63、利用机器学习算法改进云计算中的能效与资源分配框架

利用机器学习算法改进云计算中的能效与资源分配框架

1. 引言

云计算服务可随时随地在线获取，能提供在线数据访问、处理和配置等服务。随着云计算系统日常使用率的不断上升，用户数量增多，行业为提升服务而增加服务器，这给云系统资源带来压力，也增加了能源消耗。

本研究旨在通过集成负载稳定、资源分配和电源管理，采用基于鲸鱼优化算法（WOA）的特殊元启发式技术，升级云环境在多个领域的能力。在采用WOA算法之前，研究回顾了可行的负载稳定、资源分配和电源效率策略。

最初阶段部署了粒子群优化算法（PSO）和布谷鸟搜索算法（CSA）。PSO算法类似于生物觅食，可在多个系统间分配任务，有助于发现未充分利用的资源，但存在计算时间长等缺点。CSA算法基于布谷鸟选择最佳巢穴产卵的原理，有助于均匀分配负载，但在资源调度方面存在不足。不过，这两种算法在负载平衡方面取得了显著成果。

随后应用了猫群优化算法（CSO）和蝙蝠算法（BAT）。CSO算法受猫的搜索和追踪模式启发，可可靠且经济地利用云环境中多个任务的可用资源。BAT算法基于蝙蝠捕食原理，可在较少时间和资金下进行资源分配，但在发电消耗方面效果不佳。总体而言，PSO和CSO在有效性上超过了PSO和CSA。

通过集成负载稳定、资源分配和电源管理的WOA算法，研究提出了一种改进云环境的创新方法，旨在优化云系统中的任务验证、响应时间和功耗，使企业和用户最终受益于更高效、可持续的云计算实践。与其他算法不同，WOA算法在性能上表现最佳，其基于提取和扩展的哲学，可计算云环境中的任务调度和能源消耗，本研究使用Cloud Analyst进行测试。

2. 文献综述

不同学者提出了多种云环境相关的方