基于遗传算法的温度调节自适应分布式装置的优化方法

摘要

本发明公开了基于遗传算法的温度调节自适应分布式装置的优化方法，属于散热系统的控制和优化技术领域。该方法利用物联网硬件软件基础，在每个散热器件上嵌入物联网芯片，组成Mesh通讯网络；每个散热器件为一个自洽系统，该自洽系统通过Mesh网络和附件邻居子系统沟通；每个散热器件被植入具备遗传算法的控制系统，从而变成一个AI散热器，所有AI散热器构成散热集群；散热集群在环境压力的驱动下，动态寻找省电的局部最优解，完成应对环境变化的适应性调节过程。本发明在优化过程中多个散热器装置组成集群，达成去中心分布式自适应温度条件变化和集群个体数目的更改，省电并有高可用性、高伸缩性和极大的鲁棒性。

说明书

技术领域

本发明属于散热系统的控制和优化技术领域，具体涉及基于遗传算法的温度调节自适应分布式装置的优化方法。

背景技术

现代计算机系统，无论是笔记本电脑还是云服务器机房，散热系统都会消耗大量电力，系统的PUE(电能使用效率)指标是衡量其TCO(总拥有成本)的重要数据，散热系统都是设计出来的，所以减少散热系统的电力消耗是非常重要的技术。另一方面，设计出来的散热系统往往有着局部中心型、整体分裂、被动的和低效的特点。散热系统的各个散热部分是以固定散热参数运行，或者被动报告并相应局部中央控制系统的调度，如服务器主板由BMC(Baseboard Management Controller)控制；而各个散热系统的子系统各自为政，在全局缺乏统一调度。雪上加霜的是，局部中央控制系统往往会考虑很大余量，采用固定阶梯式散热阈值，浪费大量电力。如果使云服务数据中心PUE接近1，需要大量的人工精细调节。现有系统的鲁棒性很差，局部中心型的设计让风险集中在该中心，一旦程序出现问题，或者其控制的风扇损坏，只能给出停机报告等待人工干预，而无法调度周边子系统降温并继续提供服务。

近年来，物联网发展迅猛，质优价廉的物联网芯片，低功耗的联网手段可以迅速组成局部Mesh网络。风扇、空调等散热设备也已具备无级变速、变频等全域改变散热参数的条件，硬件基础已经具备，那么关键问题是如何设计一种去中心化的，具有人工智能的分布式自主条件散热装置的问题。

发明内容

针对现有技术中存在的问题，本发明要解决的一个技术问题在于提供一种基于遗传算法的温度调节自适应分布式装置的优化方法，该分布式装置利用人工智能中的遗传算法，能够自适应温度条件变化和集群个体数目的更改，在动态平衡中取得高可用性、高鲁棒性和极大节省电力。

基于遗传算法的温度调节自适应分布式装置的优化方法，利用物联网硬件软件基础，在每个散热器件上嵌入物联网芯片，组成Mesh通讯网络；每个散热器件为一个自洽系统，该自洽系统通过Mesh网络和附件邻居子系统沟通；每个散热器件被植入具备遗传算法的控制系统，从而变成一个AI散热器，所有AI散热器构成散热集群；散热集群在环境压力的驱动下，动态寻找省电的局部最优解，完成应对环境变化的适应性调节过程。

所述基于遗传算法的温度调节自适应分布式装置的优化方法，具体过程为：

(1)为每个散热器搭配主控，并组成Mesh网络，相邻的散热器相互交互；然后进入遗传算法程序；

(2)初始化：为每个AI散热器设置一个基本散热参数；

(3)淘汰：每个AI散热器根据其温区的预警发生情况来选择淘汰比例，淘汰算法结束后进入步骤(4)；

(4)新生和演化：淘汰算法过后补充新的AI散热器，并重置其散热效率参数；结束该轮动态调整过程，并进入步骤(5)；

(5)每隔设定时间，重复一次步骤(3)和(4)，完成一轮动态调整过程。

所述基于遗传算法的温度调节自适应分布式装置的优化方法，所述淘汰算法包括以下步骤：

a)设置温度区间为三种临界值：温度预警阈值1，温度预警阈值2和灾难预警；若温区没有报警，则淘汰温区中散热能力最小的AI散热器，结束该轮淘汰算法；否则，进入步骤b)；

b)判断温度是否为超过阈值1又不到阈值2，若是，则淘汰温区温度最高的AI散热器，并结束该轮淘汰算法；否则，进入步骤c)；

c)判断温度是否为超过阈值2又不到灾难温度值，若是，则淘汰温区温度最高的50％数量的AI散热器，并结束该轮淘汰算法；否则，淘汰所有的AI散热器，同时结束该轮算法；

