数据中心能耗优化管理的研究现状
再比如在文献[2]中宋杰等学者提出了能效是能源和效率之间的比值，而测量能效最重要的是测量单位时间内处理的任务量和耗费的电能。对于前者，可以通过测量CPU运算时间和运算频率得出。对于后者的测量，则存在了很多困难，比如说：计算机的有用功率不同于额定功率，其值是动态变化的，无法通过简单的计算得到；一些电量测量设备都有固定的测量范围，无法适应云系统中大量节点等。虽然他们在能效模型的基础上提出了一种能效的计算公式，能够计算出运系统的总能效，但是从整体上来看，测量和计算都是比较繁琐的。
1.2 虚拟机放置算法
一些文献[3-4]把虚拟机放置问题建模成装箱问题，即通过虚拟机迁移，使用最少的物理机资源满足所有的虚拟机需求，从而达到提高利用率，降低能耗的目的。虚拟机放置即装箱问题从计算复杂性理论来讲，是NP完全问题，很难精确求解。
目前关于装箱问题的近似算法如：下次适应、首次适应、最佳适应等[5]。下次适应算法是最简单也是最早研究的一个算法，它的处理方法是始终文持一个当前打开的箱子，对于每一个要装入的物品，检查该物品是否可以放入当前打开的箱子，如果无法装入，则打开一个空箱子，装入该物品，以该箱子作为当前的箱子，由于每个物品在装入时，只有当前打开的箱子和空箱可以选择，这必然造成装箱的效率低下。针对下次适应算法的缺陷，首次适应算法处理当前物品的时候，检查所有非空箱子，找到第一个能够放下当前物品的箱子并将该物品放入，否则就开启新的箱子。最佳适应算法与首次适应算法类似，唯一的区别是当物品装箱时，不是直接装在第一个可装入的箱子中，而是装入在最适合该物体的箱子中，如果没有该箱子，则开启空箱。所以相对于下次适应算法和首次适应算法来说，最佳适应算法的效率还是比较高的。
另外Holland提出了遗传算法采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。正是由于遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。其中并行性和全局解空间搜索是GA的两个最显著的特点[6]。针对云计算环境下的任务调度问题,用遗传算法进行任务调度能得到较好的效果。4948
上一篇：国内外安全管理研究现状
下一篇：橙子产业国内外发展现状