基于改進(jìn)遺傳算法的云仿真資源分配算法

包長均

摘 要：近年來，云仿真技術(shù)作為一種新型網(wǎng)絡(luò)化建模與仿真模式受到廣泛關(guān)注，合理配置仿真資源已成為云仿真技術(shù)的核心問題之一。針對傳統(tǒng)仿真系統(tǒng)資源分配中存在的資源重用性低、部署難度大等問題，提出一種改進(jìn)遺傳算法來求解仿真模型與虛擬機(jī)之間最優(yōu)映射的算法。實驗結(jié)果表明，該算法是云仿真運行環(huán)境下的一種有效資源調(diào)度算法。

關(guān)鍵詞：云仿真；虛擬化；資源分配；遺傳算法

DOIDOI：10.11907/rjdk.1511009

中圖分類號：TP312

文獻(xiàn)標(biāo)識碼：A 文章編號文章編號：16727800（2015）009007105

0 引言

在分布式計算、并行計算和網(wǎng)格計算逐步發(fā)展成熟的基礎(chǔ)上，云計算應(yīng)運而生。 云計算的核心思想是將計算服務(wù)器、存儲服務(wù)器和寬帶等資源通過網(wǎng)絡(luò)連接，形成以“云”形式統(tǒng)一管理，用戶只需根據(jù)自身需求請求資源池資源，由云計算中心負(fù)責(zé)所有資源調(diào)度和管理，保證用戶能夠根據(jù)需要獲取計算力、存儲空間和各種軟件服務(wù)[1]。

李伯虎院士[2]通過引入“云計算”理念，首先提出構(gòu)建新網(wǎng)絡(luò)化建模與仿真平臺——“云仿真平臺”。云仿真平臺通過在虛擬機(jī)中部署仿真軟件、服務(wù)、模型等資源組件，為用戶仿真需求提供相應(yīng)的計算資源。類似于云計算服務(wù)模式，云仿真技術(shù)將仿真模型、仿真流程等資源接入到云計算環(huán)境中，通過仿真模型即服務(wù)或仿真流程即服務(wù)模式滿足用戶仿真需求[3]。

隨著云計算網(wǎng)絡(luò)的不斷增大和仿真用戶不斷增多，如何及時、高效對云仿真資源進(jìn)行調(diào)度，提高資源利用率，成為云仿真平臺研究的核心問題之一。本文探討基于遺傳算法的云仿真平臺資源服務(wù)調(diào)度技術(shù)。

云計算服務(wù)中的資源調(diào)度技術(shù)日漸成為學(xué)者關(guān)注的焦點。針對仿真資源最優(yōu)化問題，以往研究中提出了很多有價值解決方案。

文獻(xiàn)[4]提出了基于Shapley值的虛擬化資源分配策略，該理論的基礎(chǔ)是合作博弈論，該方法高效地實現(xiàn)了虛擬化資源分配。 針對資源分配中的利用率問題，文獻(xiàn)[5]提出了基于分類挖掘的網(wǎng)格資源分配算法，通過分類減少資源重新分配次數(shù)，提高資源利用效率。 Prodan等[6]

提出了基于連續(xù)雙向拍賣機(jī)制的資源調(diào)度方法，該方法同時兼顧了用戶和服務(wù)提供商的雙方利益；

Martino[7]介紹了一種基于遺傳算法的網(wǎng)格資源調(diào)度算法，在花費一定能耗代價后，能盡可能提高網(wǎng)格資源使用率和負(fù)載均衡能力。文獻(xiàn)[8]針對云計算的編程模型框架，提出了一種具有雙適應(yīng)度遺傳算法，用于解決云計算模型中的資源分配最優(yōu)化問題，該算法不僅能得到總?cè)蝿?wù)完成時間較短的調(diào)度結(jié)果，而且此調(diào)度結(jié)果任務(wù)平均完成時間也較短。文獻(xiàn)[9]在充分考慮云計算環(huán)境動態(tài)異構(gòu)性和大規(guī)模任務(wù)處理特性的基礎(chǔ)上提出了一種改進(jìn)遺傳算法，并通過實驗驗證該算法能較好地適用于云計算環(huán)境中的大規(guī)模任務(wù)資源調(diào)度。 以上文獻(xiàn)提出的各種算法都可為本文提供借鑒意義，但是本文所提出問題情境、問題模型與上述研究均不所相同。

