容器资源优化分配:一种新的混合模型

沙特国王大学学报云架构中的容器资源优化分配：一种新的混合模型卡皮尔·NVhatkar1，Girish P.Bhole1VJTI印度孟买阿提奇莱因福奥文章历史记录：接收日期：2019年2019年9月12日修订2019年10月26日接受在线预订2019年保留字：云计算容器资源分配微服务优化狮子算法鲸鱼优化算法A B S T R A C T基于云计算的微服务由于其高性能的能力，在众多领域和行业中得到广泛应用。此外，容器使用的优点是巨大的;它允许更大的可移植性，更容易和更快的部署和有限的开销。然而，集装箱自动化和管理的快速发展也带来了一些问题。到目前为止，许多研究工作都集中在解决集装箱自动化和管理中的开放问题上事实上，容器资源分配是云提供商的主要关键，因为它直接影响资源消耗和系统性能。在此基础上，提出了一种新的集装箱资源优化配置模型。为了实现集装箱资源的最优分配，提出了一种新的混合算法，即鲸随机更新辅助狮子算法（WR-LA），它是狮子算法（LA）和鲸优化算法（WOA）的混合形式。此外，优化资源分配的解决方案，分别考虑目标，如阈值距离，均衡的集群使用，系统故障，总网络距离。最后，将该模型的性能与其他传统模型进行了比较，证明了该模型的优越性.©2019作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍最近，由于各种物联网组合的可用性，需要处理的云类型数据帐户急剧增加。物联网的普及和发展大大增加，这导致物联网感知层的数据增长（JohnMcCall，2005）。云的管理（Linthicum，2017 a，b，2016; Abolfazli等人，2014）以这样的方式进行，通过该方式，服务器和客户端的全部资源响应由显式客户端经由存储器和服务器的数据库请求的数据。在这些云中，数据密度通常似乎存在数据泄露和黑客攻击的风险。明确的群体。云计算部署在公司当IT雇佣成本增加时，1个部门计算机工程IT，Veermata Jijabai技术学院，孟买-400019，印度。沙特国王大学负责同行审查制作和主办：Elsevier电子邮件地址：knvhatkar_p17@ce.vjti.ac.in（K.N. Vhatkar），gpbhole@ce.vjti.ac.inwww.example.com （Bhole）减少了接受虚拟化。这反过来又在类似的服务器上同时操作应用程序和多个操作系统。通过云内的虚拟化增强了安全性和硬件利用率，并提供了有关运营弹性和效率的出色性能。此外，快速有效的云技术是各种环境中的虚拟化。容器知识（Yin等人，2018; Netto等人，2017; Kaur等人，2017年6月）可能是独立分离的操作系统或应用程序。考虑到目前的计算环境，本文将其定义为在其他计算环境中具有柔性的软件解决方案。虚拟化技术和容器是相同的，但容器可以使用或集成应用程序，如库，配置文件，整个包和二进制文件。该容器用于将每个软件包放置在一个规则的位置。支持微服务架构的一项技术是应用程序的容器化。为OS虚拟化定义的方法被命名为容器化（Pahl等人，2017; Pahl，2015; Martin例如，2018年; Li等人，2018年a）。操作系统环境及其文件系统具有容器的隔离形式，计算仅在一个内核和一个主机上处理。因此，容器部署（Reeser等人，2015; Li等人，2018 b; de Alfonso等人，2017; Guan等人，2017）应用程序的每个微服务https://doi.org/10.1016/j.jksuci.2019.10.0091319-1578/©2019作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comK. N. Vhatkar，G. P.Bhole/ Journal of King Saud University1907命名法缩略语OS操作系统HPC高性能计算NSGA-Ⅱ非支配排序遗传算法-ⅡSCARF可扩展实时取证2SPRA两阶段随机规划资源分配器SLO服务级目标MPI消息解析接口GA遗传算法SW-GA基于交换变异的GA SH-GA基于收缩变异的GA GM-GA基于生长变异的GA LA狮子算法WOA Whale优化算法WR-LA鲸鱼随机更新辅助狮子算法而无需启动整个虚拟机。