1. 引言
云计算(Cloud Computing)，简单来说就是一种互联网的计算方式，根据用户需求为用户提供各种基于互联网的软硬件服务。大家所熟知的云计算几种服务模式：基础设施即服务、平台即服务以及软件即服务，很好的将云计算划分成各类按需提供服务的形式。当然，云计算能够提供超大规模的计算能力，能够为公司提供超高的可靠性和扩展性，保证数据的安全和对资源的伸缩利用，除此之外费用还极其廉价。但是云计算在使用过程中出现的问题：1) 无法提供多实体资源的切分，2) 计算机使用效率不高，3) 定制服务难满足需求。所以需要虚拟化技术来填补云计算中资源粒度划分问题。
虚拟化(Virtualization)，简而言之就是将一台计算机按照不同需求将实体资源(CPU、内存、硬盘存储空间和网络等)切割开，并且相互独立互不影响，这样可以有效的提高计算机的利用效率。但是现有的虚拟化技术随着互联网的发展也出现了相应的问题：1) 传统虚拟化资源划分粒度太大；2) 占用资源多；3) 并且迁移耗时耗力。所以需要新的虚拟化技术带来对上述问题的更好的解决办法，Docker容器技术能够很好的解决这几个问题。
Docker容器技术的出现，很好的解决了传统虚拟化技术的众多问题，Docker容器具备如下特点：1) 独立性；2) 细粒度；3) 快速创建和销毁；4) 很多管理工具。但是容器的出现不能简单的用于替代传统虚拟化技术，需要寻找新的应用场景，所以可以通过利用容器技术来支持微服务开发架构，使得服务的维护更加方便快捷。微服务开发架构为开发者提供了可以更好开发应用程序的开发模式，它具备的特点：1) 各个微服务间相互独立；2) 每个微服务都是一个原子化的服务，即不能再划分成更小的服务；3) 并且各个微服务能够快速的组合重构成一个系统。随着Docker容器技术和微服务开发架构的完善，相信未来能够为云计算提供更加便捷的服务支持。
虽然Docker和微服务的结合能够很好的为现有的云计算提供更加便捷的服务支持，但是当结合Docker与微服务是也会产生相应的问题。本文着重考虑将以微服务架构开发的各个微小的服务部署到支持Docker容器虚拟化的服务器上将会产生的难点问题：将各个微服务部署到Docker平台上后各个微服务之间的通信时延问题，降低各个微服务之间的通信时延能够很大程度上降低服务访问的时间，提高用户体验。与此同时，考虑降低主机的数量，达到节约能源的效果。据此本文结合人工蜂群算法和分布估计算法(EDABC)用于完成降低通信时延和减少主机数量。
本文的组织结构如下：第二节首先简单介绍一下相关背景知识，以及将问题模型化，最后介绍人工蜂群算法的基本概念。第三节介绍相关研究工作。第四节先介绍分布估计算法以及如何在人工蜂群算法中使用改进的UMDA构建一个概率模型。第五节实验部分对给出的实验结果进行分析。最后一节总结本文中的研究工作，以及对未来研究工作的展望。
2. 背景知识
2.1. Docker与微服务
随着虚拟化技术的不断发展，人们对于虚拟化的技术革新需求越来越高，2013年以来由dotCloud这个Paas提供商在Github上开源的容器引擎Docker [1] 进入虚拟行业的视野，相较于传统的VM虚拟化技术，Docker以占用资源少，并且支持简单快速的构建、分发和运行获得包括亚马逊、Google、微软和阿里云等云计算服务提供商的青睐。
Docker (容器引擎)，简而言之是个用于将各种各样应用程序打包(pack)、分发(ship)和运行(run)在一个轻量容器中的发布在github [2] 社区的开源项目。Docker容器是一个与硬件和平台都无关的虚拟化技术，那么可以在任何平台运行，你的个人电脑、工作站、远程服务器等。Docker使用C/S架构模式，用户或者管理者使用远程API管理Docker容器，可以实现创建镜像、启动容器和分发容器等。
如图1右边所示，Docker具备的特点：1) 独立性：每个容器既是一个独立完整的执行环境，不依赖外部环境；2) 细粒度：每台物理机可以同时运行几百甚至上千的容器数量，每个容器的粒度很小；3) 快速创建和销毁：每个容器可以在以秒为单位的时间内创建以及销毁；4) 很多管理工具：具有数量众多的容器编排和管理工具，能够实现服务的组合调度。