1 仿真運行環(huán)境動態(tài)構(gòu)建中遺傳算法應(yīng)用

1.1 問題提出

本文研究仿真運行環(huán)境構(gòu)建3層映射模型[2]，如圖1所示。構(gòu)建仿真運行環(huán)境，分步將仿真模型動態(tài)部署到虛擬機(jī)，將虛擬機(jī)部署到物理機(jī)，并分別實現(xiàn)N：1映射關(guān)系。 由于虛擬機(jī)與物理機(jī)兩者之間的映射過程（第二步）與仿真模型和虛擬機(jī)兩者之間的映射過程（第一步）基本相同，只是獲取虛擬機(jī)與物理機(jī)最優(yōu)映射約束條件略有不同，因此本文對第二步不作討論，只探討仿真模型與虛擬機(jī)之間的映射最優(yōu)化問題。

針對仿真模型與虛擬機(jī)之間最優(yōu)化映射問題，關(guān)鍵是如何將與仿真任務(wù)有關(guān)的仿真模型映射到不等量虛擬機(jī)中，以保證提供的運行環(huán)境能滿足仿真模型的解算和通訊需求，并且使仿真任務(wù)執(zhí)行效率達(dá)到最優(yōu)。

圖1 仿真運行環(huán)境的三層構(gòu)建模型

1.2 問題數(shù)學(xué)模型及形式化定義

為方便研究，本文將仿真模型性能需求和虛擬機(jī)提供性能配置折算為計算性能和通信性能[1]，并分別用Wworkload和Wcom表示。 計算性能由節(jié)點計算能力和內(nèi)存大小決定，而通信性能受限于網(wǎng)絡(luò)帶寬和網(wǎng)絡(luò)延遲。如式（1）所示：

根據(jù)仿真模型與虛擬機(jī)數(shù)量的大小關(guān)系又有不同映射：（1）若仿真模型數(shù)量小于或等于虛擬機(jī)數(shù)量，則在給虛擬機(jī)分配仿真模型時，將一個虛擬機(jī)上所有資源都占滿再去分配其它虛擬機(jī)，直到將所有滿足其計算需求和通信需求的仿真任務(wù)分配完畢，這樣得到的映射關(guān)系使多個虛擬機(jī)上是沒有仿真模型，通過關(guān)閉沒有仿真任務(wù)的虛擬機(jī)，從而達(dá)到節(jié)約能耗的目的。 該分配方式簡單易操作，本文不再贅述。 （2）若仿真模型數(shù)量大于虛擬機(jī)數(shù)量，則可以采用本節(jié)所介紹的映射模型，根據(jù)該方法得到的仿真模型到虛擬機(jī)間的映射，使得每臺虛擬機(jī)資源最大使用率最小，進(jìn)而使整個系統(tǒng)具有更大的靈活性。 下面介紹遺傳算法以實現(xiàn)本節(jié)中所提出的映射模型。

2 改進(jìn)遺傳算法求解最優(yōu)映射

遺傳算法（Genetic Algorithm， GA）是美國Michigan大學(xué)J.H.Holland教授于1975年受Darwin進(jìn)化論思想的啟發(fā)而提出。 其核心思想是生物進(jìn)化過程從簡單到復(fù)雜、從低級到高級，這本身就是穩(wěn)健適應(yīng)自然、適者生存的優(yōu)化過程。 相較于傳統(tǒng)窮舉法、微分法等優(yōu)化算法，遺傳算法不僅具有自組織、自適應(yīng)、自學(xué)習(xí)的特性，而且具有高魯棒性和廣泛適用性，能突破問題性質(zhì)限制，有效處理傳統(tǒng)優(yōu)化算法難以解決的復(fù)雜問題。 遺傳算法的主要優(yōu)勢在于是一種全局優(yōu)化算法。 搜索空間是問題解的結(jié)合，因而其搜索覆蓋面更大，范圍更廣，并能進(jìn)行多點并行搜索，使得遺傳算法能同時對多個解進(jìn)行處理、評估，搜索廣度和隨機(jī)性更優(yōu)，能避免陷入局部某個單峰最優(yōu)解，同時有利于較快收斂到全局最優(yōu)解。