通过这种方式，由于对集群、隔离和安全性的环境维护，可以减少系统中的开销（Shankar和Jaisankar，2014）。云服务提供商的云服务中心的一个长期存在的问题显然是过度配置，其中更大的运营成本和不合格的资源利用率可能会出现资源浪费。平均而言，一个典型的数据中心以较低的效率运行这种未充分利用可能是由于另一个原因，该原因具有使用虚拟机的资源获取的粗粒度的属性（Pham等人，2014年）。此外，更重要的开放问题是缺乏这些技术的快速增长和事实上的解决方案在管理和调度云微服务的可用性在集群中，物理节点上的容器分配触发了系统容器的性能可以使用优化算法来提高（Shareef和Rao，2018; Singh等人，2018;Kumar等人，2018; Thomas andRangachar，2019）。本研究工作的主要贡献如下：实现了一种新的利用系统性能优化容器资源分配的方法。为了实现集装箱资源的最优分配，提出了一种新的WR-LA算法。建议WR-LA算法的性能，然后com-championed在其他传统模型的modeled成本函数方面本文的结构安排如下：第二部分介绍了云上容器资源分配的相关文献。第三部分描述了在云中进行最佳容器分配的拟议系统模型。第四节讨论了集装箱资源优化配置的目标模型：介绍了混合算法.第五章对结果进行了分析和讨论第六部分是对全文的总结。2. 文献综述2.1. 相关作品2018年，Mondesire et al. （Mondesire等人， 2018年）已经探索了将传统HPC环境扩展为HPC环境的可能性，其中具有支持多个同时交互式仿真的能力，这些仿真继续解决计算密集型任务。这项工作的主要意图是保持性能有效性，通过该性能有效性扩展了已经受HPC环境的软件范围为此，分析了所提出的方法使用四种HPC负载平衡方法，通过群集来模拟和优化分析，执行基于游戏的模拟应用程序，软件容器，调度和虚拟化。在这方面，实验是通过比较这些不同的方法的性能和确定扩展HPC功能的可能性。所使用的部署方法是根据计划的软件类型、竞争软件作业的数量和群集资源的可访问性选择的2018年，Guerrero et al.（2018）介绍了一种基于NSGA-II的新从资源管理的角度分析了这种方法与其他资源管理优化问题。该算法在系统性能、网络开销、系统配置此外，还提供了一种用于微服务、云集群、容器和另外四个优化目标的仿真结果表明，该方法能较好地解决集装箱的弹性和分配问题。此外，与Kubernetes中植入的容器管理策略相比，这种方法获得了更好的客观价值。2018年，Kim et al.（2018）在云编排的基础上开发了容器雾节点，满足了需求。实现的CF-CloudOrch被认为是一个网络管理原型，使用了除可视化之外的轻型容器技术。本CF-CloudOrch已经提出了与其他情况的比较分析，因为这通过原型实现了解流程图，而CF-CloudOrch通过服务场景和原型实现了解流程图。最后，通过使用简单有效的管理，物联网网络为未来的IT研究做出了贡献。2018年，Tang等人（2018）植入了一种使用container autoscaler的方法。该方法分析了容器的资源使用情况，并据此对需要的容器进行伸缩。此外，使用所实现的方法，弹性可以被数学地定义用于量化云弹性。扩展模拟已在大量工作负载持续时间、缩放冷却时间段和工作负载模式下执行。仿真结果表明，这项工作监测公司的工作量变化，通过非常低的延迟。此外，云平台由于其可预测性和重复性的特点，在复制工作负载模式中表现出更好的弹性。最后，确定了冷却时间长度，并适当地进行了计算，以平衡系统的稳定性和获得更好的弹性。2017年，Stelly和Roussev（2017）提出了一个基于容器的软件框架SCARF，将这种方法应用于取证计算。该原型通过提供低成本的自定义代码和通过更简单的数据选择第三方工具来证明其实用性●●●1908K. N. Vhatkar，G. P.Bhole/ Journal of King Saud University接口。大多数取证方面具有数据并行性质，并且已经更好地拟合了结果结构，其中存在一些依赖关系，这些依赖关系是受限的并行表达式。仿真实验表明，通过增加额外的硬件资源，各种预处理方面，如索引，哈希和批量处理的性能最大限度地线性平衡。从分析中可以明显看出，软件工程在整合新工具方面的尝试是相当温和的，整个资源分配和关键任务调度都是在容器编排的运行时DockerSwarm的帮助下自动维持的。