5、混合元启发式遗传算法与弹性光网络连接重配置研究

混合元启发式遗传算法与弹性光网络连接重配置研究

1. 混合元启发式遗传算法实验结果

1.1 实验设置

为评估GA - DE算法的性能，进行了模拟实验。将其与三种启发式算法（HEFT向上排名、HEFT向下排名和HEFT - 级别排名）以及元启发式算法遗传算法（GA）进行比较，实验使用30个虚拟机和5个主机。

1.2 不同任务数量下的Makespan比较

绘制了X轴为各种任务数量，Y轴为执行应用程序的相应Makespan的条形图。通过生成具有10、50和100个云任务的随机有向无环图（DAG），将提出的GA - DE算法与其他启发式算法（作为基准）在Makespan方面进行比较。结果表明，尽管随着任务数量的增加，Makespan不断上升，但GA - DE算法在Makespan方面仍优于其他算法。

1.3 Cybershake工作流实验结果

1.3.1 Cybershake_30云任务实验

对Cybershake工作流进行实验以估计Makespan，结果如下表所示：
| 算法 | Cybershake_30 | Cybershake_50 |
| — | — | — |
| HEFT向上排名 | 202.36 | 230.48 |
| HEFT - 级别排名 | 202.42 | 319.93 |
| HEFT向下排名 | 207.94 | 334.44 |
| GA - DE | 199.78 | 227.89 |
| GA | 200.23 | 229.37 |

从图中可以明显看出，考虑Makesp