2.1 染色體編碼方式

遺傳算法中的染色體編碼有很多種，如采用對任務(wù)執(zhí)行狀態(tài)的直接編碼和間接編碼。本文采用二進(jìn)制染色體編碼方式：M個仿真模型和N個虛擬機(jī)，M個仿真模型對應(yīng)M個表示單元，而每個表示單元由若干個二進(jìn)制位表示；每個表示單元的二進(jìn)制位數(shù)k由虛擬機(jī)數(shù)量N決定，即2k-1

2.2 初始種群生成

由上節(jié)可知，本文染色體表示仿真模型到虛擬機(jī)的映射。 每一個染色體是一種仿真模型與虛擬機(jī)的映射方式，且每一個染色體表示一個種群中的個體。 本文初始種群為隨機(jī)生成，初始種群數(shù)量設(shè)為Num。 算法是在這Num個種群中進(jìn)行選擇、交叉、變異，從而生成種群下一代。

2.3 適應(yīng)度函數(shù)

遺傳算法是通過適應(yīng)度函數(shù)值進(jìn)行下一代的選擇，從而尋找問題最優(yōu)解。 因此，適應(yīng)度函數(shù)選取相當(dāng)重要，關(guān)系到算法收斂速度與所得解的優(yōu)劣。 根據(jù)問題模型，要想達(dá)到仿真模型與虛擬機(jī)之間的最優(yōu)映射，則必須滿足目標(biāo)函數(shù)，遺傳算法適應(yīng)度函數(shù)：

f（x）=max（v_cpu[x][j]，v_com[x][j][k]）∑Numi=1max（v_cpu[i][j]，v_com[i][j][k]）（6）

其中，二維數(shù)組v_cpu[x][j]表示x號染色體中j號虛擬機(jī)計算資源的使用率； 三維數(shù)組v_com[x][j][k]表示x號染色體上虛擬機(jī)j和虛擬機(jī)k上已經(jīng)部署的仿真模型之間通信量之和占虛擬機(jī)j與虛擬機(jī)k通信總量的比例。 適應(yīng)度函數(shù)值越小，映射性能越優(yōu)，越容易被選擇。

2.4 選擇、交叉、變異操作

2.4.1 選擇

在遺傳算法中需對種群中的個體按照一定比例進(jìn)行選擇，該比例由適應(yīng)度函數(shù)值決定，選擇的目的是將擁有更好基因的個體直接遺傳到下一代或?qū)⑼ㄟ^配對交叉產(chǎn)生的新個體遺傳到下一代。 本文使用輪盤賭選擇方式將優(yōu)秀個體挑選出來，通過適應(yīng)度值計算出每個個體的選擇概率：

ps（i）=1-f（i）∑Numj=1（1-f（j））（7）

其中，f（i）表示第i個染色體的適應(yīng)度值，ps（i）即為i號染色體被選擇的概率。

2.4.2 交叉

交叉是遺傳算法中最主要的搜索算子，其模仿自然界有性繁殖基因重組過程，將原有優(yōu)良基因遺傳給下一代個體，并生成包含更優(yōu)良基因結(jié)構(gòu)的新個體。 交叉是產(chǎn)生后代并區(qū)別于父代的主要方式，其以較大概率選擇兩個個體進(jìn)行基因位交換，交換后子代既保留了父代大部分基因，也具有自己新的基因特色，整個種群基因會發(fā)生相應(yīng)改變，從而保證種群向最優(yōu)化方向發(fā)展。

2.4.3 變異

所謂變異，是指將基因座上特定值進(jìn)行改變。當(dāng)遺傳算法通過交叉算子已經(jīng)接近最優(yōu)解時，利用變異可以加速種群向最優(yōu)解收斂。 變異算子pm通常在0.000 1～0.1間取值，適當(dāng)取值可保持種群多樣性，同時防止未成熟收斂現(xiàn)象。本文所述遺傳算法變異操作是對種群中的每個個體以pm的變異概率檢查其是否發(fā)生變異，對進(jìn)行變異的個體隨機(jī)選擇變異位并改變變異位的值。

2.5 算法終止條件

本文采用的終止條件包括進(jìn)化的代數(shù)G和閾值r，一旦算法執(zhí)行的進(jìn)化代數(shù)達(dá)到G次或在下一代所得到的δ（d）與上一代計算得到的δ（d）的差值小于r時，算法均終止。 此時得到的結(jié)果是最優(yōu)解或趨近于最優(yōu)解。最優(yōu)解種群中對應(yīng)的max（v_cpu[x][j]，v_com[x][j][k]）為最小的染色體，即為最優(yōu)映射。