如图1所示，相较于传统的虚拟化技术(VMs)，Docker容器虚拟化具有非常明显的优势。首先从占用的存储大小上来看VMs占用非常大，这也导致很难用于调度，相反Docker容器的占用极小管理方便。其次运行VMs需要首先消耗大量的CPU和内存资源，留给应用程序的资源就会减少很多，相反Docker容器运行消耗的资源相较于VMs可以忽略不计。另外从可移植性角度来看VMs庞大不好移植，而Docker容器可以做到随时随地，以秒级别的速度运行起来。总的来说，相较于传统的虚拟化技术，Docker容器具有非常明显的优势，随着时间的推移，Docker容器技术将会越来越完善。Docker容器技术的出现很好的解决了虚拟技术的相关问题，同时也需要为Docker容器虚拟化技术融入现有的云计算平台找到更多的应用场景，随着Docker容器技术的出现各个微服务可以使用更小粒度的容器进行部署，而且Docker容器的管理方便，能够很好的管理各个微服务。
微服务的出现是由于服务的疯狂增长使得现有的单体式软件开发架构急需改变，随着Docker容器技术的日趋完善，让微服务架构受到广大软件开发者和云服务提供商的重点关注。2016年四月，Uber [3] 退出基于模块的monolithic整体架构，转变为灵活的微服务架构。将服务拆分的微服务架构，采用相对独立的服务进行管理，相互之间使用同一的接口来进行交流，体现优势包括：1) 可控的复杂度。2) 各个微服务独立部署。3) 应用的扩展性增强。4) 各个微服务可以根据各自特点选择相应的技术。5) 增强了容错能力。
如图2所示，左边既是单体式架构，那么看到应用开发既是在同一个框架中开发。右边就是微服务开发架构，微服务具备的特点：1) 相互间独立：相较于单体式架构，每个服务既是一个独立的服务，也是一个完整的自治系统，能够独立提供服务。2) 原子化：与单体式架构不同的是每个微服务一定是一个原子化的服务，即服务不能再进行划分成比现在更小的服务。可以通过多个微服务组合成一个某个系统来达到某些目的。3) 组合和重构：微服务的特点既是能够快速的组合和重构，相互间组成一个系统，在
Figure 1. VMs vs. docker container
图1. VMs vs. Docker容器
Figure 2. Monolithic architecture vs. micro-service architecture
图2. 单体式架构vs. 微服务架构
这个系统中的各个微服务是松耦合的关系，每个微服务机构简单，这样扩展性会更强。
2.2. 多目标优化问题定义
如 [4] 所描述的多目标问题如下所示：
(1)
(2)
其中，n维的向量
和k维向量
表示决策向量，
表示决策空间，
是由目标向量形成的目标空间，
是约束条件，决定决策向量的可行域。
可行解集
是满足约束条件的决策向量
构成的集，如下：
(3)
那么目标空间对应如下：
(4)
Pareto最优解集和Pareto前沿定义：
对于集合
，决策向量
是非劣的，当且仅当：
优于
。
Pareto前沿之间的关系是无差别关系，所有Pareto前沿的集合称作Pareto最优解，对应到二维目标函数的Pareto前沿解集对应曲线称作Pareto前沿面(Pareto Front)，如下图3所示。
2.3. 双目标问题定义
将要定义的问题是在云计算Docker平台上部署微服务，这是一个装箱的问题，要被装箱的就是部署在Docker容器里的微服务，并且由于微服务数量众多模型化的变量众多，各个变量之间由于通信存在着关联，与此同时变量间存在着一个无向有环图。另外箱子就是代表着的服务器资源，包括：CPU、RAM等。
首先需要考虑到在服务器上部署服务资源的有效利用是很重要的，需要用更少的主机来完成工作需求，并且不再使用二进制矩阵形式表示容器和主机间的关系而是使用
表示容器与主机的配对，
表示容器即变量的数量。
和
分别表示RAM和CPU资源，其中
表示预先设定的主机数量，
即使某一台主机，用
表示在第k台主机上的容器占用CPU资源的集合。同时用
表示在第k台主机上的容器占用的RAM资源的集合。那么第一个需要优化的目标：
(5)
约束条件：
(6)
上述约束条件中(6)分别用于保证某一台主机不会产生CPU和RAM溢出。
其次需要考虑的是部署在服务器上的容器由于各个微服务之间的通信带来的时延问题，同样的使用
