云计算用于解决群智能算法效率的应用研究

摘要：群智能算法因为是一种随机的、概率的搜索算法，需要大量的运算，因此得到结果需要等待的时间较长。云计算近来发展得越来越成熟，而且其特点就是拥有无限的计算资源，可以在短时间内处理大量的运算。正因为云计算的出现，群智能算法运算效率问题得到了解决。将云计算运用在群智能算法上，可以有效解决群智能算法的瓶颈问题，这样可以快速地得到所需的结果。

关键词：群智能算法;云计算;算效率

中图分类号：TP311        文献标识码：A

文章编号：1009-3044（2022）23-0056-02

1 引言

群智能算法（Swarm intelligence algorithm）[1]这个概念最早是由Beni和Hackwood在分子自动机系统中提及的，它是一种启发式的优化算法，是由相邻个体之间相互作用后从而自适应地组织起来。Bonabeau、Dorigo和Theraulaz 在1999年的论文Swarm Intelligence： From Natural to Artificial Systems中对群智能算法做出比较详细的论述，一种不是非常严格定义被提出：相互作用相邻的个体的集合体都可以被描述为Swarm，由群体动物如昆虫或者其他群体动物行为机制而激发设计出的算法或分布式解决问题的方式都可以称为群智能算法[2]。现有已经成熟的算法有蚁群算法、粒子群算法、植物花粉授算法[3]、人工萤火虫算法[4]、人工蜂群算法、蝙蝠算法等。

云计算[5]作为20世纪80年代大型计算机到C/S转变后，是IT界的一次计算革命的产物，云计算通过互联网将大量的计算任务分布在大量的服务器上，并配置共享服务器虚拟化出来的硬件资源池，从而实现软件资源和信息共享。云计算是一种可以按照用户的需求定制的一种个性化定制技术。在2007年，云计算真正地被作为一种新兴技术，得到IT界认可，经过十多年的发展、普及和应用，该技术已经走进了数以千万计的企业和教育等数据中心，成为近年来IT世界里炙手可热的技术门类，并且相信在未来的很长时间将继续得到广泛的发展[6]。

2 群智能算法与云计算的优势

2.1 群智能算法的优势

群智能算法是仿真动物群体的生活行为的一种搜索算法，相比传统的算法，它不再是个体上的搜寻动作，而是通过群体协同去达到某个目的或完成某个目标，这样不论在收敛速度，还是在精度上都会比传统算法更优。近年来，越来越多的学者都开始对群智能算法产生厚的兴趣，不少好的想法和建议都已经运用在现实的生产环境中，例如已成功应用在有害气体泄漏定位、传感器的噪声测试、模拟机器人以及无人机路径规划等方面[7-8]。

2.2 云计算的优势

云计算作为近来广受追捧的IT技术，只要有互联网的地方就可以接入“云”，它具有强大的计算能力，并且具备合理的分配计算资源，可以有效调度云的计算能力分配给每个计算任务所需的计算单元，而强大的云计算同样具备伸缩能力，在无须大量计算的时候，可以减少资源的浪费。并且云计算可以提供个性化定制，可以根据不同用户的需求，提供个性化的服务，因为专有人士提供了个性化的定制，这样不论你是不是专有人才，都可以方便快捷利用云计算来提高生活工作效率。例如水费电费缴费平台就是利用云计算技术，不像原来需要去指定地方缴费，现在只需要有网络的情况下就能完成缴费，为生活提供便利。

3 云计算与群智能算法结合

3.1 群智能算法的不足

通过对群智能算法的分析和研究，还有许多问题需要得到解决：

（1）数学理论基础。群智能算法理论基础还不够完善，例如算法的收敛性还没有办法被证明。

（2）参数的选取。算法的控制参数很少，许多参数都是靠着经验去调整选取，针对不同环境特定参数也不能完全符合现实的环境。如何选择合适的参数，使参数对具体问题的影响减至最低是我们需要考量的问题。

（3）实际应用问题的拓展。在一些领域群智能算法已经得到了一定的应用，但是覆盖面还是太小，还需要将其运用在更多的领域。

（4）效率低。群智能算法因为是群体的搜索行为，因此搜索效率低下，所以运算问题的解决是重要的研究问题。

3.2 将云计算运用于群智能算法解决无人机路径规划问题

3.2.1 群智能算法无人机路径规划模型建立

无人机路径规划是一个实际问题，通过真实的环境（地形、风向、湿度、数据、威胁信息和时间等）制定无人机的飞行轨迹，从而使无人机顺利地通过和完成指定的任务和目标。为了解决无人机路径规划问题，本文将通过函数来构建一个数学模型，通过一些参数来设定约束条件，让无人机能够找到符合自己飞行的最优的飞行轨迹。如图1所示，通过转换坐标将实际的路径路线构建成一个函数用于优化问题。

图1中，在二维坐标中，起点和目标点连接起来，通过以下公式对坐标轴进行转换。按一定的顺序连接起点与目标点位置中间的点，就得到了一条最优路线，这样就将路径规划问题转成了一个约束函数优化问题，得到了我们所需的数学模型。

