摘" 要： 為了提高高校教學(xué)質(zhì)量和教學(xué)品牌影響力，必須打破單一的培訓(xùn)模式，以多樣化資源共享的形式完成高校師資培訓(xùn)。而進(jìn)行多樣化培訓(xùn)資源共享時(shí)，高精度的培訓(xùn)資源管理成為目前急需解決的問題。文中深入探討高校師資培訓(xùn)資源管理問題，建立基于云計(jì)算Hadoop平臺(tái)的高校教育資源網(wǎng)架構(gòu)，整合各大高校優(yōu)秀教師培訓(xùn)資源，并采用基于遺傳算法的高校師資培訓(xùn)資源調(diào)度方法實(shí)現(xiàn)高校師資培訓(xùn)資源管理。實(shí)驗(yàn)結(jié)果表明，所提方法在資源調(diào)度精度、資源利用率以及資源管理靈活性方面性能顯著，應(yīng)用價(jià)值可觀。

關(guān)鍵詞： 云計(jì)算; Hadoop平臺(tái); 遺傳算法; 高校師資培訓(xùn); 資源管理; 資源共享

中圖分類號(hào)： TN711?34; G64" " " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " "文章編號(hào)： 1004?373X（2019）21?0120?05

Abstract： In order to improve the teaching quality and teaching brand influence in colleges， it is necessary to break the single training mode and complete the college teacher training in the form of diversified resource sharing. When the training mode of diversified training resource sharing is applied， the high?precision training resource management becomes an urgent problem to be solved. The management of college teacher training resources is discussed deeply， and the college education resources network architecture based on cloud computing Hadoop platform is established. The outstanding teacher training resources in major colleges are integrated， and the genetic algorithm based scheduling method of college teacher training resources is used to realize the management of college teacher training resources. The experimental results show that the proposed method has significant performance in resource scheduling accuracy， resource utilization rate and resource management flexibility， and has considerable application value.

Keywords： cloud computing; Hadoop platform; genetic algorithm; college teacher training; resource management; resource sharing

0" 引" 言

伴隨我國(guó)高等教育迅速發(fā)展，高等教育目前已步入大眾化時(shí)期。隨著科學(xué)技術(shù)的快速發(fā)展與高校規(guī)模的逐漸增大，人們對(duì)教育資源的需求也逐漸增多[1]。高等教育中的表率即為高校，而高校本身資源利用率不大，硬件配置具有重復(fù)性，軟件更新效率不高。同時(shí)伴隨時(shí)間延長(zhǎng)，此類問題越來越嚴(yán)重。只有從根本上處理高校教育資源問題，我國(guó)的教育事業(yè)方可出現(xiàn)質(zhì)的飛躍。目前高校師資培訓(xùn)體制大多以政府主導(dǎo)形式為主，本質(zhì)上屬于計(jì)劃經(jīng)濟(jì)體制的產(chǎn)物，屬于一種政府掌控與管理的體制[2]。伴隨市場(chǎng)經(jīng)濟(jì)體制的設(shè)定與高等教育改革的推動(dòng)，我國(guó)高等教育體制也逐漸變成以市場(chǎng)機(jī)制為核心，將政府管理作為主導(dǎo)的形式，運(yùn)行體制也慢慢出現(xiàn)變動(dòng)。已有高校師資培訓(xùn)不存在科學(xué)性、合理性培訓(xùn)理論，且培訓(xùn)內(nèi)容過于單一化，不能達(dá)到理想效果。隨著云計(jì)算的出現(xiàn)，構(gòu)建一個(gè)統(tǒng)一化、開放化以及靈活性的教育師資培訓(xùn)資源管理平臺(tái)可實(shí)現(xiàn)教育師資共享，減少教育信息化差距[3]。本文提出云計(jì)算Hadoop平臺(tái)中基于遺傳算法的高校師資培訓(xùn)資源管理方法，用于高校師資培訓(xùn)資源管理。

1" 高校師資培訓(xùn)資源管理

1.1" 云計(jì)算Hadoop平臺(tái)的高校教育資源網(wǎng)架構(gòu)

