Simple and efficient duelist algorithm variations for energy-aware virtual machine placement in cloud data centers
Notice bibliographique
Résumé
This research presents a novel approach to address the Virtual Machine Placement Problem (VMPP) in cloud data centers with the aim of minimizing energy consumption. The main contributions of this study are threefold. Firstly, a Duelist Algorithm specifically designed for VMPP, which introduces a unique concept of duelists combined with optimization techniques. The algorithm aims to strike a balance between exploration and exploitation in the search space, leading to more effective resource allocation and energy-efficient cloud data center management. Secondly, enhance the performance of the Duelist Algorithm by reducing the number of algorithm-specific parameters. This simplifies the implementation process and increases the algorithm's adaptability to various real-world problems, making it more user-friendly and robust. Lastly, conduct a comprehensive comparison of the Duelist Algorithm with the widely used Hybrid Harmony Search Algorithm (HS+SA+LS) in terms of energy consumption and overall efficiency. The experimental results demonstrate that the Duelist Algorithm consistently outperforms the Hybrid Harmony Search Algorithm, achieving remarkable improvements in both best and mean fitness values. Additionally, the Duelist Algorithm exhibits lower standard deviation values, indicating more stable and consistent performance. The findings of this research validate the effectiveness of the proposed Duelist Algorithm in minimizing energy consumption and optimizing cloud resource allocation. The reduction of algorithm-specific parameters further contributes to its versatility and simplicity.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».