[发明专利]一种基于遗传算法实现MAS负载均衡的方法

权利要求书

1.一种基于遗传算法实现MAS负载均衡的方法，其特征在于，包括如下步骤：

步骤一、建立分配模型

在MAS中，存在有多个Agent，Agent之间协同完成某项任务；同时系统中几个Agent自发建立一个系统节点，节点上的Agent受节点的管理；

每个节点可以接受系统分配的任务，当节点接受任务后，会指派底层Agent执行任务，那么节点负载的计算公式如下：

Load(i)＝x(i)(1)

Load(i)为各个节点的负载值，其值的大小衡量节点所处的状态，即空载、轻载、重载或超载；

Sum(load)=Σi=1nLoad(i)---(2)]]>

Sum(load)表现为整个系统所有节点(假设系统节点总数为n)的负载量；

Average(load)=Sum(load)n---(3)]]>

Average(load)表现为系统的平均负载，等同于系统负载；

V(i)＝Load(i)-Average(load)(4)

V(i)为负载偏差；

R(i)=V(i)2Sum(load)---(5)]]>

R(i)为负载偏差率，取值为0-1之间，表现为节点的负载均衡性能；

步骤二、染色体定义

遗传算法的运算对象是表示个体的符号串，所以必须把变量编码为一种符号串用二进制整数来表示；

将节点的编号通过二进制数表示，然后将总的任务序列中每个任务对应节点序号的二进制整数表示，总的任务序列对应的节点二进制整数序列即为个体的基因型；

步骤三、群体初始化

遗传算法是对群体进行的进化操作，需要给其准备一些表示起始搜索点的初始群体数据，以及设置群体的规模。

步骤四、适应度计算

通过节点的负载偏差R(i)计算染色体的适应度，染色体适应度越好，越有可能遗传到下一代。对应的分配方案被选中的概率越高；

步骤五、选择运算

选择运算把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中，选择操作采用典型的轮盘赌方法；

步骤六、交叉运算

步骤七、变异运算

步骤八、缩小搜索空间

设定节点负载的阈值，当当前负载大于阈值的时候，可以暂时不分配任务到该节点，依此减小了搜索的范围；

经过设定的代数遗传后，按照前面染色体定义的方案，反向解码，得到最终的分配方案，使得各个节点负载均衡。