一种基于遗传蚁群融合算法改进负载均衡的方法与流程

1.本发明涉及到一种改进负载均衡方法，具体涉及一种基于遗传-蚁群融合算法改进负载均衡的方法。


背景技术：

2.在一般负载均衡集群用在单一业务类型中可以极大的提高整体性能，但是当业务类型复杂多样，且集群内部服务器性能参数不尽相同的时候，则需要调整期均衡算法。服务端开发人员釆用算法对集群内部的服务器节点进行负载的调整，基本上保证各个服务器节点上的负载是均衡的，随着现在国内外有许多新兴的软硬件产品的解决方案，新的负载均衡策略不断被推岀，在大量硏究爱好者的不断努力下，负载均衡策略由最初的静态，发展后来的动态负载均衡策略。
3.遗传算法在服务器负载均衡领域的运用与探索一方面是在遗传算法的进化操作当中进行不同的改进，或设计动态的交叉率或变异率，或设计独特的交叉变异操作来更好的适应种群进化过程当中的不同时期的需求。这些改进都在不同方面提高了遗传算法的应用效果，但也都存在不同方面的不足之处。因此在遗传算法的运用上值得继续进行探索研究。


技术实现要素：

4.本发明实施例的主要目的在减轻集群负载的同时又降低云容器相互依赖的负载淤积现象。由于容器相比传统的虚拟机粒度更小，实际上线场景下对容器进行调度管理难以得到保证，集群的负载均衡问题也更加复杂。再之，随着系统更新升级，容器的规模会逐渐增大，而系统的负载也会发生变化。在这种情况下，对整体进行人工介入显然需要成本，这就需要选择最适合的算法，将其组合成一套完整的负载均衡方案，从而高效地对容器进行管理，保持集群持续负载均衡，最终达到良好交互的目的。
5.本发明采用的技术手段如下：一种基于遗传-蚁群融合算法改进负载均衡的方法，包括：源节点定位模块，算法模块，路径计算模块，其中，算法模块包括遗传算法及蚁群算法，源节点定位模块，算法模块，路径计算模块依次按顺序链接。
6.进一步地，所述基于遗传-蚁群融合算法改进负载均衡的方法，包括以下步骤：s1: 定位源节点与目的节点；s2: 选择遗传算子，基于所述遗传算子求解获得适应度值高的优化解；s3：选择蚁群算子，并将所述遗传算子和所述蚁群算子的过渡，将遗传算子求出的所述优化解转化成所述蚁群算子的初始信息素分布；s4：将所述优化解进行链路权值计算（选择链路权值算法模型）；s5：判断负载值是否大于等于预先设置的拥堵值；s6：输出最优路径。
7.进一步地，所述步骤s2具体为：s21.预处理：提出具体问题描述或模型，确定染色体编码方式，确定染色体优选评价方法及适应度函数；s22.初始化：设置参数包括但不仅限于最大迭代次数、其它终止条件、种群规模、交叉概率、变异概率等参数；s23.生成初始种群：将静态算法和随机算法结合，形成第一代种群，并且把迭代计数器归零；s24.计算初始种群适应度：计算当代种群中出所有个体的适应度值，并找到值最优适应度值，将其作为当前当代最优解和当前全局最优解；s25.判断是否终止：根据上一步得出的信息判断是否满足两个终止条件，若满足则输出全局最优个体为最优解，算法结束；否则进入下一步；s26.选择操作：采取分级选择策略，避免优势个体在逐代进化的过程中流失；s27.交叉操作：根据交叉概率选择当前种群的个体来执行改进后的交叉操作；s28.变异操作：根据动态变异概率选择当前种群的个体执行改进后的变异操作；s29.生成下一代种群：经过步骤s16，s17，s18，生成新一代的种群。
8.进一步地，所述步骤s3具体为：s31:在每一波蚁群算法迭代流程中，加上遗传算法的交叉变异因子来优化每次迭代的最优解，使得每波迭代都快速进入局部最优;s32:其次，再每波迭代过后的一组解中，从中选取相对较优的几组解来作为遗传算法的父代输入，开始进入遗传算法;s33:得到子代后，用同样的原理，产生一组子代较优解，将其返回作为蚁群算法各节点路径所需的信息素的输入，继续切换至蚁群算法;s24:最后，在遗传算子作用下的蚁群算法得到的局部最优解中，进行再一步的优化，从而得到全局最优解。