2.6 模擬退火算法引入

模擬退火算法思想最先由Metropolis等于1953年提出，并在1983年被Kirkpatrick等成功引入組合優(yōu)化領(lǐng)域。 模擬退火算法可以看作一個物理模擬過程：從某個較高初始溫度出發(fā)，先將固體加熱至高溫狀態(tài)，此時固體分子間不斷發(fā)生碰撞，呈無序狀態(tài)，具有較高的內(nèi)能； 然后讓高溫固體慢慢冷卻，固體分子將隨著熱運動的逐漸減弱而恢復(fù)到穩(wěn)定、有序狀態(tài)。在這個過程中，固體內(nèi)部粒子在每個溫度下都能達(dá)到平衡態(tài)，最終在常溫時達(dá)到基態(tài)[10]。 模擬退火算法采用Metropolis接受準(zhǔn)則能避免過早達(dá)到局部最優(yōu)范圍，從而保證所求解的質(zhì)量。 該接受準(zhǔn)則是指當(dāng)固體處于較高溫度狀態(tài)時，接受新狀態(tài)可能性較大，而當(dāng)固體處于較低溫度狀態(tài)時，接受新狀態(tài)可能性隨之降低。最終，當(dāng)溫度趨于0時，任何使內(nèi)能小于0的新狀態(tài)都不能被接受。

經(jīng)典遺傳算法的早熟現(xiàn)象是指算法過早陷入局部最優(yōu)，很難跳出局部走向全局最優(yōu)。已有研究表明，由于群體規(guī)模限制，當(dāng)該種群進(jìn)化若干代后，具有較高平均適應(yīng)度的指數(shù)級增長模式將在種群中占有絕對優(yōu)勢，也就是在自然界優(yōu)勝劣汰中占據(jù)統(tǒng)治地位。 如果不加以調(diào)整控制，算法中的選擇、交叉、變異操作將逐漸因為種群高度一致性而失去作用，整個種群的模式種類將越來越單一，最終導(dǎo)致算法陷入局部最優(yōu)解[11]。 將模擬退火算法引入遺傳算法中，既能避免遺傳算法存在的“早熟”問題，大大降低遺傳算法陷入局部最優(yōu)解的可能性，又能增強算法全局收斂特性，提高算法收斂速度。

因此，首先采用遺傳算法框架進(jìn)行最優(yōu)化問題求解，再引入模擬退火算法優(yōu)化遺傳算法中選擇下一代種群的操作，根據(jù)Metropolis接受準(zhǔn)則以一定概率接受壞解，從而在進(jìn)化過程中保持種群多樣性，最終得到最優(yōu)解。

2.6.1 Metropolis接受準(zhǔn)則

設(shè)當(dāng)前狀態(tài)下溫度值為T，根據(jù)粒子當(dāng)前所處的相對位置，設(shè)固體初始狀態(tài)為i，對應(yīng)內(nèi)能為Ei；隨后隨機(jī)選取其中的某個粒子，按隨機(jī)產(chǎn)生的偏移向量使粒子發(fā)生偏移，設(shè)偏移后的狀態(tài)為j，此時內(nèi)能為Ej。 若Ejβ ，則接受該新狀態(tài)，否則拒絕改變狀態(tài)。 通過重復(fù)上述過程，系統(tǒng)能量將逐漸降低，最終達(dá)到平衡狀態(tài)。

2.6.2 模擬退火算法參數(shù)

（1）溫度控制初始值t0。該值選取不宜過大或過小。過大的選擇將導(dǎo)致退火算法收斂緩慢，失去可操作性；過小的選擇會導(dǎo)致退火算法陷入局部搜索。

（2）溫度控制終值tf。該值決定模擬退火算法終止條件，即溫度達(dá)到某個充分小的值表明算法收斂到某個近似解。本文采取判斷算法求解的近似性決定是否終止，若迭代若干次后得到的解沒有變化，說明算法解的質(zhì)量無法進(jìn)一步提高，從而宣告算法終止。

