17、网格负载均衡与差分进化算法的研究进展

网格负载均衡与差分进化算法的研究进展

一、网格环境下的负载均衡技术

（一）基于学习的负载均衡模型

机器学习是一种让计算机基于过去的数据学习识别复杂模式并自主决策的方法，其效率会随着经验的积累而提高。

1. 多状态 Q - 学习方法

多状态 Q - 学习方法用于确定三个平衡负载的参数：
- 涉及的处理器数量。
- 交换的负载。
- 负载均衡算法的类型。

该方法的主要特点是运行时和实现开销较低，但收敛速度慢，且很多时候做出的决策不尽如人意。

2. 机器学习方法

机器学习方法利用数据挖掘规则进行决策。只要负载配置发生变化，就会进行作业迁移。它会检索负载信息的初始参数和当前参数，然后做出负载均衡决策。

（二）负载均衡算法分析

不同的负载均衡算法在性能上各有优劣，以下是几种常见算法的分析：
|算法|架构|通信开销|响应时间|资源利用率|负载平衡|
| ---- | ---- | ---- | ---- | ---- | ---- |
|ISBA（基于图）|集中式|高|高|n/a|中等|
|RHM（基于图）|集中式|低|高|n/a|中等|
|DIBAP（基于图）|集中式|中等|高|n/a|高|
|LBSTRG（基于树）|分布式|低|中等|中等|中等|
|REFTREE（基于树）|分布式|中等|中等|n/a|中等|
|CRS（基于树）|分布式|低|中等|n/a|中等|
|PDTS（基于代理）|分布式|中等|中等|高|高|
|MESS