建立基于云計(jì)算Hadoop平臺(tái)的高校教育資源網(wǎng)架構(gòu)能夠有效整合各大高校優(yōu)秀師資培訓(xùn)資源。高校教師想在高校教育培訓(xùn)資源網(wǎng)中獲取自己所需培訓(xùn)資源，第一步需要向云計(jì)算服務(wù)提供商上傳資源獲取申請(qǐng)，在云存儲(chǔ)培訓(xùn)資源名稱節(jié)點(diǎn)中獲取對(duì)應(yīng)的網(wǎng)址ID，并在網(wǎng)址的ID得到自己所需的培訓(xùn)資源，詳細(xì)架構(gòu)如圖1所示。

其中各大高校師資可看作培訓(xùn)數(shù)據(jù)節(jié)點(diǎn)，通過高校管理員往云存儲(chǔ)服務(wù)系統(tǒng)中傳輸數(shù)據(jù)，為了減少高校服務(wù)器存儲(chǔ)容積，管理人員可判斷是否刪掉已上傳培訓(xùn)資源。

培訓(xùn)資源名稱節(jié)點(diǎn)將培訓(xùn)數(shù)據(jù)傳輸至云服務(wù)提供商的數(shù)據(jù)節(jié)點(diǎn)中，并將培訓(xùn)資源名稱節(jié)點(diǎn)實(shí)行記錄后存儲(chǔ)在培訓(xùn)文件里，通過培訓(xùn)資源輔助名稱節(jié)點(diǎn)將培訓(xùn)資源名稱節(jié)點(diǎn)里的原數(shù)據(jù)實(shí)行備份，然后將數(shù)據(jù)備份文件在培訓(xùn)資源名稱節(jié)點(diǎn)中實(shí)時(shí)刷新，儲(chǔ)存最新培訓(xùn)資源。如果有高校師資需要該資源時(shí)，可往云服務(wù)提供商傳輸請(qǐng)求，培訓(xùn)資源名稱節(jié)點(diǎn)能夠通過基于遺傳算法的高校師資培訓(xùn)資源調(diào)度方法獲取資源編號(hào)，傳輸給客戶端[4]。

1.2" 基于遺傳算法的高校師資培訓(xùn)資源調(diào)度

遺傳算法是在1975年生物進(jìn)化理論的影響下提出的，在云計(jì)算Hadoop平臺(tái)里，本文使用基于遺傳算法的高校師資培訓(xùn)資源調(diào)度方法合理管理高校師資培訓(xùn)資源。

1.2.1" 編碼設(shè)計(jì)

在云計(jì)算Hadoop平臺(tái)中，高校師資培訓(xùn)資源染色體編碼使用自然數(shù)直接編碼方法進(jìn)行處理，高校師資培訓(xùn)資源染色體的長(zhǎng)度與需要分配的培訓(xùn)任務(wù)數(shù)目相同[5]。假定一個(gè)高校師資培訓(xùn)資源染色體是[Y=a1，a2，…，ai，…，an]，那么[ai]表示第[i]個(gè)高校師資培訓(xùn)資源分配任務(wù)的資源，高校師資培訓(xùn)資源分配任務(wù)編號(hào)[i]具有唯一性。對(duì)各個(gè)高校師資培訓(xùn)任務(wù)分配一個(gè)資源，不一樣的任務(wù)被分配的培訓(xùn)資源存在一致性。使用此方法實(shí)行編碼，有利于促進(jìn)高校師資培訓(xùn)資源染色體交叉變異，編碼與解碼步驟也易于操作[6]。

1.2.2" 高校師資培訓(xùn)資源任務(wù)量

將第[j]個(gè)資源所具有的計(jì)算性能設(shè)成[Aj]，第[i]個(gè)培訓(xùn)任務(wù)大小設(shè)成[Bi]。假定第[j]個(gè)培訓(xùn)資源空閑時(shí)間是[Cj]，高校師資培訓(xùn)資源數(shù)目總值是[n]，高校師資培訓(xùn)任務(wù)總數(shù)目是[m]。則高校師資培訓(xùn)任務(wù)量總值[B]為：