（3）溫度衰減函數(shù)f（tk） 。本文取一種常用的衰減函數(shù)f（tk）：tk+1=μtk，u∈[0.5，1）。

2.6.3 改進(jìn)遺傳算法流程

本文提出的SAGA算法（Simulated Annealing Genetic Algorithm）分兩個階段：在遺傳操作階段，利用選擇、交叉和變異過程對初始種群Gi 進(jìn)行遺傳操作，產(chǎn)生進(jìn)化后的種群i；在模擬退火操作階段，將種群i作為輸入，釆用模擬退火操作，通過Metropolis準(zhǔn)則對i中的個體進(jìn)行篩選，產(chǎn)生新一代種群Gi+1。具體操作步驟如下：Step 1：初始化種群。 根據(jù)仿真模型與虛擬機(jī)的數(shù)量采用隨機(jī)方式生成初始種群，初始種群規(guī)模記作Mg。 設(shè)定進(jìn)化迭代參數(shù)i為0；

Step 2：計算目標(biāo)函數(shù)與自適應(yīng)函數(shù)。首先計算當(dāng)前種群適應(yīng)度函數(shù)f（i）和最優(yōu)映射值δ（d）；

Step 3：終止條件判斷。 當(dāng)進(jìn)化代數(shù)達(dá)到預(yù)定最大進(jìn)化代數(shù)或在下一代所得到的δ（d）與上一代計算得到的δ（d）差值小于r時算法終止，輸出搜索結(jié)果，否則繼續(xù)執(zhí)行；

Step 4：選擇操作。 采用輪盤賭法對種群進(jìn)行選擇操作，根據(jù)式（7）得到的ps概率來選擇適應(yīng)性較強的個體，形成新群體，進(jìn)行下一步交叉操作；

Step 5：交叉操作。釆用交叉方法，從經(jīng)過選擇操作產(chǎn)生的群體中隨機(jī)選擇2個個體進(jìn)行交叉操作，產(chǎn)生2個新個體；

Step 6：變異操作。釆用變異操作方法對被選中個體進(jìn)行變異操作，將符合要求的新個體放入種群；

Step 7：在溫度ti下，計算遺傳操作后種群中每個個體的適應(yīng)度值；

Step 8：根據(jù)適應(yīng)度函數(shù)和Metropolis接受準(zhǔn)則，判斷是否接受當(dāng)前遺傳算法產(chǎn)生的新個體；

Step 9：更新進(jìn)化迭代計數(shù)i=i+l，轉(zhuǎn)到Step 2。

3 實驗測試

CloudSim是一款云計算仿真工具，是用于實現(xiàn)對云計算基礎(chǔ)設(shè)施和應(yīng)用服務(wù)進(jìn)行模擬的開源框架。 本文使用CloudSim中的DataCenterBroker方法實現(xiàn)算法調(diào)度策略。

3.1 實驗條件設(shè)定

算法參數(shù)設(shè)置如表1所示。本實驗中仿真模型數(shù)量取值為1k、2k、3k、4k、5k，逐漸增大。 虛擬機(jī)數(shù)量設(shè)為500。 仿真模型計算資源需求量取值范圍為[1，20]，數(shù)值越大表示對計算資源的需求越大。虛擬機(jī)可以提供的計算資源取值范圍為[100，300]。 設(shè)仿真模型間所需通信性能取值范圍為[1，20]，虛擬機(jī)間可用通信性能取值范圍為[100，300]。 限定任何一個虛擬機(jī)上面部署的仿真模型計算資源需求量之和都不能超過此虛擬機(jī)提供的計算資源。

3.2 與經(jīng)典算法對比

在相同實驗條件下，將本文提出的SAGA算法與經(jīng)典GA算法（遺傳算法）、RA算法（隨機(jī)分配算法）分別進(jìn)行比較。 實驗結(jié)果如圖2所示。

圖2 算法執(zhí)行時間對比

由圖2可知，隨著仿真模型數(shù)量的增加，染色體長度越長，染色體就越復(fù)雜，相應(yīng)的交叉、突變也越復(fù)雜，因此要得到最優(yōu)解或接近最優(yōu)解的部署，算法需要的運算時間越多。 當(dāng)僅有少量仿真模型時，傳統(tǒng)的GA算法和SAGA算法都能夠迅速收斂，執(zhí)行時間差別不大，而RA算法由于隨機(jī)性較大，花費時間稍多。 當(dāng)仿真模型數(shù)量較多時，傳統(tǒng)GA算法收斂代數(shù)急劇增加，搜索效率大大降低，而隨著任務(wù)量的增大，SAGA算法的優(yōu)勢越來越明顯，SAGA算法能保持群體多樣性，推動群體穩(wěn)定進(jìn)化，從而所需時間隨著仿真模型數(shù)量增加而變化更加平滑。 傳統(tǒng)RA算法隨著搜索空間越來越大，性能下降很明顯，可見RA并不適用于云環(huán)境下大規(guī)模仿真數(shù)據(jù)處理。

