在云计算提供高效,便捷等强大服务的背后,是日益攀升的能耗问题。准确的预测云平台的负载(如CPU,内存的使用)在任务调度,云能效方面具有重要意义。在以往研究中,线性自回归算法在预测请求资源的粒度上存在不足,本文提出一种基于BP神经网络与遗传算法混合的负载预测方法,结合遗传算法良好的全局搜索能力与神经网络强大的非线性拟合能力,建立CPU资源的请求预测模型。实验通过Google的云平台数据作为训练,测试集。实验结果表明该方法有效的预测了CPU资源请求量,进而可以在此基础上调整服务资源,实现绿色调度。 件20《软件》杂志欢迎推荐投稿：cosoft@vip.163.com度可变的简单模型，按不同的连接方式组成不同的网络。本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name每个节点代表一个神经元（Neuron），接受一组输入信号，通过激励函数生成特定输出。神经网络模型拓扑结构包括输入层（inputlayer）、隐含层(hidelayer)和输出层(outputlayer)，如图1所示：负载 预测方法-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机图1BP神经网络拓扑结构图Fi输入信号依次通过输入层、隐含层、输出层逐级前馈，直至网络输出。之后学习系统计算网络的实际输出与期望输出的误差，根据这个误差逐级反馈调整网络权值，缩小实际输出与期望输出的差值，完成网络的学习过程。其具体过程如下：（1）前馈计算在该过程中，第层神经元的输入为该神经元相连的第层神经元输出的权重和，再将该和作为激励函数的参数，计算出该神经元的输出，设在第时刻第个神经元的输入为(){,,,...,}0,j1,j2,jN-1,jXnxxxxj，输出为y(n)j，该神经元的输出可表示为：11）其中,i,jx表示节点i到节点j的输入信号,i,jw表示节点i到节点j的权重,jb表示节点j的阈值，为激励函数。（2）反馈传播反馈传播的含义在于，第l层神经元的误差项是所有与该神经元相连的第l1层的神经元误差项权重和与该神经元激活函数f梯度的乘积。对于f为sigmoid函数，输出层第n时刻第k个神经元，其误差计算公式可表示为其中，kt表示期望输出值，ky为实际输出值。而对于隐含层第n时刻第j个神经元，其误差计算公式可表示为：（3）第n时刻第l层第i个神经元根据Error(n)i误差项，调整与该神经元连接的第l负载 预测方法-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name