若高校師資培訓(xùn)任務(wù)[i]在高校師資培訓(xùn)資源[j]中的管理用時(shí)是[ABij]，那么[ABij=Dij+Fij]。其中[Fij]表示第[i]個(gè)培訓(xùn)任務(wù)在第[j]個(gè)資源中的應(yīng)用耗時(shí)，同時(shí)[Fij=BiAj]。[Dij]表示高校師資培訓(xùn)任務(wù)[i]在高校師資培訓(xùn)任務(wù)[j]中開始應(yīng)用時(shí)間，如果[Dij=Cj]，則表示高校師資培訓(xùn)資源沒有被分配;如果高校師資培訓(xùn)資源已分配，則此資源已分配的培訓(xùn)任務(wù)用時(shí)設(shè)成[Gij]，[Dij=Cj+Gij]。

算法一：理論實(shí)現(xiàn)時(shí)間最小值運(yùn)算

1） 初始化目前已分配高校師資培訓(xùn)任務(wù)量[BD=0]，將[n]個(gè)高校師資培訓(xùn)資源空閑時(shí)間[Cj]按照自小至大的形式排列，獲取[n]個(gè)根據(jù)順序排序的時(shí)間段信息。

2） 自第2個(gè)時(shí)間段至最后一個(gè)時(shí)間段，實(shí)現(xiàn)步驟1）與步驟2）。

① 判斷此時(shí)間段（不包含此時(shí)間自身）和上個(gè)時(shí)間段中可用培訓(xùn)資源數(shù)量，運(yùn)算高校師資培訓(xùn)可用資源運(yùn)算能力總值[ATotal]，運(yùn)算此時(shí)間中能實(shí)現(xiàn)的培訓(xùn)任務(wù)量[BD=ATotal]。

② 如果[BD+Bp≥B]，那么記錄上個(gè)時(shí)間段的培訓(xùn)資源分配情況，跳轉(zhuǎn)至步驟3），反之設(shè)[BD=BD+Bp]，返回操作步驟2）。其中，[BD]表示目前培訓(xùn)任務(wù)量，[Bp]表示過去時(shí)間段中的培訓(xùn)任務(wù)量。

3） 如果沒有時(shí)間段被分配標(biāo)記，那么標(biāo)記最后一個(gè)時(shí)間段。

4） 運(yùn)算高校師資培訓(xùn)資源分配時(shí)間的最小值：[r]=被分配標(biāo)記的時(shí)間+（[B-BD]）/被分配標(biāo)記的時(shí)間中全部可用資源具有的運(yùn)算能力。

通過算法一運(yùn)算在理想的前提下，高校師資培訓(xùn)任務(wù)的分配時(shí)間最小值[r]，現(xiàn)實(shí)中因?yàn)榕嘤?xùn)任務(wù)大小和每個(gè)資源運(yùn)算能力不同，最短分配時(shí)間一般不小于[r]。第[j]個(gè)培訓(xùn)資源理想的狀態(tài)下，需要分配的培訓(xùn)任務(wù)量的大小[Rj]為：

1.2.3" 高校師資培訓(xùn)資源初始種群的構(gòu)建

在云計(jì)算Hadoop平臺(tái)里，對(duì)資源調(diào)度的及時(shí)性存在較大的要求，為了增大算法收斂效率，優(yōu)化算法管理效果，高校師資培訓(xùn)資源初始種群中不僅存在隨機(jī)性的培訓(xùn)資源個(gè)體，也存在較為優(yōu)秀的培訓(xùn)資源個(gè)體[7]。則主成初始種群的方法是：

算法二：高校師資培訓(xùn)資源初始種群生成

破壞高校師資培訓(xùn)任務(wù)的順序，針對(duì)各個(gè)培訓(xùn)任務(wù)，根據(jù)下述四類方法分配至每個(gè)培訓(xùn)資源：

1） 選取一個(gè)高校師資培訓(xùn)資源，獲取培訓(xùn)任務(wù)放入此資源后的用時(shí)和[r]之差的絕對(duì)值的最小值。

2） 選取一個(gè)目前培訓(xùn)任務(wù)量低于[Rj]的高校師資培訓(xùn)資源[j]，獲取培訓(xùn)任務(wù)放入此資源后的用時(shí)和[r]之差的絕對(duì)值的最小值。

3） 隨機(jī)選取一個(gè)目前培訓(xùn)任務(wù)量低于[Rj]的高校師資培訓(xùn)資源[j]。

4） 隨機(jī)選取一個(gè)高校師資培訓(xùn)資源。

通過算法二生成培訓(xùn)資源個(gè)體比直接通過隨機(jī)方法生成培訓(xùn)資源個(gè)體的優(yōu)勢(shì)在于，前者生成較為優(yōu)秀的培訓(xùn)資源個(gè)體的機(jī)率更大[8]。

