張小惠

(安徽新華學(xué)院 科技學(xué)院，合肥 230088)

在利用哈密頓隨機(jī)效應(yīng)解決問題時(shí)，多數(shù)是基于數(shù)學(xué)來進(jìn)行的，以得到運(yùn)維系統(tǒng)對(duì)應(yīng)的最優(yōu)解[1].而在實(shí)踐中，大部分問題都能夠經(jīng)過轉(zhuǎn)換得到最優(yōu)解以進(jìn)行哈密頓隨機(jī)效應(yīng)的[2].比如組合優(yōu)化、任務(wù)指派等等，這些存在于運(yùn)維系統(tǒng)中的問題，是很難得到精確數(shù)學(xué)哈密頓隨機(jī)效應(yīng)的，不過有的問題并不要求一定得到精確解，如果能夠得到最優(yōu)解也是可以的[3].為了能夠解決此類優(yōu)化問題，能夠找到除運(yùn)籌方法之外的其他方法，國(guó)內(nèi)學(xué)者都進(jìn)行了深入的研究，而且取得的成果也是十分突出的[4].通過調(diào)查發(fā)現(xiàn)目前針對(duì)運(yùn)維動(dòng)態(tài)數(shù)據(jù)遷移模型優(yōu)化的研究方法較多，但是在這些方法中，多數(shù)是基于自然規(guī)律亦或者是生物群體智能行為而得出的，設(shè)計(jì)思路十分新穎[5].在很多算法中，都將樣本點(diǎn)視為粒子，而粒子具有位置、速度等特性[6].故此，這些方法都可視為是基于概率實(shí)現(xiàn)的智能算法.

與傳統(tǒng)的運(yùn)維動(dòng)態(tài)數(shù)據(jù)遷移模型研究的做法不同，本文引入了哈密頓隨機(jī)效應(yīng)原理對(duì)運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型方法進(jìn)行研究，該方法就運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型構(gòu)建進(jìn)行說明，針對(duì)其區(qū)別于當(dāng)前智能優(yōu)化算法的特性進(jìn)行分析，而且結(jié)合實(shí)驗(yàn)對(duì)這種新模式的效應(yīng)展開分析.

1 運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型構(gòu)建

基于運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型這一理念，確定哈密頓隨機(jī)效應(yīng).在本文中就浮點(diǎn)數(shù)以及0-1動(dòng)態(tài)數(shù)據(jù)遷移模型兩種情況下，就對(duì)應(yīng)實(shí)現(xiàn)方法進(jìn)行了說明.

(1)

(2)

(3)

其中，Breat′代表的是內(nèi)部學(xué)習(xí)率對(duì)應(yīng)初始值.

(4)

λ∈[0,1]反映的即為該個(gè)體在內(nèi)部運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型中對(duì)應(yīng)的移動(dòng)步長(zhǎng)因子.假如利用0-1動(dòng)態(tài)數(shù)據(jù)遷移模型，那么個(gè)體自我學(xué)習(xí)本質(zhì)是對(duì)偶動(dòng)態(tài)數(shù)據(jù)遷移(dual mapping)，也就是與該個(gè)體對(duì)應(yīng)的基因表達(dá)式中，各基因位都要求進(jìn)行dual mapping，具體如圖1所示.

圖1 基于0-1動(dòng)態(tài)數(shù)據(jù)遷移模型的動(dòng)態(tài)數(shù)據(jù)遷移

(5)

(6)

2 實(shí)驗(yàn)與仿真分析

當(dāng)前，針對(duì)運(yùn)維動(dòng)態(tài)數(shù)據(jù)遷移模型領(lǐng)域，已經(jīng)研究提出了很多經(jīng)典的測(cè)試哈密頓隨機(jī)效應(yīng)，本文從中選擇了4個(gè)運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移進(jìn)行測(cè)試.而且，考慮到在實(shí)際情況中，最優(yōu)解對(duì)應(yīng)哈密頓隨機(jī)效應(yīng)空間具有非確定的哈密頓隨機(jī)效應(yīng)空間.故此，構(gòu)建了三種位置關(guān)系，即最優(yōu)解位于哈密頓隨機(jī)效應(yīng)空間邊界上(BOUNDARY)、最優(yōu)解靠近哈密頓隨機(jī)效應(yīng)空間邊界(CLOSE)、最優(yōu)解在哈密頓隨機(jī)效應(yīng)空間正中心位置(CENTRE).

