价值。
3、虽然当前服务器能根据客户的需求设置不同的固件能效参数，但存在如下弊端：服务器在每个应用场景下的能耗参数设置都是固定的，用户在设置完成后就在当前固定模式下运行业务，无法根据业务实时调整，且无法覆盖所有用户的需求。
4、目前虽然部分厂商设置了客户自定义模式，然而其中多数厂商并未提供简便的配置工具来帮助用户快速实现特定需求的调优，这导致了客户在自定义模式的设置时面临诸多挑战。首先，用户需要具备一定的专业知识和经验，才能准确地调整参数以适应特定的工作负载和应用场景。其次，手动调整和验证参数的效果是一个非
5、因此，针对以上存在的问题，本专利技术旨在提出一种可以根据用户给出的关于兼顾性能、功能、节能、稳定性、时延等关键属性的侧重，自动给出服务器能耗参数参考配置选项的服务器能耗参数配置方法。
技术实现思路
1、本专利技术为解决以上技术问题，提出了一种基于改进量子粒子群算法的服务器能耗选项配置方法，能够有效地在众多的服务器能效参数中寻找到最优的组合，从而实现定制化的性能调优，即使是没有专业知识的用户也能够基于该方法得到一个接近最优的服务器配置，无需手动调整繁琐的bios设置，大大提高了服务器配置的效率和准确性。
2、本专利技术的技术方案是：
3、本专利技术提出一种基于改进量子粒子群算法的服务器能耗选项配置方法，包括以下步骤：
4、s1，明确提供给用户可自主修改的服务器关键属性，以及服务器能耗相关选项；
5、s2，初始化改进量子行为粒子群优化算法iqpso种群粒子，基于用户修改的所述服务器关键属性设置适应度函数，搜索最优所述服务器能耗相关选项配置；
6、s3，将基于用户设置的所述服务器关键属性搜索到的所述服务器能耗相关选项配置结果输出给用户作为参考。
7、优选的，s2包括以下步骤：
8、s201，依据所述服务器能耗相关选项数量，随机初始化粒子群；
9、s202，计算每个粒子的适应度值，并判断其是否满足停止准则，若不满足停止准则，进入步骤s203，若满足停止准则，则进入步骤s204；
10、s203，所述改进量子行为粒子群优化算法iqpso更新种群粒子位置，并产生新的种群，更新局部最优值和种群全局最优值，跳转至s202步骤；
11、s204，输出最优粒子，算法结束；
12、s205，基于最优粒子，解析所述服务器能耗相关选项参数推荐配置。
13、优选的，s202中所述停止准则包括达到设定的最大迭代次数，或全局最优解误差满足系统设定。
14、优选的，s203中所述改进量子行为粒子群优化算法iqpso更新种群粒子位置包括以下步骤：
15、a)计算种群粒子的平均最优位置；
16、b)计算粒子的当前适应度值，并与前一次迭代的适应度值比较，如果当前适应度值小于前一次迭代的适应度值，则根据粒子的位置更新为粒子的当前位置；
17、c)计算种群当前的全局最优位置；
18、d)根据粒子间的相似度，在每次迭代中调整更新收缩-扩张系数；
19、e)若当前全局最优位置优于上一次迭代的全局最优位置，则种群的全局最优位置更新为当前全局最优位置；
20、f)通过对粒子的每一维进行计算得到一个随机点的位置；
21、g)根据粒子位置更新公式获得粒子新的位置。
22、优选的，s203中所述改进量子行为粒子群优化算法iqpso粒子位置更新公式如下：
23、
24、
25、其中，mbestt，表示在第t次迭代时所有粒子最优位置的平均值；n，为种群粒子数；
26、d，为粒子维度；
27、pij,t，为pij,t和gj,t之间的随机位置；
28、pij,t，表示种群第i个粒子的第j维在第t次迭代时的最优位置；
29、gj,t，表示种群的全局最优解的第j维位置；
30、和uij,t为[0,1]之间的随机数；
31、xij,t，表示第i个粒子的第j维在第t次迭代时的位置；
32、βt，为收缩-扩张系数。
33、优选的，所述收缩-扩张系数βt定义公式如下：
34、βt＝0.5(tmax-t)+0.5，其中，
35、t，表示当前迭代次数；
36、tmax，表示设定的最大迭代次数。
37、优选的，所述收缩-扩张系数βt的调整更新公式如下：
38、
39、其中，
40、βi,t表示在第t次迭代时第i个粒子的收缩-扩张系数；
41、βt,max，βt,min为设定常数；
42、s(i，j)，为粒子i和粒子j之间的相似度；
43、d(i，j)，为两粒子间的欧式距离差；
44、dmax，为空间粒子间的最大距离。
45、优选的，所述适应度函数计算表达式为：
46、f(xi，t)＝σ(1)·hp(xi，t)+σ(2)·mu(xi，t)+σ(3)·ec(xi，t)+σ(4)·
47、hs(xi，t)+σ(5)·ld(xi，t)
48、式中，σ(1)，σ(2),σ(3)，σ(4)，σ(5)均为0.1～0.9之间的比例系数，且σ(1)+σ(2)+σ(3)+σ(4)+σ(5)＝1；
49、hp(xi,t)，为性能评价分数；
50、mu(xi,t)，为功能评价分数；
51、ec(xi,t)，为节能评价分数；
<本文档来自技高网...【技术保护点】
1.一种基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，S2包括以下步骤：
3.根据权利要求2所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于：S202中所述停止准则包括达到设定的最大迭代次数，或全局最优解误差满足系统设定。
4.根据权利要求2所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，S203中所述改进量子行为粒子群优化算法IQPSO更新种群粒子位置包括以下步骤：
5.根据权利要求2所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，S203中所述改进量子行为粒子群优化算法IQPSO粒子位置更新公式如下：
6.根据权利要求5所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，所述收缩-扩张系数βt定义公式如下：
7.根据权利要求6所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，所述收缩-扩张系数βt的调整更新公式如
8.根据权利要求1所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，所述适应度函数计算表达式为：
9.根据权利要求1所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于：所述服务器关键属性包括性能、功能、节能、稳定性、以及时延；
10.一种服务器能耗选项配置系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，s2包括以下步骤：
3.根据权利要求2所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于：s202中所述停止准则包括达到设定的最大迭代次数，或全局最优解误差满足系统设定。
4.根据权利要求2所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，s203中所述改进量子行为粒子群优化算法iqpso更新种群粒子位置包括以下步骤：
5.根据权利要求2所述的基于改进量子粒子群算法的服务器能耗选项配置方法，其特征在于，s203中所述改进量子...
【专利技术属性】
技术研发人员：刘清华，窦兆辉，
申请(专利权)人：北京安讯天维科技有限公司，
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。