The placement scheme of virtual machines (VMs) to physical servers (PSs) is crucial to lowering operational cost for cloud providers. Evolutionary algorithms (EAs) have been performed promising-solving on virtual machine placement (VMP) problems in the past. However, as growing demand for cloud services, the existing EAs fail to implement in large-scale virtual machine placement (LVMP) problem due to the high time complexity and poor scalability. Recently, the multi-factorial optimization (MFO) technology has surfaced as a new search paradigm in evolutionary computing. It offers the ability to evolve multiple optimization tasks simultaneously during the evolutionary process. This paper aims to apply the MFO technology to the LVMP problem in heterogeneous environment. Firstly, we formulate a deployment cost based VMP problem in the form of the MFO problem. Then, a multi-factorial evolutionary algorithm (MFEA) embedded with greedy-based allocation operator is developed to address the established MFO problem. After that, a re-migration and merge operator is designed to offer the integrated solution of the LVMP problem from the solutions of MFO problem. To assess the effectiveness of our proposed method, the simulation experiments are carried on large-scale and extra large-scale VMs test data sets. The results show that compared with various heuristic methods, our method could shorten optimization time significantly and offer a competitive placement solution for the LVMP problem in heterogeneous environment.

中文翻译：

---

云计算中大规模虚拟机放置的多因素优化

虚拟机 (VM) 到物理服务器 (PS) 的放置方案对于降低云提​​供商的运营成本至关重要。过去，进化算法 (EA) 已在解决虚拟机放置 (VMP) 问题方面表现出色。然而，随着对云服务的需求不断增长，现有的EA由于时间复杂度高和可扩展性差而无法解决大规模虚拟机放置（LVMP）问题。最近，多因素优化 (MFO) 技术作为进化计算中的一种新搜索范式浮出水面。它提供了在进化过程中同时进化多个优化任务的能力。本文旨在将MFO技术应用于异构环境下的LVMP问题。首先，我们以 MFO 问题的形式制定了一个基于部署成本的 VMP 问题。然后，开发了一种嵌入了基于贪婪的分配算子的多因子进化算法（MFEA）来解决已建立的 MFO 问题。之后，设计了一个重新迁移和合并算子，以从 MFO 问题的解决方案中提供 LVMP 问题的综合解决方案。为了评估我们提出的方法的有效性，在大规模和超大规模虚拟机测试数据集上进行了模拟实验。结果表明，与各种启发式方法相比，我们的方法可以显着缩短优化时间，并为异构环境中的 LVMP 问题提供有竞争力的放置解决方案。开发了一种嵌入了基于贪婪的分配算子的多因子进化算法 (MFEA) 来解决已建立的 MFO 问题。之后，设计了一个重新迁移和合并算子，以从 MFO 问题的解决方案中提供 LVMP 问题的综合解决方案。为了评估我们提出的方法的有效性，在大规模和超大规模虚拟机测试数据集上进行了模拟实验。结果表明，与各种启发式方法相比，我们的方法可以显着缩短优化时间，并为异构环境中的 LVMP 问题提供有竞争力的放置解决方案。开发了一种嵌入了基于贪婪的分配算子的多因子进化算法 (MFEA) 来解决已建立的 MFO 问题。之后，设计了一个重新迁移和合并算子，以从 MFO 问题的解决方案中提供 LVMP 问题的综合解决方案。为了评估我们提出的方法的有效性，在大规模和超大规模虚拟机测试数据集上进行了模拟实验。结果表明，与各种启发式方法相比，我们的方法可以显着缩短优化时间，并为异构环境中的 LVMP 问题提供有竞争力的放置解决方案。为了评估我们提出的方法的有效性，在大规模和超大规模虚拟机测试数据集上进行了模拟实验。结果表明，与各种启发式方法相比，我们的方法可以显着缩短优化时间，并为异构环境中的 LVMP 问题提供有竞争力的放置解决方案。为了评估我们提出的方法的有效性，在大规模和超大规模虚拟机测试数据集上进行了模拟实验。结果表明，与各种启发式方法相比，我们的方法可以显着缩短优化时间，并为异构环境中的 LVMP 问题提供有竞争力的放置解决方案。