算法性能將會(huì)受到控制參數(shù)的較大影響，而且在算法中涉及到的控制參數(shù)也是相對(duì)較多的，并且也并不是完全相同的，為了確保實(shí)驗(yàn)測(cè)試結(jié)果是客觀、公正的，除了確保整個(gè)過程中軟硬件實(shí)驗(yàn)平臺(tái)系統(tǒng)是一致的，即所配備的硬件條件為：CPU:AMD Athlon(tm) 64 X2 Dual Core Processor 3600+,1.91 GHz；DDR:667 MHz，1 024 MB，所配備的軟件Matlab 7.12.該實(shí)驗(yàn)中，所有的算法都使用的是浮點(diǎn)動(dòng)態(tài)數(shù)據(jù)遷移模型的方案，而且在系統(tǒng)中對(duì)應(yīng)個(gè)體數(shù)目都是100，在其中每進(jìn)行一次哈密頓隨機(jī)效應(yīng)，對(duì)應(yīng)迭代次數(shù)都是3 000.而且每次實(shí)驗(yàn)都重復(fù)進(jìn)行30次.在各算法中，將會(huì)結(jié)合參考文獻(xiàn)來確定其他控制參數(shù)，以實(shí)現(xiàn)最佳方案配置.為了簡(jiǎn)化過程，在本實(shí)驗(yàn)中僅就4個(gè)運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移最優(yōu)解進(jìn)行了測(cè)試，考慮的也是CENTRE這種位置情況.此外，為了確保結(jié)果是公正的，在算法初始階段，全部個(gè)體都將位于邊界上相同的某點(diǎn)上，避免初始位置優(yōu)劣使得算法哈密頓隨機(jī)效應(yīng)受到影響.而且，在哈密頓隨機(jī)效應(yīng)空間中設(shè)定的維數(shù)也都是50，如圖2所示，反映的即為在4個(gè)測(cè)試哈密頓隨機(jī)效應(yīng)中，5種算法經(jīng)過30次實(shí)驗(yàn)所得到的最好與最差的結(jié)果，并且取平均值來進(jìn)行了收斂曲線的繪制，橫軸對(duì)應(yīng)表示的是迭代次數(shù)，縱軸對(duì)應(yīng)表示的是目標(biāo)哈密頓隨機(jī)效應(yīng)值，取對(duì)數(shù)之后的值，通過分析能夠得出，在5種算法中都可將結(jié)構(gòu)動(dòng)態(tài)數(shù)據(jù)遷移到全局最優(yōu)解的鄰域中，而且如果決策變量的范圍并不大，那么在5種算法中得到的動(dòng)態(tài)數(shù)據(jù)遷移結(jié)果精度也并沒有很大的差距.然而，如果在決策變量之間具有相對(duì)較大的變化范圍，那么利用5種算法所得到的精度將會(huì)有所區(qū)別.尤其是在SzAPSO與OAB兩種算法中，這種表現(xiàn)十分突出，甚至于有時(shí)候前者的表現(xiàn)更加的優(yōu)異，如f4.

圖2 D=50時(shí)，5種算法在4個(gè)運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移上的收斂曲線

3 結(jié)語(yǔ)

目前，在國(guó)際上已經(jīng)存在很多的運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型算法，而這些算法的主要區(qū)別在于運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移選取的方法和思想有所差異.本文提出了基于哈密頓隨機(jī)效應(yīng)的運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型方法.在運(yùn)維系統(tǒng)中，利用智能學(xué)習(xí)能夠與系統(tǒng)進(jìn)行有效的交互，使得系統(tǒng)結(jié)構(gòu)優(yōu)化能夠得到保留.分析了DDMMOMS范式與結(jié)構(gòu)優(yōu)化等現(xiàn)代智能優(yōu)化方法在運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移上的重要區(qū)別，得出本文提出的運(yùn)維系統(tǒng)動(dòng)態(tài)數(shù)據(jù)遷移模型方法穩(wěn)定性高、魯棒性強(qiáng)，在速度以及尋優(yōu)能力等都具有較好表現(xiàn).