Optimizing the energy efficient VM placement by IEFWA and hybrid IEFWA/BBO algorithms
Notice bibliographique
Résumé
In this paper, we present a problem-specific, information-based enhanced fireworks algorithm (IEFWA) and a hybrid of the IEFWA and the Biogeography-based optimization (BBO) algorithm. These new algorithms are tested for virtual machine (VM) placement problem with the objective of minimizing the energy consumption in datacenters, which is an integer space optimization problem. The EFWA algorithm is a relatively recent development in swarm intelligence (SI), and is based on explosion amplitude operator that operates in the continuous space. The 'round' function is used to convert the explosion amplitude value to the nearest integer to operate in integer space. In our IEFWA algorithm design, some domain knowledge of VM placement problem was used. During the spark generation in IEFWA, the explosion amplitude is added to the information-based selected components of the fireworks instead of adding the explosion amplitude into instead of all components. The hybrid IEFWA/BBO algorithm probabilistically chooses the explosion amplitude operator of IEFWA algorithm or the migration operator of BBO algorithm with a user determined probability for the exploitation of good candidate solutions. The VM placement problem is NP-hard, and existing results demonstrate that evolutionary algorithms (EAs) can be useful choice for good-quality solution with reasonable computing resources. We experimentally compare the performance of BBO, EFWA, IEFWA, hybrid IEFWA/BBO and the first fit decreasing (FFD) algorithms. Simulation results demonstrate the two key findings of this study. First, IEFWA algorithm consumes less CPU time as compared to the EFWA algorithm. Second, IEFWA and hybrid IEFWA/BBO algorithms outperform EFWA and BBO algorithms in terms of average energy consumed in datacenters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».