表示容器与主机的配对，
表示容器即变量的数量，其中
代表了与
构成同一个应用的微服务标号，
代表了时延因子。那么第二个需要优化的目标是：
(7)
Figure 3. Double target Pareto frontier
图3. 双目标Pareto前沿面
2.4. ABC算法描述
人工蜂群算法(Artificial Bee Colony Algorithm, ABC)是由土耳其学者KaraBoga [5] 提出的模拟蜜蜂群体寻找优质蜜源的仿生智能计算方法。通过每个个体的分工以及信息共享，一起完成蜜蜂的采蜜工作。同时知道单只蜜蜂的能力有限，不过整个蜂群却总是能够找到优质蜜源。ABC算法的主要特点是在搜索过程中只需要对问题进行Pareto支配原则判断作为进化依据。
人工蜂群算法的搜索模型包括的要素：蜜源、采蜜蜂、观察蜂和侦查蜂。蜜源代表了优化问题的可行解，采蜜蜂存有蜜源的有关信息，观察蜂通过蜂巢的跳舞区分享采蜜蜂的相关信息来选择蜜源，侦查蜂则随机搜索新的蜜源。
多目标人工蜂群算法的具体步骤：
1) 蜂群和参数的初始化，依据Pareto支配原则找到所有非劣解并更行外部档案完成初始化；
2) 将种群分为采蜜蜂和观察蜂，采蜜蜂根据外部档案的非劣解进行领域搜索，依据Pareto支配原则判断新的久的解的支配关系，保留优质解；观察蜂依据采蜜蜂进行领域搜索；
3) 侦查蜂当循环计数变量trail达到限定上限的解抛弃，并随机产生一个新的解；
4) 当前种群中Pareto最优解更新到外部档案中，可根据拥挤距离裁剪外部档案；
5) 循环第二步到第四步直至结束，得到结果。
3. 相关研究工作
目前，随着云计算的发展，虚拟化技术的应用越来越广泛。来与此同时，云计算的资源调度问题也日趋严峻。近些年，越来越多的学者开始使用进化计算(Evolutionary Computation, EC)算法用于处理云资源调度问题，这些算法可以在拥有众多变量的NP-难问题提供全局解。ZHAN和LIU [6] 等人总结了近几年将进化计算结合到云计算资源调度的研究，其中将云计算中资源调度的问题总结为三个大类：应用层(软件)调度问题、虚拟层(平台)调度问题和基础层调度问题。其中在虚拟层调度问题中可以划分为：负载平衡调度、能源减排调度和成本效益调度三个问题。
从平衡物理机负载来说，Hu [7] 等人使用GA算法来进行在物理机上部署虚拟机以此达到负载平衡，他们使用不同的染色体编码方案，每个物理机可以托管多个虚拟机，所以他们的GA方法使用树型编码方案来指示在每个物理机上创建多少个虚拟机。在运行时，GA方法重新映射虚拟机和物理机之间的关系，以此实现最大化的负载平衡。该方法的缺点是树型编码仅能支持15台虚拟机的调度。
除此GA方法以外，Lu [8] 等人使用ACO方法快速的找到最近的无负载云资源。在他们的研究中，并不是在不同的云资源上调度虚拟机，而是在一些虚拟机超负荷时执行ACO来进行处理。ACO过程就像蚂蚁搜索食物以便找到最佳物理资源一样(如：无负载节点)，并创建新的虚拟机来分担负载。该方法的缺点是在蚂蚁搜索食物过程中对超负荷虚拟机的标记工作的耗时。
另外，从尽可能减少物理资源的角度看，Chen [9] 等人使用虚拟机和物理机映射的编码方案。每个基因代表一个虚拟机，基因会根据相应的虚拟机大小进行排序。这样如果染色体无效该方法可以使用贪婪策略将一些虚拟机移动到其他的物理机上，避免了同一台物理机上的虚拟机大小超过物理机大小。该方法的缺点是需要对虚拟机的大小进行排序，而且使用贪婪策略在时间上的消耗太多。
在减少物理机资源上除了GA方法以外，Feller [10] [11] 等人通过使用ACO方法以实现在物理机上调度虚拟机，以此减少过物理机的数量来达到减少资源的效果。他们把资源调度问题建模为多维装箱问题，在蚁群算法的每个步骤中，根据信息素信息，蚂蚁会试图有效的选择下一个虚拟机放置在物理机上，目的为了达到尽可能的利用到每个物理机的资源，使得每个物理机上能够放置更多的虚拟机，以此减少物理机的数量。该算法的缺点是随着虚拟机的增加算法的时间需求呈现指数型增长，无法对更多数量的虚拟机进行部署配置。