所述基于遗传算法的温度调节自适应分布式装置的优化方法，所述新生和演化过程包括以下步骤：

a)判断AI散热器是否为新加入的AI散热器，若是，进入步骤b)；

b)判断该AI散热器是否为因为温度超过阈值而淘汰旧AI散热器后补充的，若不是，则该AI散热器的散热效率根据平均参数函数取得P

P

所述基于遗传算法的温度调节自适应分布式装置的优化方法，所述基本散热参数为散热效率E，AI散热器初始时以最大散热效率散热；散热效率的计算公式为：

E越小，说明该散热器现在散热效率不高，更容易被淘汰。

所述基于遗传算法的温度调节自适应分布式装置的优化方法，所述设定时间为1～10秒。

有益效果：与现有的技术相比，本发明的优点包括：

本发明在优化过程中，多个散热器装置组成集群，可以达成去中心，分布式自适应，能够自适应温度条件变化和集群个体数目的更改，省电并有高可用性，高伸缩性，有极大的鲁棒性。

附图说明

图1为温度区间分布图；

图2为淘汰算法流程图；

图3为新生和演化流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合具体实施例对本发明的具体实施方式做详细的说明。

实施例1

基于遗传算法的温度调节自适应分布式装置的优化方法，利用物联网硬件软件基础，在每个散热器件上嵌入物联网芯片，该物联网芯片只要能够运行本方法说明的调度算法即可，在计算机系统(如云机房)内组成Mesh通讯网络；每个散热器件为一个自洽系统，该自洽系统通过Mesh网络和附件邻居子系统(相邻的AI散热器)沟通；每个散热器件被植入具备遗传算法的控制系统，从而变成一个AI散热器，所有AI散热器构成散热集群；散热集群在预设环境压力的驱动下，受遗传算法约束，自发动态寻找省电的局部最优解，完成应对环境变化的适应性调节过程，具体过程如下所示：

(1)为每个散热器搭配主控，并在计算机系统内用蓝牙或者NB-IoT组成了Mesh网络，相邻的散热器可以相互交互；然后进入遗传算法程序；

(2)初始化：为每个AI散热器设置一个基本散热参数，该基本散热参数为散热效率E，AI散热器初始时以最大散热效率散热，散热效率的计算公式为：

E越小，说明该散热器现在散热效率不高，更容易被淘汰；

(3)淘汰：每个AI散热器根据其温区的预警发生情况来选择淘汰比例，淘汰算法流程图如图2所示，具体包括以下步骤：

a)设置温度区间为三种临界值(如图1所示)：温度预警阈值1，温度预警阈值2和灾难预警，若温区没有报警，则淘汰温区中散热效率最小的AI散热器，结束该轮淘汰算法；否则，进入步骤b)；

b)判断温度是否为超过阈值1又不到阈值2，若是，则淘汰温区温度最高的AI散热器，并结束该轮淘汰算法；否则，进入步骤c)；

c)判断温度是否为超过阈值2又不到灾难温度值，若是，则淘汰温区温度最高的50％数量的AI散热器，并结束该轮淘汰算法；否则，淘汰所有的AI散热器，同时结束该轮算法，进入步骤(4)；

(4)新生和演化：淘汰算法过后补充新的AI散热器，并重置其散热效率参数；新生散热器的个数＝淘汰散热器个数+新加入散热器个数，新生和演化流程图如图3所示，具体为：

a)判断AI散热器是否为新加入的AI散热器，若是，进入步骤b)；

b)判断该AI散热器是否为因为温度超过阈值而淘汰旧AI散热器后补充的，若不是，则该AI散热器的散热效率根据平均参数函数取得P

P

结束该轮动态调整过程，并进入步骤(5)；

(5)每隔5秒，重复一次步骤(3)和(4)，完成一轮动态调整过程。

在外部环境没有恶化(热源、算力增加)的情况下，AI散热器集群会动态适应环境，如热源减少，AI散热器增加的情形，不断动态尝试找到局部最优解(耗电最少)。而在外部环境恶化，或者发送灾难性事故(设备故障)，AI散热器集群也可以快速自主进行自适应性调整，在一段时间高耗能后，慢慢回归一个稳态，也就是另一个局部最优解(耗电最少)。

如此一个去中心，分布式自适应，省电并有高可用性，高伸缩性，有极大的鲁棒性的AI散热器装置集群达成。