9.进一步地，在步骤s1中，所述定位源节点、目的节点，这些信息通过网络流量估测的方式获取。
10.进一步地，当步骤s5的负载值小于预先设置的拥堵值，则返回s4重新计算直到负载值大于预先设置的拥堵值。
11.进一步地，步骤s4中所述的链路权值计算过程为对遗传算法所得到的优化解进行合理扰动，设置信息启发因子不太小的同时适当加大期望启发因子，加速优化解收敛过程。
12.进一步地，步骤s5中预先设置的拥堵值为通过预先网络流量估测的多点协同流量最大值的概率分布，来整体计算优化解路径的拥堵程度。
13.与现有技术相比，本发明所达到的有益效果：本发明将蚁群算法和遗传算法进行有效的融合，通过将链值计算融入到遗传算法模型中解决负载均衡的改进，提高了对容器的管理保持集群持续负载均衡的效果。
附图说明
14.图1是本发明的实施例的基于改进遗传算法的负载均衡方法流程示意图；图2是本发明的实施例的遗传算子流程示意图。
具体实施方式
15.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
16.如图1所示，本发明提供一种基于遗传-蚁群融合算法改进负载均衡的方法，包括：如下步骤：s1: 定位源节点与目的节点；s2: 选择遗传算子，基于所述遗传算子求解获得适应度值高的优化解；s3：选择蚁群算子，并将所述遗传算子和所述蚁群算子的过渡，将遗传算子求出的所述优化解转化成所述蚁群算子的初始信息素分布；s4：将所述优化解进行链路权值计算（选择链路权值算法模型）；s5：判断负载值是否大于等于预先设置的拥堵值；s6：输出最优路径。
17.所述步骤s2遗传算子处理的步骤具体为：s21.预处理：提出具体问题描述或模型，确定染色体编码方式，确定染色体优选评价方法及适应度函数；s22.初始化：设置参数包括但不仅限于最大迭代次数、其它终止条件、种群规模、交叉概率、变异概率等参数；s23.生成初始种群：将静态算法和随机算法结合，形成第一代种群，并且把迭代计数器归零；s24.计算初始种群适应度：计算当代种群中出所有个体的适应度值，并找到值最优适应度值，将其作为当前当代最优解和当前全局最优解；s25.判断是否终止：根据上一步得出的信息判断是否满足两个终止条件，若满足则输出全局最优个体为最优解，算法结束；否则进入下一步；s26.选择操作：采取分级选择策略，避免优势个体在逐代进化的过程中流失；s27.交叉操作：根据交叉概率选择当前种群的个体来执行改进后的交叉操作；s28.变异操作：根据动态变异概率选择当前种群的个体执行改进后的变异操作；s29.生成下一代种群：经过步骤s16，s17，s18，生成新一代的种群。
18.所述步骤s3蚂蚁算子处理的步骤具体为：s31:在每一波蚁群算法迭代流程中，加上遗传算法的交叉变异因子来优化每次迭代的最优解，使得每波迭代都快速进入局部最优;s32:其次，再每波迭代过后的一组解中，从中选取相对较优的几组解来作为遗传算法的父代输入，开始进入遗传算法;s33:得到子代后，用同样的原理，产生一组子代较优解，将其返回作为蚁群算法各节点路径所需的信息素的输入，继续切换至蚁群算法;s24:最后，在遗传算子作用下的蚁群算法得到的局部最优解中，进行再一步的优化，从而得到全局最优解。
19.所述步骤s1中，所述定位源节点、目的节点，这些信息通过网络流量估测的方式获取。
20.所述步骤s5的负载值小于预先设置的拥堵值，则返回s4重新计算直到负载值大于预先设置的拥堵值。
21.所述步骤s1中，所述定位源节点、目的节点，这些信息通过网络流量估测的方式获取。
22.所述步骤s5的负载值小于预先设置的拥堵值，则返回s4重新计算直到负载值大于预先设置的拥堵值。
23.所述步骤s4中所述的链路权值计算过程为对遗传算法所得到的优化解进行合理扰动，设置信息启发因子不太小的同时适当加大期望启发因子，加速优化解收敛过程。
24.所述步骤s5中预先设置的拥堵值为通过预先网络流量估测的多点协同流量最大值的概率分布，来整体计算优化解路径的拥堵程度。