图2 遗传算法的收敛性
从图2可知：随着遗传代数的增加，系统整体能耗逐渐下降。但在100代以后系统能耗趋于17654.4而不再变化。经过存优去劣的自然淘汰，适应性高的个体得以保存下来，所以随着遗传代数的增加，系统能耗逐渐趋于最优值。
4.2 虚拟机的时间异构性对系统能耗的影响
在这个实验中，假设虚拟机个数为100，虚拟机类型数组为{20,40,50}，遗传代数为50代，在虚拟机运行时间取值个数增加的过程中，必须保证它们的平均运行时间是一样的，比如说：当虚拟机运行时间取值个数为1时，虚拟机运行时间数组为{5}，当虚拟机运行时间取值个数为3时，虚拟机运行时间数组为{4,5,6}，……依次类推。这样随着虚拟机运行时间取值个数的增加，得出分别采用最佳适应算法和遗传算法时整个系统能耗的变化情况，如图3所示：
 
图3 虚拟机时间异构性对系统能耗的影响
从图3可知：随着虚拟机运行时间取值个数的增加，不管是采用最佳适应算法，还是遗传算法，系统整体能耗都会逐渐增加，但是随着运行时间取值个数的增加，采用遗传算法的系统能耗和采用最佳适应算法的系统能耗之间的差值会越来越大。由此可见当虚拟机运行时间取值个数比较多的时候，采用遗传算法还是要比采用最佳适应算法更加的节省能量。
4.3 虚拟机的数量对系统能耗的影响
在这个实验中，假设虚拟机类型数组为{20,40,50}，虚拟机运行时间数组为{1,2,3}，遗传代数为50代，这样随着虚拟机的数量的不断增加，得出分别采用最佳适应算法和遗传算法时整个系统能耗的变化情况，如图4所示：
 
图4 虚拟机数量对系统能耗的影响
从图4可知：随着虚拟机个数的增加，不管是采用最佳适应算法，还是遗传算法，系统整体能耗都会逐渐增加，但是随着虚拟机个数的增加，采用遗传算法的系统能耗和采用最佳适应算法的系统能耗之间的差值会越来越大。由此可见当虚拟机个数比较多的时候，采用遗传算法还是要比采用最佳适应算法更加的节省能量。
4.4 虚拟机能力异构性对系统能耗的影响
在这个实验中，假设虚拟机个数为100，虚拟机运行时间数组为{1,2,3}，遗传代数为50代，在虚拟机类型个数增加的过程中，必须保证它们的平均计算能力是一样的，比如说：当虚拟机类型取值个数为1时，虚拟机类型数组为{25}，当虚拟机运行时间取值个数为3时，虚拟机运行时间数组为{20,25,30}，……依次类推。这样随着虚拟机类型取值个数的增加，得出分别采用最佳适应算法和遗传算法时整个系统能耗的变化情况，如图5所示：
 
图5 虚拟机性能异构性对系统能耗的影响
5 总结
本文针对云计算的能耗问题，从虚拟机放置角度，进行了降低数据中心能耗的研究。本文首先分析了虚拟机放置的时空因素——既要考虑虚拟机放置的空间有效性，又要考虑虚拟机放置的时间平衡性，并提出了将虚拟机序列按运行时间分成组。然后在组内采用遗传算法进行虚拟机放置，以期最少的物理机资源满足所有的虚拟机需求从而达到提高利用率，降低能耗的目的。第四部分的实验结果也表明采用分组遗传算法和最佳适应算法相比，的确能更好的降低数据中心的能耗。但是在动态电压调整技术方面，我的研究还不深入，希望下一步可以将动态电压调整技术和虚拟机放置结合起来，以期可以更大程度上降低数据中心的能耗。 基于能效管理的云计算资源调度模型及算法(6):http://www.751com.cn/jisuanji/lunwen_1773.html