1.2.4" 交叉與變異

算法三：交叉算法

1） 選取兩個(gè)高校師資培訓(xùn)資源個(gè)體，標(biāo)記全部的培訓(xùn)資源沒有被選擇。

2） 如果全部培訓(xùn)資源均被選擇，跳至步驟4），反之選取一個(gè)之前未被選取的培訓(xùn)資源，標(biāo)記此資源屬于已選擇，對(duì)比兩個(gè)培訓(xùn)資源個(gè)體在此資源中的培訓(xùn)任務(wù)，若全部培訓(xùn)任務(wù)均一致，則反復(fù)執(zhí)行步驟2），反之跳至步驟3）。

3） 基于步驟2）里最終選取的培訓(xùn)資源[j]，對(duì)比兩個(gè)培訓(xùn)資源個(gè)體在此培訓(xùn)資源中已有培訓(xùn)任務(wù)量和[Rj]差的絕對(duì)值，針對(duì)絕對(duì)值很大的高校師資培訓(xùn)資源個(gè)體，將資源[j]中分配的培訓(xùn)任務(wù)設(shè)成沒有被分配狀況，將其他培訓(xùn)資源個(gè)體資源[j]中所分配的培訓(xùn)任務(wù)分配至此個(gè)體資源[j]中，再將之前設(shè)定沒有被分配的培訓(xùn)任務(wù)按照算法二中第一個(gè)方法進(jìn)行分配，從而產(chǎn)生新培訓(xùn)資源個(gè)體[9]。

4） 完成。根據(jù)算法三的方法實(shí)行交叉，能夠留下優(yōu)秀培訓(xùn)資源個(gè)體某個(gè)培訓(xùn)資源中的所有任務(wù)分配情況。針對(duì)一個(gè)培訓(xùn)資源[j]而言，分配在它上面的培訓(xùn)任務(wù)數(shù)目總值和[Rj]的差較小，則此資源的分配方法即為高校師資培訓(xùn)任務(wù)用時(shí)最短的資源個(gè)體中培訓(xùn)資源[j]的任務(wù)分配形式，所以該方法可促進(jìn)較為優(yōu)秀的個(gè)體生成。

1.2.5" 個(gè)體的選取

在實(shí)行高校師資培訓(xùn)資源個(gè)體交叉前，需要選取合適的培訓(xùn)資源個(gè)體，培訓(xùn)資源個(gè)體的選取方式不在少數(shù)，本文使用兩種方法來運(yùn)算培訓(xùn)資源個(gè)體適應(yīng)度，第一種方法基于培訓(xùn)任務(wù)用時(shí)運(yùn)算培訓(xùn)資源個(gè)體適應(yīng)度，一個(gè)培訓(xùn)資源個(gè)體里培訓(xùn)任務(wù)用時(shí)越短，此培訓(xùn)資源個(gè)體的適應(yīng)度便較大。第二種方法基于培訓(xùn)資源個(gè)體里資源分配的優(yōu)秀水平運(yùn)算適應(yīng)度，詳細(xì)方法是：

假定一個(gè)培訓(xùn)資源個(gè)體里培訓(xùn)資源分配的優(yōu)秀水平是此培訓(xùn)資源中分配任務(wù)用時(shí)和[r]間之差的絕對(duì)值，此差的絕對(duì)值較小，則此培訓(xùn)資源的任務(wù)分配數(shù)目合理，此培訓(xùn)資源分配情況較為優(yōu)秀。針對(duì)各個(gè)培訓(xùn)資源個(gè)體里的全部培訓(xùn)資源，根據(jù)培訓(xùn)資源的優(yōu)秀水平進(jìn)行排列，刪除[p?m]個(gè)優(yōu)秀水平較差的培訓(xùn)資源，將剩下的培訓(xùn)資源放至集合[O]里，[p]表示培訓(xùn)資源[j]中實(shí)行分配任務(wù)的用時(shí)情況，針對(duì)[O]集合里的培訓(xùn)資源，運(yùn)算用時(shí)和[r]間的均方差[K]為：