圖3顯示不同數(shù)量仿真模型算法分派資源最大占用率，該值越小則算法性能越優(yōu)。 總體而言，隨著仿真模型增多，3種算法計算資源最大占用率都在增大，RA算法由于采取完全隨機(jī)分配策略，在仿真模型不斷增多后表現(xiàn)最差，最后一組實驗資源利用率已近90%，負(fù)載提升空間不大。GA算法和SAGA算法都表現(xiàn)出能根據(jù)虛擬機(jī)運算能力合理分配資源特性，算法傾向于使計算能力強的虛擬機(jī)分配到更多任務(wù)。雖然傳統(tǒng)GA算法在問題規(guī)模較小時性能較好，但容易陷入局部最優(yōu)解，反而導(dǎo)致性能下降。本文提出SAGA算法能有效避免算法早熟，隨著資源利用率提升，能夠提供更好負(fù)載均衡效果。

圖3 算法資源最大占用率對比

4 結(jié)語

隨著大數(shù)據(jù)時代到來，傳統(tǒng)仿真技術(shù)越來越難以滿足日益復(fù)雜的用戶仿真需求，而云仿真技術(shù)采用云計算理念能夠很好地解決這一問題。 針對云仿真運行環(huán)境資源分配最優(yōu)化問題，本文提出了基于改進(jìn)遺傳算法的求解方法，該算法綜合考慮了計算性能、通信性能、機(jī)器負(fù)載等因素。 實驗證明，該算法在任務(wù)完成時間和負(fù)載均衡方面均表現(xiàn)出很強的優(yōu)勢，能較好地適用于云計算環(huán)境中大規(guī)模仿真任務(wù)資源調(diào)度。

參考文獻(xiàn)參考文獻(xiàn)：

[1] 劉鵬.云計算的定義和特點[EB/OL].http：//www.chinacloud.cn/show.aspx？cid=17&id=741.

[2] 李伯虎，柴旭東，侯寶存，等.一種基于云計算理念的網(wǎng)絡(luò)化建模與仿真平臺——”云仿真平臺”[J].系統(tǒng)仿真學(xué)報，2009，21（17）：52925299.

[3] 胡春生，許承東，張鵬飛，等.云計算環(huán)境下仿真模型資源虛擬化研究[J].華中科技大學(xué)學(xué)報，2012，40（1）：135140.

[4] 張小慶，李春林，錢瓊芬，等.基于合作博弈的虛擬化資源效用分配策略[J].計算機(jī)科學(xué)，2012，39（6）：5153.

[5] 劉林東.基于分類挖掘的網(wǎng)格資源分配研究[J].計算機(jī)應(yīng)用研究，2013，30（2）：371373.

[6] PRODAN R，WIECZOREK M，F(xiàn)ARD H M.Double auctionbased scheduling of scientific applications in distributed grid and cloud environments[J].Journal of Grid Computing，2011，9（4）：531548.

[7] DI MARTINO V，MILILOTTI M.Sub optimal scheduling in a grid using genetic algorithms[J].Parallel Computing，2004，30（5）：553565.

[8] 李建鋒，彭艦.云計算環(huán)境下基于改進(jìn)遺傳算法的任務(wù)調(diào)度算法[J].計算機(jī)應(yīng)用，2011，31（1）：184186.

[9] 劉愉，趙志文.云計算環(huán)境中優(yōu)化遺傳算法的資源調(diào)度策略[J].北京師范大學(xué)學(xué)報：自然科學(xué)版，2012，48（4）：378383.

[10] 龐峰.模擬退火算法的原理及算法在優(yōu)化問題上的應(yīng)用[D].長春市：吉林大學(xué)，2006.

[11] 付旭輝，康玲.遺傳算法的早熟問題探究[J].華中科技大學(xué)學(xué)報：自然科學(xué)版，2003，31（7）：5354.

[12] ZHANG Y B，CHAI X D，HOU B C，et al.Research on virtual simulation resource modeling in cloud simulation[C].Proc.of the International Conference on Information Security and Artificial Intellignce，2010：394398.

責(zé)任編輯（責(zé)任編輯：陳福時）