2018年，Louati et al. （2018）通过LXCloudFT中的叙述复制方法LXCloud-Rep解决了连接和复制问题。具有垃圾收集和版本控制的复制方法被称为LXCloud-Rep，其中Linux容器上的各个节点内的实例具有分散复制的能力。在节点故障之后，来自容器的分布式映像的新节点内的故障容器2019年，Salza和Ferrucci（2019）设计并植入了一种新方法，以基于云的应用程序的形式分发遗传算法。这种方法基于从/主技术，制定软件容器，消息查询及其云编排。一个理论上的工作流程，已经包围了每个云遗传技术的分布阶段，已经设计了从资源分配到实际执行和就业的工程方式。在此基础上，提出了评价应用程序性能的标准问题.与建立时间和性能结果相对应的是，云气被假定为作为缩放GA的令人信服的方式，并且已经做出了与物理拥有的硬件紧密关联2017年，Adam等人（2017）引入了2SPRA。根据传入的波动工作负载，针对容器化的n层Web服务优化了资源供应，以便在响应延迟内保持先前定义的SLO特别是，减少资源过度配置的能力已经由2SPRA通过在常驻随机优化方法内将网络流量动态处理为不确定性工作负载来实现。2SPRA已经完全在Python中使用专用OpenOpt优化方法实现，并在基于Docker的CoreOS Linux VM中的AmazonEC2上计算它。这些工作负载是基于四个真实世界的网络跟踪创建的，这些网络跟踪针对不同的流量变化，如ClarkNet、AOL、NASA和WorldCup98。仿真结果表明，实现的2SPRA实现了减少资源过度配置，具有更好的性能比其他传统的模型。在2019年，Chunlin Li等人（JohnMcCall，2005）提出了一种自适应资源分配算法来检查该方案提出了一种基于云集群资源分配的数据迁移算法，以保证数据可靠性和服务成本最小化为目标。最后，从数据完整性、成本控制和负载平衡等方面对两种模型进行了比较，以显示其优越性。2018年，Li等人（2019）介绍了一种在公共云和私有云中配置云资源的综合模型。任务截止线并发症和通信延迟也被考虑.特别是，为私有云开发了集中式资源配置模型，为公有云开发了分散式拍卖模型。此外，还引入了机会约束优化，以最大限度服务质量。此外，强化学习被引入到获得一个“自私”的代理的最优投标策略2.2. 审查表1描述了传统方法在云计算容器化方面的特征和挑战。在这项研究工作中使用了各种技术。但是，它还处于初级阶段，由于其不足之处，还需要进一步的修改.所采用的常规方法的一些优点和缺点如下：MPI（Mondesire等人，2018）造成的开销很小，并且具有更好的性能和鲁棒性。然而，在同步的任务，需要一个明确的定义的数据通信困难。NSGA-II是Guerrero等人，2018），具有更好的网络距离和均衡的集群，减少了系统故障和阈值距离。但其主要缺点是：需要对实际的云容器集群进行进一步的研究，并需要其他的优化目标。CF-CloudOrch（Kim等人，2018）提高了性能和效率，并能快速检测各种外部攻击。仍然需要增强安全性，并进一步需要容器选择算法。基于容器的自动缩放（Tang等人，2018）提高了云弹性，具有更好的数据可扩展性和功能可扩展性。然而，缺乏额外的投入和工作模块的实施和工具测试的可重复性改进. LXCloudFT（Louati等人，2018）获得了最小化的运行时和存储开销，并且避免了使用专用存储库。这种方法的局限性是：计划适应复制因子，并造成高故障率。GA（Salza和Ferrucci，2019）在通信成本和计算负载以及有效的并行化之间具有更好的依赖性。然而，灵活性和易用性需要改进，并投入到解决实时优化问题。2SPRA（Adam等人，2017）解决了工作负载的不确定性，并将过度配置降至最低。未来需要纠正的主要缺点是需要替代模式和优化资源配置。3. 建议的系统模型，用于云中的最佳容器分配通常，在云计算中，大量的物理节点连接到管理良好的云。该容器通过所提出的WR-1000为所有应用提供微服务器。LA算法。所提出的模型通过考虑阈值距离、均衡集群使用、系统故障和总网络距离等约束，将最优资源分配给容器，如图1所示。假设一组基于微服务的应用A子系统增强模式。所有这些应用程序apy的特征化都是使用用户请求计数urqy和微服务堆栈进行的。