随着Docker容器的开源，Docker公司也随后提供了集群管理工具swarm [12] [13] ，Swarm提供了三种策略来对容器进行部署：spread、binpack和random。首先，spread策略是swarm集群管理的默认策略，swarm会根据各个节点正在运行的容器数量进行部署容器，在此策略下会选择容器数量少的节点来启动所需的容器，这样就可导致稀疏扩展容器。其次binpack策略是根据各个节点的资源使用情况来分配容器，因此此策略会留出空间来给更大的容器运行，可以避免碎片化的产生。另外，random策略正如字面意思就是随机部署容器到各个节点上。
Google公司的Abbhishek和Luis [14] 等人提出在谷歌的平台上使用Borg来进行对整个服务平台的管理。Borg可以跨越多个集群支持成千上万的机器。他们提出Borg系统架构和重要的设计决策，对某些决策进行定量分析。该系统的缺点是过于复杂的语言规范以及对资源的自动化请求工作比较复杂。另外Google公司开源在GitHub上的一款Docker容器管理工具Kubernetes [15] 受到广大开发者的关注，其中也包括各大互联网公司(如亚马逊、阿里云和腾讯云等)的关注。Kubernetes能够实现自动装箱，根据资源需求放置容器。而且还能够实现水平缩放以及服务发现和负载平衡等功能。Kubernetes能够监控应用程序的运行状态并对应用程序配置进行更改。当然kubernetes缺点是没有想swarm那样容易上手，而是具备比较复杂的配置。
Docker可以在云中运行复合应用程序提供良好的基础，特别是如果是云本地的。然而，Docker专注于在一个主机上管理容器，但是SaaS提供商需要一个由多个主机组成的容器管理解决方案。Rene和Florian [16] 等人对解决方案进行详细的分类，并将其映射到案例的研究中，并且确定了差距和集成的需求。他们利用他们自己的集成组件和工具增强功能弥补了这种差距，从而产生了目前最完整的管理套件。但是存在的缺点是需要映射到对应的案例中，需要针对相应的案例进行相应的研究。
Marcelo和David [17] 等人对于使用Docker容器的微服务架构进行了性能的研究。在他们的研究中，主要工作目的就是比较在应用程序运行在单体式架构和微服务架构这两种架构的性能。比较在这两种架构的模型中的CPU和网络运行基准的性能，因此为系统设计者提供分析指导。但是该方法的缺点是智能提供相应的分析指导，还未能直接为系统设计者带来相应的方案。
通过回顾容器技术和微服务架构中的服务发现的挑战，Joe和Walter [18] 等人通过介绍Serfnode，一个完全分散的开源解决方案，基于Serf项目的服务发现问题。Serfnode是一个非入侵性的Docker镜像，构成一个或者多个任意的容器。可以实现监视和自我修复。研究者将现有的解决方案用于服务发现问题，作为Serfnode的可扩展性的一个例子，展示了使用Git在Docker容器之间构建文件系统同步解决方案。
Xinjie和xili [19] 等人设计一个AODC的资源分配框架，以最小化数据中心中的应用程序部署成本，并支持自动扩展，利用Docker容器的功能对AODC资源分配问题进行建模，并为具有多样化和动态应用程序以及大量物理资源的数据中心提出可扩展算法。Johanson和Dullo [20] 等人在海洋观察系统收集气候相关事件序列数据，为了交互探索和分析这样的高维数据集，他们开发出OceanTEA软件。使用微服务开发架构并利用Docker平台实现通过机器学习方法的时间模式将交互式数据可视化。OceanTEA的微服务架构确保充桌面计算机无缝扩展到云计算基础架构的可维护实施。
遗传算法(GAs)是解决硬优化问题的强大技术。但是，可扩展性问题可能会阻止它们应用于现实问题。利用云中的并行GA可能是一种经济的方法，可以获得时间有效的解决方案，利用云的吸引人的功能，如可扩展性、可靠性和容错成本效益。Pasquale和Filomena [21] 等人提出一种使用全局并行化模型分发GA的方法，在Docker平台上利用软件容器及其云编排。他们还以DevOps方式设计了涵盖每个云GAs分布阶段(从资源分配到实际部署和执行)的概念工作流。Pasquale和Filomena [22] 等人提出在云环境中开发、部署和执行并行遗传算法(Paralle-GA)。以分布式方式从资源分配到实际部署和执行的不同阶段。该方法的缺点是扩展性不够，需要进行有计划的评估。
