[发明专利]一种基于粒子群优化神经网络的服务器性能预测方法

摘要

本发明公开了一种基于粒子群优化神经网络的服务器性能预测方法，属于计算机性能管理技术领域。本发明基于改进的Elman神经网络对云计算下的服务器进行性能预测。首先，根据样本数据的相关性确定Elman神经网络输入层节点数目，然后，通过基于粒子群分布的PSO算法对Elman神经网络进行训练。在基于粒子分布的PSO算法中引入粒子聚集度的概念，在聚集度较高时打散粒子群，保持粒子群的多样性，提高算法的寻优能力。本发明提出的预测模型在短期预测和长期预测中均保持了较好的精度，且提高了神经网络的训练速度。

主权项

1.一种基于粒子群优化神经网络的服务器性能预测方法，首先选取待预测服务器性能参数的历史数据，进行预处理，获得训练样本；然后利用训练样本对神经网络进行训练；最后利用训练好的神经网络对未来时刻的待预测服务器性能参数进行预测；其特征在于，在对神经网络进行训练时，利用粒子群算法对所述神经网络的连接权值和阈值进行优化，具体包括以下步骤：步骤1、对所要优化的连接权值和阈值进行粒子编码，并确定粒子群规模，粒子的位置和速度，学习因子和惯性权重，其中每个粒子的维数为所要优化的连接权值和阈值的总数量；步骤2、初始化种群；步骤3、迭代更新：步骤301、计算当前粒子群中各粒子的适应度；步骤302、更新当前每个粒子的个体极值和粒子群体的全局最优极值；步骤303、计算当前粒子群的聚集度，若聚集度大于预设的聚集度阈值，则保留全局最优的粒子，并利用随机生成的n-1个范围为的位移增量更新除全局最优的粒子以外的其他n-1个粒子的位置；其中，n为粒子群中的粒子总数，为最大解集的模；所述当前第k次迭代的粒子群的聚集度，按照以下方法计算：，式中，为当前粒子群中与全局最优粒子之间的距离小于的粒子总数；为全局最优粒子的邻域半径，按照下式计算得到：，其中，为最大迭代次数，为最大解集的模，k为当前迭代的次数；步骤304、更新粒子的速度和位置；步骤305、检查粒子群中是否有粒子越界，若粒子越界则将其修正到解域的边界上；步骤306、检查是否满足算法终止条件，如是，则算法结束，转至步骤4；否则返回步骤303，继续迭代；步骤4、对最后一次迭代的全局最优极值进行解码，得到所述神经网络的优化的连接权值和阈值。