微服务堆栈是指微服务的序列以及它们之间的互操作性，通过这些微服务来实现应用需求。只有当其他微服务的结果被这些特定的微服务消费时，这种互操作性关系才会建立。通过这种方式，微服务堆栈被设计为有向图。微服务mx由节点表示，并且它们之间的连接被描绘为边。当目的地微服务m消费者吞噬原始微服务m提供者的结果时，边缘连接两个节点m提供者;m消费者mpro=con。每个微服务的范例都是由一个tuple_thx;mrqx;rsx;flxx，其中资源K. N. Vhatkar，G. P.Bhole/ Journal of King Saud University1909X..TD¼th..表1云计算中容器化的最新技术水平的特征和挑战作者[引文]方法论特点挑战Mondesire等人（Mondesire等人，2018年）MPI● 小的开销● 更好的性能和鲁棒性● 难以同步任务● 需要明确定义数据通信Guerreroet al.（2018）NSGA-II●更好的网络距离和均衡的集群● 减少系统故障和阈值距离Kim等人 （2018）CF-CloudOrch●提高性能和效率● 快速检测各种外部攻击Tang等人 （2018）基于容器的自动扩展●提高云弹性● 获得了重要的洞察力Stelly and Roussev（2017）SCARF● 成本最低● 更好的数据可扩展性和功能可扩展性Louati等人 （2018）LXCloudFT● 减少运行时间和存储开销● 避免使用专用存储库Salza和Ferrucci（2019）GA●通信成本和计算负载● 有效并行化Adam等人 （2017）2SPRA●解决工作负载的不确定性● 最小超额供应● 需要进一步研究真正的云容器集群● 需要其他优化目标● 需要加强安全性● 进一步要求容器选择算法● 更深入地了解未来● 需要更好地扩展容器● 将实施● 工具测试的可重复性需要改进● 计划调整复制因子● 失败率● 灵活性和易用性需要改进● 致力于解决实时优化问题● 需要替代模式● 需要进一步优化在资源配置中Chunlin Li等.（约翰·麦考尔，2005年）自适应资源分配算法和数据迁移算法● 考虑了服务成本和数据可靠性的最小化● 必须考虑系统故障。Li等人 （2019年）有集中和分散模式●任务期限和通信延迟考虑了● 私有云和公共云是分开处理的。● 应考虑总网络距离● 需要改进性能。消耗被描绘为Thx，其中降低了服务性能，并且进一步地，微服务创建了应用APy的瓶颈;满足单个应用用户请求URQy所需的微服务上的请求的计数被描绘为MRQx;在满足单个微服务请求时消耗的计算上的资源被描绘为RSx;并且微服务乌尔格河mrq x值基于系统工作负载，rs x和fl x值基于微服务实现。系统中每个微服务的执行被概括为多个容器conz，表示为mxnnz.容器计数基于微服务在容器之间，微服务的资源消耗是均匀分布的;因此，容器（一）.节点phyu;phyu0 其特征在于网络的距离disphyu;phy0u。4. 集装箱资源优化配置的目标模型：混合算法4.1. 目标函数该模型的目的是确定云计算中相对于新建模目标函数的最佳容器分配，该目标函数在等式中给出。 （二）、 当量 （2）是进一步方程Eqs中给出的四个主要关注目标的组合建模。（3）、（4）、（6）和（8）。obj fun¼minTDBCSFTND2这里，第一个目标是关于容器工作负载，Z角公司简介SCLXð1Þ避免了瓶颈的出现。当容器处于未充分使用状态时，容器的资源消耗小于微服务的资源阈值，从而导致容器集在一个容器的集群内进行评估，具有物理机器集PHYU的容器。alloc_con_z_phy_u是象征容器con_z_phy_u物理机的分 配 的 相 关 性 。 分 配 微 服 务 mx 的 容 器 的 物 理 机 可 以 总 结 为alloc_mx_phy_u when_con_z_mx_ alloc_con_z_phy_u。在微服务中实现更高的可扩展性。类似地，如果微服务请求计数较高，则资源消耗大于微服务的资源阈值，从而导致低可伸缩性水平。因此，定义了一个度量，称为阈值距离TD，并在等式2中解释。（三）、描述每台物理机器的元组由下式给出：公司简介SCLXXð3Þ分配给PHYU的容器所使用的计算资源的总和应当低于该物理节点的计算最后，物理网络Nw和物理机器互连，其中，第二个目标是通过平衡使用BC俱乐部来促进未来的入学和新申请。