近两年在Docker容器虚拟化平台上的研究工作，以及人们对于微服务架构的研究，并且看到使用GA遗传算法在利用容器和云编排一起进行容器的管理。通过前人的研究本文在新的虚拟化技术Docker容器平台上基于资源的降低基础上提出了降低部署在容器中的各个微服务之间的通信距离问题。
4. MOMDA-ABC
4.1. 分布估计算法描述
分布估计算法(Estimation of Distribution Algorithm, EDA) [23] 对问题进行优化是通过将统计学习结合进化计算对搜索空间进行采样来产生新的优秀个体。分布估计算法通过构建概率模型可以清晰的表示出变量间的相互关系，帮助解决离散型的实际问题。对EDAs的划分，可以分成如下类别：1) 离散型；2) 实数型；3) 排列型；4) 遗传编程型；5) 多目标EDA。
4.2. UMDA
UMDA (Univariate marginal distribution algorithm) [24] [25] 是由德国学者Muehlenbein等人提出。在EDAs算法中是用于解决变量无关的问题。它通过在优势种群中构建概率模型用于估计联合概率分布并进行采样：
(8)
在本论文的工作中，调整概率模型从优势种群中的估计联合概率的方式，用于针对使用人工蜂群算法解决多变量相关问题中建立变量相关的联合概率分布。需要根据变量间的关系构建一个集合
，其中变量
集合是和当前选定的变量具有通信关系的变量集合用于保证能与相关的变量相互靠近以减少通信距离，变量
集合用于保证需要部署的所有微服务能够相互靠近进而减少部署过程中需要的主机数量。
4.3. MOMDA-ABC算法描述
通过改进分布估计算法中的UMDA的概率模型构建，并结合进人工蜂群算法中构建多变量之间的相关性，从而解决之前提出的在Docker平台上部署带有通信的微服务所带来的多变量间的相关性。
1) 初始化
在方法中首先随机生成一个种群即初始种群。正如第二节中所述，改变种群个体的编码方式，种群个体中的变量代表了部署在容器中的微服务与主机的配对关系，即一串n个数字表示代替了二进制编码所要使用的矩阵需要
个二进制数字。不仅使得存储算法迭代过程存储空间的节省，也使的使用改进的UMDA和ABC算法更加方便清晰，同时需要在初始化之后对外部档案进行更新。
2) 采蜜蜂和观察蜂
采蜜蜂是代表了蜂群中最大的群体，在整个算法中用于保持对有前景的个体的继续探索。在每次迭代过程中，将会随机的选取外部档案中的一个解对当前的领域搜索进行指导。采蜜蜂将会根据改进的UMDA构建的概率模型进行领域搜索。同时观察蜂也会集合改进的UMDA构建的概率模型进行搜索用于保证迭代过程中的群体的多样性。
3) 侦查蜂和种群控制比例
在蜂群采蜜过程中，侦查蜂是种群中比例最小的群体，它一直处于一种随机的搜寻状态用于保证能在蜂群采蜜中寻找到更多的蜜源，也是用于提高种群的多样性。在种群的比例控制中，采蜜蜂占比60%，观察蜂30%，剩余的就是侦查蜂10%。伪代码如算法1。
5. 实验
5.1. 设计与说明
在本节中将会对算法MOMDA-ABC进行模拟实验，通过与一个非常经常使用的算法FFD和原生的多目标人工蜂群算法进行比较，以此体现算法MOMDA-ABC对Docker容器平台的微服务的部署这个新的模型的性能表现。
在本实验中，设想一个在线教育系统，如图4所示。将会提供不同层次的在线课程给不同地方的学生。学生可以在系统中选择一系列的服务，包括课程选择服务、笔记功能服务、交流讨论服务等服务。这样在线教育系统可以服务很多的用户，将会生成更多的服务。
实验设置如下：模拟实验平台是4核8GB内存的MAC电脑。集群包括每台主机的资源：24核和50 GB内存。在每台主机上其中的一个部署微服务的容器只能对应一台主机，不存在一个编号的容器部署到多个主机上的情况。其中模拟出多种容器的配置，包括1核、2核、3核和4核，以及2 GB、4 GB、6 GB和8 GB内存。
在此试验中参数的设置如下：NP = 150 (种群的数量)、Limit = 50 (单个个体未更新循环的极限次数)、maxCycle = 300 (总的循环次数)、以及根据上述的种群比例控制，采蜜蜂、观察蜂和侦查蜂分别占比60%、30%