式中[M]表示集合[O]中培訓(xùn)資源數(shù)目。

本文通過[K]值判斷適應(yīng)度的情況，[K]值越小，則適應(yīng)度越大;[K]值越大，則適應(yīng)度越小。為了使用更為優(yōu)秀的培訓(xùn)資源，上述方法中刪除了優(yōu)秀水平較小的培訓(xùn)資源數(shù)，但其中一部分優(yōu)秀水平不高的培訓(xùn)資源個(gè)體適應(yīng)度較大，也會(huì)被留下。

針對(duì)培訓(xùn)資源個(gè)體的選取，先通過第一種適應(yīng)度方法獲取一部分培訓(xùn)資源個(gè)體，再通過第二種適應(yīng)度方法在剩下的培訓(xùn)資源個(gè)體里挑選剩余培訓(xùn)資源個(gè)體。第一種方法選取能夠留下整體較好的培訓(xùn)資源個(gè)體，第二種方法選取能夠留下一部分較為優(yōu)秀的高校師資培訓(xùn)資源個(gè)體，此類培訓(xùn)資源個(gè)體在和別的培訓(xùn)資源個(gè)體實(shí)行交叉時(shí)，能夠?yàn)槭Ｓ鄠€(gè)體給予更好的交叉點(diǎn)，促進(jìn)了高校師資全局最優(yōu)培訓(xùn)資源個(gè)體的生成[10]。全局最優(yōu)培訓(xùn)資源個(gè)體即為最符合用戶所需的培訓(xùn)資源。

2" 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文方法對(duì)高校師資培訓(xùn)資源管理的性能，選取本文方法、基于資源簽名的自動(dòng)尋優(yōu)方法以及基于神經(jīng)網(wǎng)絡(luò)的資源管理方法進(jìn)行對(duì)比實(shí)驗(yàn)。將2010—2015年隨機(jī)抽取的實(shí)驗(yàn)高校師資依次分成985工程院校師資、211工程院校師資以及普通高等院校師資。

2.1" 高校師資培訓(xùn)資源調(diào)度精度對(duì)比分析

采用三種方法對(duì)三種不同類型的高校師資進(jìn)行培訓(xùn)，培訓(xùn)次數(shù)設(shè)成6次，分析三種方法管理下培訓(xùn)資源提取結(jié)果，判斷其調(diào)度精度并進(jìn)行對(duì)比，對(duì)比結(jié)果如圖2所示。

分析圖2可知，在985工程院校師資、211工程院校師資以及普通高等院校師資的培訓(xùn)管理中，本文方法的培訓(xùn)資源調(diào)度精度始終位于基于資源簽名的自動(dòng)尋優(yōu)方法和基于神經(jīng)網(wǎng)絡(luò)的資源管理方法的上方，本文方法的培訓(xùn)資源調(diào)度精度均大于0.95，由此可知，本文方法的培訓(xùn)資源調(diào)度精度最大，高校師資培訓(xùn)資源管理效果最好。

2.2" 資源利用率

分析上述實(shí)驗(yàn)中三種方法在管理高校師資培訓(xùn)資源時(shí)的資源利用率并進(jìn)行對(duì)比，對(duì)比結(jié)果如表1所示。分析表1可知，本文方法在管理高校師資培訓(xùn)資源時(shí)，整體資源平均利用率是[（0.98+0.99+0.98）3]=0.98;基于資源簽名的自動(dòng)尋優(yōu)方法和基于神經(jīng)網(wǎng)絡(luò)的資源管理方法的資源平均利用率分別是0.88，0.86。經(jīng)對(duì)比，本文方法的資源利用率最高。

2.3" 資源管理靈活性

分析三種方法在管理高校師資培訓(xùn)資源時(shí)的靈活性，該靈活性側(cè)面體現(xiàn)了三種方法應(yīng)用在云計(jì)算Hadoop平臺(tái)中的負(fù)載均衡性。三種方法的資源管理靈活性對(duì)比結(jié)果如圖3所示。分析圖3可知，本文方法對(duì)高校師資培訓(xùn)資源的管理靈活性最大值為98.88%，基于資源簽名的自動(dòng)尋優(yōu)方法和基于神經(jīng)網(wǎng)絡(luò)的資源管理方法的資源管理靈活性最大值依次是91.23%，87.98%。由此可知，本文方法的資源管理靈活性最高，說明在云計(jì)算Hadoop平臺(tái)中，本文方法管理下的高校師資培訓(xùn)數(shù)據(jù)處理效果好。