如果物理节点的使用在集群上均匀分布，那么集群似乎是平衡的。为了¼cayu和flu，分别描述了计算能力和节点的故障率。该系统的主要制约因素是，8米x1910K. N. Vhatkar，G. P.Bhole/ Journal of King Saud University使用XX.Fig. 1.云计算中建议的容器分配的图解说明。评估集群平衡，部署物理节点的资源使用百分比的标准差，并在等式中表示（四）、不列颠哥伦比亚省PHYphyu;如果9mxjallo cmxph yu4TND¼Service平均距离（mmxmm8mm）8米x哪里Service平均直径（单位：mm）x直径（单位：mm）哪里P8co nzjco nzmx。P8co nz0mx. mx;mxð9Þ采购y×mrqx×rsxPHY¼jconzj×jconz0j菲乌使用mxsclx乌岛8mxj分配内存x物理内存ð5Þ第三个目标是通过使用容器通过集群节点的分级分布。系统（六）、SF¼服务器失效时间：2016年12月6日8米x哪里Service Failure（服务故障）QfluQ8phyu j分配地址x配置phyuflx！ð7 Þ第四个目标通过关联的微服务与具有短网络距离的物理机分配交互通信的开销。在此，容器和微服务（总网络距离）TND副本之间的距离的平均值被考虑并且在等式中被公式化（八）、图二. 解决方案编码。8phyu j分配地址x配置phyuK. N. Vhatkar，G. P.Bhole/ Journal of King Saud University1911Maxup（图）pR约1/4¼Gen¼KK2K1Ky2xymin;ymax12n^l的; 否则ðÞ-ððppGenðÞkkkminMaxp pphyxy2-16P4.2. 解编码所提出的工作的主要贡献涉及微服务到作为输入解决方案给出的相应物理机的最优分配，解决方案如图2所示，其中，mN是微服务最优解随后，Y男性被假定为落后者，并且落后率由gr表示并增加1，而fY男性高于参考适合度fre。当gr超过了最大限度gr时，就要求进行领土防御。在交叉之后，使用Cr确保Y雌性生育力不育率进一步提高1。当量（17）解释在我们的工作中使用的（N=14）和phyN是物理更新为Y女性 当Cr超过容许率Cmax时，系统将出现故障。 根据机械.针对这种优化的微服务分配，本文提出了一种新的混合算法WR-LA算法。下面给出了该算法的过程改进之处在于，在更新后的雌Y雌的情况下执行交配功能，将雌Y假设为雌Y。4.3. 传统Lion算法LA（Boothalingam，2018）是为大规模和男/女芬兰妇女联合会y^女性如果p>k，否则ð17Þ基准双线性系统，这是从2014年演变而来的。LA算法通过以下四个过程进行，称为骄傲生成，领土接管，交配和领土防御问题公式化：让目标函数表示为yfemalemin½ymax;maxymin;rk]18rhyfemalern0：1rn-0：05rn.ymale-rnyfemale19在这里，y个女性和y个女性被认为是第p个和第k个向量使用等式（十）、解空间的大小是ffi，用pk作为f·f，它是在等式中给出的连续单峰和多峰函数。（十）、y~i：i<$1;2：;n^被描绘为在i位置处的解变量，并且解向量维数由yn^给出，at在位置中，最小和最大极限变量为Y女性的元素，相应地。k是在区间[1，p]下发生的随机整数，母更新位置被描绘为，并且随机整数被指定为rn1和rn2，并且在区间[0，1]内被依赖。交配：交配过程是在两个阶段的交叉由y最小值和y最大值定义。当量（11）表示大小男性女性~我~我通过这个，Y染色体和Y并且最优解被给出为Y_opt，并且在等式（1）中提供。（十二）、幼兽是常有的事其中，交叉过程产生四个幼崽，其余四个幼崽通过变异过程。Y选择¼argminfy;y;：; y;n^P110狮子 操作员： 在这方面，领土防御被利用，有利于避免算法陷入局部最优n^n^我minI~我Max和较宽的搜索解空间，以及找到相似的适应度不同的解。领土防御是解释与系列FFI ¼iPðyi~-我~Þð11Þ生产游牧联盟，生存斗争，并最终更新游牧民族和骄傲联盟。选择Ye-NomadY选择¼Y：f Y fY<0的情况。Y 0 2个月i~;yi~公司简介n^;n^>1l;否则ð12Þ当满足（20）、（21）和（22）时，fYe-ndfYmal20<在此，Y被称为解向量，因此由Y^l/2y1;y2;：;yn^]表示。