Figure 4. The example of online education system
图4. 在线教育系统示例
和10%。通过在MAC电脑上运行Matlab程序，获得输出的外部档案Rpop，其中包括通讯距离和主机数量。
5.2. 实验结果与分析
实验结果图5展示了使用MOMDA-ABC算法对双目标通信距离和主机数量进行优化所得的Pareto
前沿面，其中f1表示通信距离，f2表示主机数量。此图表示的数据是容器数量160个，每个容器的cpu和内存大小分别在1核、2核、3核和4核，以及2 GB、4 GB、6 GB和8 GB内存。
实验结果表1展示了FFD、ABC、MOMDA-ABC三种不同的方法对不同的容器数量进行优化的结果。实验的结果可以通过通讯距离和主机数量来进行评价。其中通讯距离越短表明通讯成本越低，而主机数量越小则表明相应的运营的维护成本越低，通讯距离和主机数量是通过程序运行的输出获得的。实验结果表明，MOMDA-ABC方法较现有的方法随着容器数量的增多能够较好的对双目标通讯距离和主机
Table 1. FFD, ABC and MOMDA_ABC algorithms
表1. FFD、ABC和MOMDA_ABC算法比较
Figure 5. The Pareto frontier of MOMDA-ABC
图5. MOMDA-ABC算法所得前沿面
数量都进行很好的优化。
实验结果图6展示了使用方法MOMDA-ABC在运行时间变化情况。实验结果可以通过时间曲线进行评价。其中时间表明随着容器数量的增长算法运行时间的增长变化。实验结果表明，相较于Feller [10] 等人使用ACO算法运行时间指数型增长情况，使用MOMDA-ABC方法能够在增长到500个容器数量情况下实现线性增长，表明算法的运行时间具有更高的效率。
实验结果图7展示了使用方法MOMDA-ABC针对参数hostParam的变化满足不同用户群体的需求。实验结果可以通过通讯距离均值、主机数均值和预设主机参数hostParam来进行评价。其中通讯距离均值越短表明通讯成本越低，而主机数量均值越小则表明相应的运营的维护成本越低，同时预设主机参数hostParam的增长体现对通讯距离和主机数的影响情况。实验结果表明，从图中能够直观的发现当预设主
Figure 6. MOMDA-ABC algorithm operation time
图6. MOMDA-ABC算法运算时间
Figure 7. Changes of preset host parameter host Param
图7. 预设主机参数host Param的变化
机参数hostParam增长的时候通讯距离均值会相应的降低(如图中蓝色的柱形降低)，而当参数hostParam增长则主机数量均值则会相应的增加(如图中红色的柱形增长)。对于不同的用户可以根据自己需求配置不同的主机参数满足相应的需求。
实验图表展示。
6. 总结与展望
本文通过使用MOMDA-ABC方法运用于Docker和微服务平台，通过实现对容器间的通讯距离和主机数量双目标优化，进而实现对容器间通讯距离的降低和对容器主机数量使用量的降低。实验表明本文中的方法能够有效的优化通讯距离和主机数量，并能使得算法的实验时间得到显著提高。本文的研究能够对Docker与微服务的结合起到促进的作用，使得在应用微服务架构开发应用程序部署到Docker平台后能够有效的解决通讯和能耗的问题。同时对于云计算的发展起到一定的促进作用，让更多的人能够使用微服务开发架构，并使用云计算提供平台支持。
通过本文的研究，可以发现分布估计算法与启发式算法的结合能够有效的提升算法的时间，相信可以结合其他的不同启发式算法或改进分布估计算法的概率模型应用在更多的问题上，在未来的工作中，考虑结合进来多种分类器 [26] [27] [28] 对Docker容器的分类进行研究工作，与此同时可以将MOMDA-ABC算法结合逻辑 [29] [30] [31] [32] 进行机器人的研究，另外在机器人情感分析 [33] [34] 和机器视觉 [35] 中结合MOMDA-ABC算法进行深层次研究，最后在领域学习中 [36] 结合此算法也将会是一个研究方向。
基金项目
该研究项目受到国家自然科学基金61673328/F030603资助。