3.2.2 云计算处理数学模型

根据数学模型，通过Matlab编程实现该数学模型。因为群智能算法是群体协助完成搜寻任务，而且存在大量的随机性，因此有着大量计算任务，而实验需要几百次，甚至上千次的迭代任务，传统的方式是将算法程序运行在单台的计算单元上，而且经常会出现因为设备的计算资源不够导致卡死，效率非常低。为了解决这些问题，我们可以将云计算的特点发挥出来。具体步骤如下：

（1）购买ECS服务器

阿里云作为国内云计算龙头企业，在阿里云上购买3台高性能的ECS服务器，如图2所示。

（2）环境部署

阿里云提供的ECS服务器可以帮助用户快速搭建基础环境，不论操作系统还是应用软件都可以通过视图化的界面实现一键安装部署，而且可以实现批量安装部署，节约大量的时间，成功安装一台ECS服务器所需的实验环境，另外两台通过克隆第一台ECS服务器的镜像，快速完成前期的部署工作。

（3）调试

将写好的算法模型程序导入ECS主机中，三台主机同时运行程序。

（4）监控、预警、阈值设定

阿里云提供了CPU和内存等硬件资源使用情况的监控界面，可以通过监控界面实时查看每台ECS上程序运行使用CPU等资源的情况，当程序运行的过程中，用户无须时刻盯着监控界面，阿里云也提供了预警通知，用户可以设定当CPU或者内存使用率达到用户设定的阈值，通过短信提醒用户[9]。

（5）弹性伸缩

阿里云提供了弹性伸缩的功能，当ECS主机的硬件资源使用率超过某个特定的阈值时候，通过预先定义的伸缩策略，阿里云自动为ECS主机提供更大的硬件资源用于满足实验需求;而当实验无须那么多的硬件资源，ECS主机的硬件资源使用低于某个设定的阈值时，通过预先定义的缩的策略，阿里云自动减少ECS的资源，这样可以有效减少资源浪费。阿里云的弹性伸缩功能让用户可以无人值守，当程序运行结束后，可以将运算结果保存到阿里云的对象存储中，并将ECS主机自动释放，而群智能算法运算出来的结果可以直接从对象存储中获取，这样有效节约时间和资源租借的成本。

4 结语

上述步骤成功通过云计算问题解决了群智能算法运行效率低下的问题，本实验通过三台ECS服务器完成实验，相比传统方式运行群智能算法寻优，将效率提高了三倍，因为阿里云提供了监控、弹性伸缩等功能，让用户可以实现无人值守，也不会出现实验卡死的情况，有效地解决了大量的时间成本[10]。因为通过是租借阿里云的ECS服务器，无须一次性支付大量费用购买硬件，硬件也存在淘汰问题，而租借结束后就释放资源，之后使用又可以购买最新资源，这样也不会淘汰，有效地节约了经济成本。总之，云计算对于解决群智能算法效率问题不论在效率和经济成本上都有着较大的优势。

参考文献：

[1] Holland J H.Adaptation in Natural and Artificial Systems[M]. Cambridge， MA： MIT press，1992.

[2] Colorni A， Dorigo M， Maniezzo V. Distributed optimization by ant colonies[C]. Proceedings of the first European conference on artificial life. 1991， 142： 134-142.

[3] Yang X S.Flower pollination algorithm for global optimization[M]//Unconventional Computation and Natural Computation. Springer Berlin Heidelberg，2012：240-249.

[4] Krishnanand K N，Ghose D.Detection of multiple source locations using a glowworm metaphor with applications to collective robotics[C]//Proceedings 2005 IEEE Swarm Intelligence Symposium，2005：84-91.

[5] 顾炯炯.云计算架构技术与实践[M].北京：清华大学出版社，2014.

[6] 李乔，郑啸.云计算研究现状综述[J].计算机科学，2011，38（4）：32-37.

[7] Prathiba R， Moses M B， Sakthivel S. Flower pollination algorithm applied for different economic load dispatch problems[J]. International Journal of Engineering and Technology， 2014， 6（2）： 1009-1016.

[8] Rodrigues D，Yang X S，de Souza A N，et al.Binary flower pollination algorithm and its application to feature selection[M]//Studies in Computational Intelligence.Cham：Springer International Publishing，2014：85-100.

[9] 王于丁，杨家海，徐聪，等.云计算访问控制技术研究综述[J].软件学报，2015，26（5）：1129-1150.

[10] 孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013，50（1）：146-169.

【通联编辑：代影】

收稿日期：2022-03-10

基金项目：江西省教育厅科学技术研究项目省级立项课题“基于阿里云部署的植物花粉授算法应用研究”（编号：GJJ191321）的研究成果;江西省教育厅教学改革研究项目省级立项课题“基于‘1+X’证书制度下物联网应用技术专业人才培养模式研究”（编号：JXJG-19-69-2）的研究成果

作者简介：周强（1988—），江西南昌人，江西信息应用职业技术学院讲师，硕士，主要研究方向为云计算、网络。