骄傲一代：骄傲是由游牧狮子Y游牧，领土狮子Y雄性和雌狮Y雌性发起的。骄傲的产生过程涉及没有非成员资格的游牧狮狮子公式表示类似于解决方案向量。Ynomad;Ymale和Yfemale的矢量元素由ynomad，ymale和yfemale区域描绘，其被认为是任意整数，fYe-ndfYmalcub211时，有减少和增加的限制，在这个p1;2：;P中，其中Lion（十三）、CT基因 >Ctmaxð23ÞP¼. n^;n^>1：1313f Y男性f Y选择 6Eth24在这里，n^和l是整数。当n^1时，该算法使用方程定义（14）和（15）。hyp 2ymin;ymax14在此，世代计数由Ctgen给出，并且初始值被设置为零，然后根据领土防御过程增加到1。最大生成计数是特定的-由Ct_max限定，并且误差阈值被描绘为E_th。小时%2¼0小时15分钟其中，P ppp2第1页生育力评估：如果Y男性和Y女性在适应度上饱和，则落后者达到全局和局部最优。生育力评价的开发是为了跳过地方性的4.4. 常规鲸鱼优化算法WOA（Mirjalili和Lewis，2016）是最近自然启发的Meta启发式优化算法之一，其基于座头鲸的灵感工作。世界上最大的哺乳动物是鲸鱼。关于鲸鱼的主要有趣的因素是他们的情感以及智力。另一个值得注意的关于鲸鱼的值得信赖的事实是他们的气泡网喂养方法，这被认为是狩猎RÞÞ.1912K. N. Vhatkar，G. P.Bhole/ Journal of King Saud University-行为这被认为是限制大多数鱼类的协调策略和困难结构。WOA实现的算术表示解释如下：缩小包围机制：猎物将当前最优解作为被捕获的目标食饵，然后进行位置更新，得到最优解。鲸鱼（25）和（26）。！F¼.-W！--你别 . ..！是的。ð25Þ4.5. 提出的WR-LA算法显然，LA算法是一个著名的优化概念，它在单目标和多目标求解问题上具有有效的解决方案，但在收敛速度方面需要更多的改进。类似地，WOA也是一种新的Meta启发式算法，证明了其在解决更复杂的问题时的改进，但它们仍然需要一些改进，以便在收敛速度和可靠性方面精确地处理优化问题。考虑到这些问题，本文提出了一种新的混合算法，该算法混合了WOA和LA的特性，称为WR-LA。所提出的优化算法的概念是简单的！你别说了！你别 . ..！H：Fð26Þ解释如下：在这里，WOA概念被纳入这里，当前迭代表示为t;系数向量表示为H和W，最佳解的位置向量表示为Y*，向量的位置由Y表示，绝对值由下式给出：||，则使用“”启用逐个元素乘法。功能在每次迭代中，如果存在更好的解，则需要根据条件更新Yω矢量H和W的计算可以按照等式进行。（27）和（28）。！H2！s：！x-！S-W！1/42！Xð27Þð28Þ在此，s值构成落入区间2到0（在开采和勘探阶段）内的线性减小，并且x随机向量被接受为在[0，1]的范围内。螺旋更新位置：猎物和座头鲸之间位置更新的螺旋方程的算术计算表示（29）和（30）。！F0¼。！你别 . ..！是的。ð29Þ！你别说了！F0：ed z：p2p zp 2 p！Yωt30在这里，对数螺旋本节中的每个环绕路径假设只有50%的概率可以遵循对数路径;否则，在优化期间收缩环绕机制。计算概率的数学（31），这里每个可能的环绕路径表示为Pb。！你别说了！你别 . ..！H：F如果Pb0： 5<！Yt1！F0EDZcos 2pz ！Yωt如果Pb0 5ð31Þð þÞ ¼*电子邮件请选择语言：全局搜索是通过随机地部署所选择的搜索代理来更新搜索代理位置来执行的，而不依赖于所确定的最佳搜索代理。如果H随机值大于1，则将采用该技术等式（32）和（33）解释了该WOA原理的算术表达式。！F¼.-W！--太棒了！是的。ð32Þ！你别说了！太棒了！H：Fð33Þ在此，Yrad是从当前试运行的鲸鱼中随机选择的。图三.所提出的WR-LA算法的流程图符号化。K. N. Vhatkar，G. P.Bhole/ Journal of King Saud University1913ðÞ传统的 莫德埃勒图四、所提出的模型与传统模型（a）实验1（b）实验2（c）实验3和（d）实验4相比的总体分析LA算法。改变是在传统LA算法的生育过程中进行的，其中代替等式中给出的雌性更新。