30、进化多目标优化在云计算中的应用与实践

进化多目标优化在云计算中的应用与实践

1. 进化多目标优化（EMO）概述

进化多目标优化（EMO）是一种基于遗传算法的迭代技术，用于优化多个搜索目标。遗传算法是一种搜索算法，适用于确定性或函数方法不可行的大空间中寻找最优解。它利用启发式方法在合理的时间内找到可接受的最优解。在存在许多变量和复杂的启发式函数时，找到可接受解的时间可能会很长。但在分布式环境中使用不同变量并行运行多个实例时，计算所需的时间可以大幅减少。

2. EMO工作流的目标

在云计算上建模和执行EMO工作流的目标如下：
- 设计以工作流形式表达的EMO执行模型，以便利用多个分布式资源。
- 并行执行EMO任务，以减少总完成时间。
- 当任务数量增加时，动态调配及时完成应用程序所需的计算资源。
- 根据需要反复进行类似的实验。
- 管理应用程序的执行，处理故障，并存储最终结果以进行分析。

3. 工作流解决方案

为了并行执行EMO，构建了一个工作流模型来系统地执行任务。典型的工作流结构如图所示（此处可结合原文图12.6理解）。

在案例研究中，EMO应用程序由五种不同的拓扑结构组成，迭代基于这些拓扑结构进行。这些拓扑结构定义在五个不同的二进制文件中，每个文件成为顶级任务（如A0emo1、A0emo等）的输入文件。为每个拓扑文件创建一个单独的分支，在示例图中有两个分支，它们在第6层合并。根级任务对拓扑结构进行操作以创建新的种群，然后由名为“emomerge”的任务进行合并。在图中，第2层有两个“emomerge”任务，第6层有一个任务合并两个分支，然后再次将种群拆分为两个分支，第8层和第10层各有两个任务，