[发明专利]一种基于变异粒子群的云计算资源态势预测方法及系统

说明书

本发明涉及一种基于变异粒子群的云计算资源态势预测方法及方法，所述方法包括：基于粒子群的特性对其进行初始化；基于云计算资源数据对神经网络模型进行初始化；对初始化后的所述粒子群进行迭代优化，得到全局最优解；将全局最优解对应的最优参数赋值给初始化后的所述神经网络模型；对赋值后的所述神经网络模型迭代训练，得到训练好的所述神经网络模型；基于训练好的所述神经网络模型对云计算资源的态势进行预测。本发明提高了预测精度和收敛速度，解决了由于云计算资源负载资源闲置，导致的资源分配不合理和资源利用率低等问题。

技术领域

本发明涉及云计算技术领域，特别是涉及一种基于变异粒子群的云计算资源态势预测方法及系统。

背景技术

云计算是整合大量云端计算资源，在短时间内完成对亿万量级的数据进行处理并返回给用户的新兴计算模型，由于其具有低成本和灵活性高等优点使之具有强大的发展潜力。但由于云环境资源负载的动态性，在计算过程中会尽可能多的分配资源来保证服务的稳定性，导致服务器资源过多的闲置和浪费。态势预测技术通过采集历史数据，利用模型来对未来资源趋势进行预测。通过态势预测可以更好的为资源分配提供依据，避免大规模资源空闲引发浪费。目前的预测方法主要包括统计模型、神经网络以及组合模型。

基于统计模型进行预测，由于其计算速度快，系统占用负担小，导致实现起来较为容易，但相对预测精度较低误差较大。基于神经网络预测，相比于统计模型提高了预测精度，但仍存在模型复杂和求解速度慢等问题。基于组合模型预测包括以下现有方法，集成模型优化神经网络云资源需求预测方法，该方法可以根据需求对资源进行合理预测，但是当需求并行出现，预测实时性有待提高；基于卷积神经网络与支持向量机的云资源预测模型，该模型的预测精度明显高于现阶段的云资源预测方法，但该模型随着时间增加预测精度会随之降低；基于平均模型与长短期记忆神经网络组合预测模型，该模型降低了资源实时预测的误差，但该模型针对于实时预测的精度较低；基于粒子群对神经网络模型进行优化的方法，具有简单容易实现，收敛速度快等特点，但利用粒子群算法存在容易陷入局部最优解等问题。

发明内容

有鉴于此，本发明提供了一种基于变异粒子群的云计算资源态势预测方法及系统，提高预测精度和收敛速度，以解决云计算资源负载资源闲置，资源分配不合理以及资源利用率低等问题。

为实现上述目的，本发明提供了如下方案：

一种基于变异粒子群的云计算资源态势预测方法，包括：

基于粒子群的特性对其进行初始化；基于云计算资源数据对神经网络模型进行初始化；

对初始化后的所述粒子群进行迭代优化，得到全局最优解；

将全局最优解对应的最优参数赋值给初始化后的所述神经网络模型；

对赋值后的所述神经网络模型迭代训练，得到训练好的所述神经网络模型；

基于训练好的所述神经网络模型对云计算资源的态势进行预测。

优选地，所述基于粒子群的特性对其进行初始化；基于云计算资源数据对神经网络模型进行初始化，包括：

基于所述粒子群的特性对所述粒子群的数量、惯性权重、学习参数和最大迭代次数进行初始化；

采用随机数对所述粒子群的全局最优位置、个体最优位置和个体最优速度进行初始化；

基于云计算资源数据对神经网络模型进行初始化。

优选地，所述对初始化后的所述粒子群进行迭代优化，得到全局最优解，包括：

对所述粒子群进行迭代优化，并获取当前迭代的惯性权重，进一步得到当前迭代的粒子速度；

基于当前迭代的所述粒子速度更新当前迭代的粒子位置；

基于当前迭代的所述粒子位置得到当前迭代的适应度值；