（18），所提出的算法执行等式（18）中的WOA的随机更新评估。（三十三）。算法1给出了所提出的WR-LA算法的伪代码。所提出的算法的流程图在图中给出。3.第三章。算法1. 拟议WR-LA的伪代码步骤1启动Yma、Yfe和Ynd第2步评估fYma、fYfe和fYnd第3步指定ffit<$fYma和Ctgen<$0第4步存储Yma和f Yma第5步进行生育力评估，其中女性更新Eq. 公式（18）被替换为公式（19）中的随机更新。（三十三）步骤6进行交配并获得幼崽第七进行性别聚类，得到Ymacub，YFe Cub第8步初始化Amax为零9.实现幼崽生长功能第10步执行领土防御;如果防御的结果是0，则转到第4步骤11如果A^cubA^max，则转到步骤9步骤12进行领土接管并获得更新Yma和Yfe第13步：Ctgen递增1步骤14如果不符合停止标准，则转到步骤4第15步其他第16步终止进程4是使用400台机器，容量800。所提出的工作的性能已经分析了其他传统方法，如GA（JohnMcCall，2005），SW-GA（Guerrero等人，2018）、SH-GA（Guerrero等人， 2018）、GM-GA（Guerrero等人 ， 2018 ） 、 LA （ Boothalingam ， 2018 ） 和 WOA （ Mirjalili 和Lewis，2016），并根据建模成本函数讨论了结果。5.2. 与传统模型相比，所提出的模型以及传统模型的成本函数分析如图4所示。通过四个实验进行了分析，并对结果进行了讨论。所提出的模型的性能优于传统模型是评价使用的性能metrics建议的模型-conventional模型elx100。这里，通过改变迭代计数来完成分析。从图4（a）中，在迭代50处的实验1的实施模型已经获得了比SW-GA、SH更好的具有最小化成本的解决方案。GA、GM-GA、LA、WOA分别降低9.43%、9.33%、9.51%、1.08%，9.58%。对于第100次迭代，实现的模型分别比SW-GA提高21.51%、21.41%、21.57%、13.46%和21.63%SH-GA、GM-GA、LA和WOA。根据图4（b）中给出的在图4（c）中，实验3的所提出的模型在第50次迭代时获得了更优的解，并且分别比GM-GA、LA和WOA高0.83%、0.6%和0.85%。类似地，在第100次迭代时，植入模型比GM-GA、LA和LA分别好1.5%、1.04%和1.51%。WOA，分别对考虑的实验4号植入模型在第50次迭代时的性能分别比GM GA、LA和WOA好9.09%、7.99%和9.04%而在第100次迭代时，引入的模型分别比GM-1模型好8.05%、1.74%和9.59%5. 结果和讨论5.1. 仿真设置在MATLAB 2018a中对所提出的集装箱分配模型的实现进行了仿真这里，通过考虑具有四种物理机的异构集群来处理分析，即，250，300，350和400，计算效率分别为100、200、400和800。在此基础上进行了四个实验实验1使用250台容量为100的机器进行;实验2使用300台容量为200的机器进行;实验3使用350台容量为400的机器进行，实验4使用300台容量为400的机器进行。GA、LA和WOA。从图3中，所提出的模型清楚地表明，所提出的模型在与其他模型比较时收敛得更早。从而证明了该模型在降低成本方面优于其他传统模型5.3. 实验1表2表示实验1中所提出的模型相对于传统模型的统计分析。实际上，本文进行了五组分析，其结果如下：在考虑总代价函数的情况下，从最佳情况出发，本文提出的模型得到的解的代价比遗传算法降低了21.53%、21.52%、21.35%、21.59%、13.49%和21.45%1914K. N. Vhatkar，G. P.Bhole/ Journal of King Saud University表2实验1中提出的模型与传统模型的统计分析总成本GA（JohnMcCall，SW-GA（格雷罗州SH-GA（格雷罗州GM-GA（格雷罗洛杉矶（Boothalingam，WOA（Mirjalili和WR-LA（2005年）例如， 2018年）例如， 2018年）例如， 