Научные конференции

Makarov A.E., Varlamov A.A.

Email: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.

Makarov Anatoly Evgenievich - Solutions Architect,

 IBM,

MOSCOW;

Varlamov Aleksandr Aleksandrovich – Senior Solutions Architect,

LI9 INC,

NORTH CAROLINA, RALEIGH, UNITED STATES OF AMERICA

Abstract: the analysis of virtualization features of a cloud service's hardware complex is carried out, methods of distribution of virtual machines are considered. A methodology has been developed to reduce the problem of optimizing hardware resources to the mathematical problem of finding the minimum of a function. Analytical solutions are proposed to calculate the depreciation of the consumption of computing power, RAM, and electricity by the cloud service and minimize the delay in executing user requests. A generalized scheme of the methodology for constructing elite and non-elite evolutionary algorithms for multi-purpose optimization is developed.

Keywords: virtual machines placement, evolutionary algorithms, cloud service, computing power, random access memory, power consumption, latency, multiobjective optimization.

Макаров А.Е., Варламов А.А.

Макаров Анатолий Евгеньевич - архитектор решений,

IBM,

г. Москва;

Варламов Александр Александрович – главный архитектор решений,

Li9 INC,

Северная Каролина, г. Райли, Соединенные Штаты Америки

Аннотация: проведен анализ особенностей виртуализации аппаратного комплекса облачного сервиса, рассмотрены методы распределения виртуальных машин. Разработана методология по сведению задачи оптимизации использования аппаратных ресурсов к математической задаче нахождения минимума функции. Предложены аналитические решения для расчета минимизации потребления облачным сервисом вычислительных мощностей, оперативной памяти и электроэнергии, а также по минимизации задержки при выполнении пользовательских запросов. Разработана обобщенная схема методологии построения элитарных и не элитарных эволюционных алгоритмов многоцелевой оптимизации.

Ключевые слова: распределение виртуальных машин, эволюционные алгоритмы, облачный сервис, вычислительная мощность, оперативная память, энергопотребление, задержка, многоцелевая оптимизация.

Список литературы / References

• Dimitrov V., Cloud Programming Models (MapReduce). Encyclopedia of Cloud Computing, 596-608. doi:10.1002/9781118821930.ch49.
• Gordon D.G., Legal Aspects of Cloud Computing. Encyclopedia of Cloud Computing, 462-475. doi:10.1002/9781118821930.ch38.
• Nedjah N., De M.M. & Lopes H.S., Evolutionary multi-objective system design: Theory and applications. Boca Raton, FL: CRC Press, Taylor & Francis Group.
• Ishibuchi H. & Shibata Y. (2004). Single-Objective And Multi-Objective Evolutionary Flowshop Scheduling. Applications of Multi-Objective Evolutionary Algorithms Advances in Natural Computation, 529-554. doi:10.1142/9789812567796_0022.
• Fei Z., Li B., Yang S., Xing C., Chen H., Hanzo L.: A survey of multi-objective optimization in wireless sensor networks: metrics, algorithms, and open problems. IEEE Commun. Surv. Tutor. 19 (1), 550–586 (2016).
• Pan J. (2020). Genetic and evolutionary computing: Proceedings of the thirteenth International Conference on Genetic and Evolutionary Computing, November 1-3, 2019, Qingdao, China. Gateway East, Singapore: Springer.
• Branke J., Deb K., Miettinen K., Słowi´nski R.: Multiobjective Optimization, Interactive and Evolutionary Approaches. Springer, Berlin, Heidelberg (2008).
• Baykasoğlu A. & Ozsoydan F.B. (2017). Evolutionary and population-based methods versus constructive search strategies in dynamic combinatorial optimization. Information Sciences, 420, 159-183. doi:10.1016/j.ins.2017.08.058.
• Jansen T. (2012). Evolutionary Algorithms and Other Randomized Search Heuristics. Analyzing Evolutionary Algorithms Natural Computing Series, 7-29. doi:10.1007/978-3-642-17339-4_2.
• Song B. & Li V.O. (2020). A Revisit of Infinite Population Models for Evolutionary Algorithms on Continuous Optimization Problems. Evolutionary Computation, 28 (1), 55-85. doi:10.1162/evco_a_00249.
• Zhang Q., Li H.: MOEA/D: a multiobjective evolutionary algorithm based on decomposition. IEEE Trans. Evol. Comput.11 (6), 712–731 (2007).
• Deb K. et al.: A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans. Evol. Comput. 6 (2), 182–197 (2002).
• Multiobjective Genetic Algorithm for Pareto-Optimal Route Selection. (2009). Intelligent Engineering Systems through Artificial Neural Networks, 323-330. doi:10.1115/1.802953.paper41.
• Vandeva E. (2012). MultiObjective Genetic Modified Algorithm (MOGMA). Cybernetics and Information Technologies, 12 (2), 23-33. doi:10.2478/cait-2012-0010.
• Kamkar I. & Akbarzadeh T.M. (2010). Multiobjective cellular genetic algorithm with adaptive fuzzy fitness granulation. 2010 IEEE International Conference on Systems, Man and Cybernetics. doi:10.1109/icsmc.2010.5642401.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Ссылка для цитирования. Макаров А.Е., Варламов А.А. ОСОБЕННОСТИ ПРИМЕНЕНИЯ ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ ПРИ МНОГОЦЕЛЕВОЙ ОПТИМИЗАЦИИ РАБОТЫ ВИРТУАЛЬНОЙ МАШИНЫ В СРЕДЕ ОБЛАЧНОГО СЕРВИСА [FEATURES OF APPLICATION OF EVOLUTIONARY ALGORITHMS FOR MULTI-PURPOSE OPTIMIZATION OF THE OPERATION OF A VIRTUAL MACHINE IN A CLOUD SERVICE ENVIRONMENT] // XIX INTERNATIONAL SCIENTIFIC REVIEW OF THE TECHNICAL SCIENCES, MATHEMATICS AND COMPUTER SCIENCE Свободное цитирование при указании авторства: https://scientific-conference.com/grafik/2019-vtoroe-polugodie.html ( Boston. USA. - 30 December, 2020). с. {см. сборник}