3" 結(jié)" 論

本文提出云計(jì)算Hadoop平臺(tái)中基于遺傳算法的高校師資培訓(xùn)資源管理方法，和其他資源管理方法相比，該方法不單調(diào)度精度高達(dá)0.95，而且資源利用率高達(dá)0.98，除此之外，資源管理靈活性也未低于97%，可為各大高校師資培訓(xùn)資源管理提供有效幫助。

參考文獻(xiàn)

[1] 徐占洋，鄭克長(zhǎng).云計(jì)算下基于改進(jìn)遺傳算法的聚類融合算法[J].計(jì)算機(jī)應(yīng)用，2018，38（2）：458?463.

XU Zhanyang， ZHENG Kezhang. Clustering ensemble algorithms based on improved genetic algorithm in cloud computing [J]. Journal of computer applications， 2018， 38（2）： 458?463.

[2] 張淑芬，董巖巖，陳學(xué)斌.基于云計(jì)算平臺(tái)Hadoop的HKM聚類算法設(shè)計(jì)研究[J].應(yīng)用科學(xué)學(xué)報(bào)，2018，36（3）：118?128.

ZHANG Shufen， DONG Yanyan， Chen Xuebin. HKM cluste?ring algorithm design and research based on Hadoop platform [J]. Journal of applied sciences， 2018， 36（3）： 118?128.

[3] 馬躍，余騁遠(yuǎn)，于碧輝.基于資源簽名與遺傳算法的Hadoop參數(shù)自動(dòng)調(diào)優(yōu)系統(tǒng)[J].計(jì)算機(jī)應(yīng)用研究，2017， 34（11）：24?27.

MA Yue， YU Chengyuan， YU Bihui. Hadoop parameter automatic tuning system based on resource signature and genetic algorithm [J]. Application research of computers， 2017， 34（11）： 24?27.

[4] XIONG Y H， HUANG S Z， WU M， et al. A johnson′s?rule?based genetic algorithm for two?stage?task scheduling problem in data?centers of cloud computing [J]. IEEE transactions on cloud computing， 2019， 7（3）： 597?610.

[5] 付曉明，王福林，尚家杰.基于多子代遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)仿真，2016，33（3）：258?263.

FU Xiaoming， WANG Fulin， SHANG Jiajie. Optimized BP neural network algorithm based on multi?child genetic algorithm [J]. Computer simulation， 2016， 33（3）： 258?263.

[6] 李佳，李海波.基于遺傳算法的資源服務(wù)鏈構(gòu)建方法[J].小型微型計(jì)算機(jī)系統(tǒng)，2016，37（9）：1947?1952.

LI Jia， LI Haibo. Building resource service chain based on genetic algorithm [J]. Journal of Chinese computer systems， 2016， 37（9）： 1947?1952.

[7] HAMEED A， KHOSHKBARFOROUSHHA A， RANJAN R， et al. A survey and taxonomy on energy efficient resource allocation techniques for cloud computing systems [J]. Computing， 2016， 98（7）： 751?774.

[8] 宗思光，劉濤，梁善永.基于改進(jìn)遺傳算法的干擾資源分配問題研究[J].電光與控制，2018，25（5）：45?49.

ZONG Siguang， LIU Tao， LIANG Shanyong. Interference resource allocation based on improved genetic algorithm [J]. Electronics optics amp; control， 2018， 25（5）： 45?49.

[9] 馬壯壯，束龍倉，季葉飛，等.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)計(jì)算巖溶水安全開采量[J].水文地質(zhì)工程地質(zhì)， 2016， 43（1）：22?27.

MA Zhuangzhuang， SHU Longcang， JI Yefei， et al. Calculation of karst water safe yield by using BP neural network based on genetic algorithm [J]. Hydrogeology and engineering geology， 2016， 43（1）： 22?27.

[10] SHAHDI?PASHAKI S， TEYMOURIAN E， TAVAKKOLI?MOGHADDAM R. New approach based on group technology for the consolidation problem in cloud computing?mathematical model and genetic algorithm [J]. Computational amp; applied mathematics， 2016， 37（1）： 693?718.