2018年）2018年）刘易斯，2016年）最好826.45826.4824.59827.16749.64825.67648.55最糟糕827.36827.35827.36827.36810.86827.79780.98是说827.1827.09826.65827.31776.36827.04710.64中值827.29827.31827.32827.36772.48827.35706.52标准偏差0.436190.461941.37540.101430.6970.9352256.287第一目标函数GA（JohnMcCall，SW-GA（格雷罗州SH-GA（格雷罗州GM-GA（格雷罗洛杉矶（Boothalingam，WOA（Mirjalili和WR-LA（2005年）例如， 2018年）例如， 2018年）例如， 2018年）2018年）刘易斯，2016年）最好826.21826.21824.33826.62749.58825.35648.47最糟糕827.02827.02827.02827.02810.56827.51780.67是说826.82826.8826.32826.92776.27826.73710.49中值827.02826.99826.96827.02772.47827.02706.4标准偏差0.406610.394041.32760.2019430.60.9486656.184第二目标函数GA（JohnMcCall，SW-GA（格雷罗州SH-GA（格雷罗州GM-GA（格雷罗洛杉矶（Boothalingam，WOA（Mirjalili和WR-LA（2005年）例如， 2018年）例如， 2018年）例如， 2018年）2018年）刘易斯，2016年）最好0.235120.186290.254090.338780.0026010.27650.00178最糟糕0.338780.389410.384690.538570.269710.332150.30535是说0.277640.289520.328310.388720.0720080.314430.098967中值0.268340.29120.337240.338780.0078610.324530.044371标准偏差0.0507960.0865350.0543180.0998940.131890.0255850.14325第三目标函数GA（JohnMcCall，SW-GA（格雷罗州SH-GA（格雷罗州GM-GA（格雷罗洛杉矶（Boothalingam，WOA（Mirjalili和WR-LA（2005年）例如， 2018年）例如， 2018年）例如， 2018年）2018年）刘易斯，2016年）最好0000000最糟糕0001.41E-1944.81E-9200是说0003.54E-1951.20E-9200中值0000000标准偏差00002.41E-9200第四目标函数GA（JohnMcCall，SW-GA（格雷罗州SH-GA（格雷罗州GM-GA（格雷罗洛杉矶（Boothalingam，WOA（Mirjalili和WR-LA（2005年）例如， 2018年）例如， 2018年）例如， 2018年）2018年）刘易斯，2016年）最好0.0006520.0005810.0006520.0006520.0037240.0006520.001227最糟糕0.0022620.0022920.00240.0019480.057230.0055350.091913是说0.0010550.0010640.0011250.0009760.0240190.0018990.059627中值0.0006520.0006920.0007250.0006520.0175610.0007050.072684标准偏差0.0008050.0008210.0008520.0006480.0254660.0024240.040595分别为SW-GA、SH-GA、GM-GA、LA和WOA。平均值的实现模型分别 比 GA 、 SW-GA 、 SH-GA 、 GM-GA 、 LA 和 WOA 好 14.08% 、10.07%、14.03%、14.0%、8.47%和14.07%。对于目标函数1，所提出的模型的性能比GA，SW-GA，SH-GA，GM-GA，LA和WOA分别高出14.07%，14.07%，14.02%，平均值分别为14.08%、8.47%和14.06%。在标准差方面，该模型分别比GA、SW-GA、SH-GA、GM-