面向工程信息熵并行优化方法及云平台建设

Kriging和期望提高准则结合是当前求解工程优化问题比较常用的方式，但设计变（EIriging熵原理与形式的期望提高准则结合，可在每次优化迭代时求得最优系数，使用该系数计算得到的样本点可同时满足优化点的最大期望特征和系数的最优特提出了基于riging模型的动态云任调度方法。从工程优化云应用的微观计算特征出发，针对其具有的计算平稳期和过渡期特征，提出了使用riging模型对平稳期进行计算资源优化的策略。以每个计算平稳期的资源分配组合为设计变量值，也同时提高了台计算资源的利用效率。提出了基于riging的云任务预测和分配法并建设了工程优化台。针对工riging建立的设计变量和响成本给定前提下计算资源的分配可以避免用户使用平台计算资源基于经验值的盲目性，组件，提出了功能的实现方式，最终建设了针对工程优化应用的云计算平台。ThecombinationofKrigingsurrogatefunctionmodelandExpectedImprovement(EI)criterionhasbeenacommonwaytosolvetheengineeringoptimizationproblems.Thehighlynonlinearcharacteristicsthatexistingintheengineeringoptimizationproblemswillleadtomultipleiterationsandnon-satisfiedoptimalsolutions.Thecombinationofnoveloptimizationinfillingcriterionandparallelcomputingtechnologywillprovideanimportantcluefordealingwiththesekindsofoptimizationproblemsefficiently.Thetraditionalcloudtaskschedulingmethodsaretoouniversalandcanbarelyadaptthespecialneedsforengineeringoptimizationcloudtasks,adynamiccloudtaskschedulingmethodcanbeestablishedforsolvingthisissuefromgettingthemicrocosmiccharactersofthem.Besides,basedonthemacrocharactersoftheengineeringoptimizationcloudtasks,thepredictivevalueofthecloudtaskcanbeachieved,thereasonbalecomputingresourceallocationstrategycanbecalculatedfromtheoptimizationundercertaincomputingcostisgiven.Tosolvetheaboveproblems,thefollowingworkhasbeendoneinthisAparalleloptimizationmethodbasedonEntropy-basedExpectedImprovementcriterionhasbeenproposed.Byintroducingentropytheoryintoweightedexpectedimprovementcriterion,anoptimalweightcouldbegotateveryiterationwhichwillhasboththeumexpectedimprovementandtheoptimalweightcharacterssimultaneously.Withparallelcomputingtechnology,theoptimizationprocedurecanbedividedintolargeparticlesbyseparatingthesamplesandweightedparametersthroughparallelprocesses.Entropyparalleloptimizationmethodcannotonlyguaranteeamorepreciseoptimalsolutionbutalsohighparallelspeedupwhichshorteningtheoptimizationprocedure.AKrigingsurrogatemodelbaseddynamiccloudtaskschedulingmethodisproposed.Basedonthesteadyperiodandtransitionperiodcharactersexistinginthemicrocosmicoftheengineeringoptimizationcloudapplications,aKrigingbasedoptimizationsolutionisdevelopedforsteadyperiods.Theresourcecombinationswouldbethedesignvariablesandtheresponsetimeandthecomputingcostwouldbetheobjectivefunction,theoptimalresourceschedulingstrategywillbeobtainedafteroptimization.Besidesassuringthecloudtasksforbeingcomputedinshortentimedurations,themethodwillalsodecreasetheresourceconsumptionoftheusersandincreasetheutilizationoftheresourcesapproachingAKrigingbasedcloudtaskforecastingandallocationmethodisproposedandanengineeringoptimizationcloudplatformisdesigned.Basedonthemacrocomputingcharactersinengineeringcloudapplications,anoptimizationmodelcanbedevelopedbylettingtheapplicationpartsaswellasthecomputingresourcepartsbethedesignvariablesandthetaskresponsetimeandthecomputingcostbetheobjectivefunctions.WiththehelpoftheKrigingmodelbetweenthedesignvariablesandtheresponsetime,theresponsetimeofthenewcloudtaskcanbeforecasted,andthecomputingresourceallocationwillbeaconstrainedminimumoptimizationproblemwithcertaincomputingcostisprovided.Theforecastingoftheresponsetimeforcloudtaskscanavoidtheunnecessarywaitingprocessbytheusers,theresourceallocationstrategycanavoidtheblindnessofusingtheplatformresourcesaccordingtousersexperienceandhelpthemarrangetheircomputingtasksproperly.Cloudmodulesareconstructedbyvirtualizationtechnologies,keyfeaturesaredesigned,andthecloudplatformforengineeringoptimizationapplicationshavebeenfinallybuiltup.：EngineeringOptimization;Kriging;ExpectedImprovement;InformationEntropy;CloudComputing;TaskScheduling 本章小 基于Kriging模型的动态云任务调度方 引 调度的目标函数确 基于应用的抽 云任务资源配置的优 云任务的资源重新调 作业执行流 测试算 汽轮机基础优化设 建筑节能设 结果分析与讨 本章小 基于Kriging的云任务预测和分配方法及工程优化台建 引 基于Kriging模型的云任务预测和分配方 设计变量和目标函 云任务的预测和分配方 工程优化台建 平台组件设 平台功能开 平台架 用户使用流 测试算 耗散粒子动力学的液体生成模 注塑成型的翘曲优 汽轮机基础优化设 结果分析与讨 本章小 结论与展 结 创新 展 参考文 攻读博 期间科研项目及科研成 作者简 TABLEOF Researchbackgroundand Relatedworkathomeand Optimizationproblemsin Engineeringoptimizationmethodsand Highperformancecomputinginengineering Researchstatusofcloud Taskschedulingincloud Researchideasofthis Entropy-basedexpectedimprovementcriteriaanditsKrigingparalleloptimization TheserializationoptimizationmethodbasedonKrigingsurrogate Sampling ThebriefdescriptionaboutKrigingsurrogate 2.3.2Newsamplegeneration 2.3.2OptimizationmethodbasedonKrigingusingEI Entropy-basedexpected Krigingparalleloptimization Testing Math Engineering Parallel ysisand Chapter DynamiccloudtaskschedulingmethodbasedonKrigingsurrogate Objectivefunctionofthe Samplingbasedon Resourceschedulingoptimizationofthecloud Resourcerescheduleofthecloud Jobimplementation Testing Turbinefoundationoptimization Buildingenergysaving Resultsysisand Chapter Krigingbasedcloudtaskforecastingandallocationmethodwithengineeringoptimizationcloudplatform Krigingbasedcloudtaskforecastingandallocation Engineeringoptimizationvirtualimage Engineeringoptimizationcloud Engineeringoptimizationcloudplatform 4.3.1 Job Resource Jobimplementation Tesing Simulationoftheformationofadropletwithdissipativeparticle Warpageoptimizationwithdynamicinjectionmolding Turbinefoundationoptimization ysisand Chapter Conclusionand Author 图图 模型法实施流 图 本文逻辑结 图 网络取样方法（a）简单网格取样方法（b）改进网格取样方 图 拉丁超立方取样方法（a）示意图I（b）示意图 图 正交拉丁超立方取样方 图 使用EI准则的Kriging模型优化方法流 图 最大化EI加点准则的迭代历 图 Ackley函数等值线 图 Ackley算例使用EI准则的Kriging等值线 图 Ackley算例使用EEI准则的Kriging等值线 图 Ackley算例使用EEI准则的最优权系 图 Ackley算例的平均优化历 图 Branin函数的等值线 图 Branin算例使用EI准则的Kriging等值线 图 Branin算例使用EEI准则的Kriging等值线 图 Branin算例使用EEI准则的最优权系 图 Branin算例的平均优化历 图 汽轮机基础的有限元模型 图 馈源舱平台的有限元模型 图 600MW汽轮机基础迭代历 图 300MW汽轮机基础迭代历 图 下平台迭代历 图 上平台的迭代历 图 汽轮机基础优化软件启动界 图 资源和时间的计算特 图 资源和分配计算特 图 分配值与资源使用效 图 基于应用的抽 图 云任务的资源重新调 图 作业执行流 图 算例一的虚拟CPU调 图 算例一的虚拟RAM调 图 算例二的虚拟CPU调 图 算例二的虚拟RAM调 图 工程优化虚拟机镜像组 图 工程优化云应用组 图 计算始 图 资源分配算 图 作业调 图 平台逻辑架 图 平台硬件部 图 资源池建 图 作业提 图 资源池状态图 耗散粒子动力学的液体生成模 图 注塑成型的翘曲优 图 各部分研究内容的联 表表 高性能计算和云计算的比 表 Web服务、网格计算和云计算的比 表 Ackley函数单组样本的初始 表 Branin函数单组样本的初始 表 工程算例的并行效率 表 加点准则优化结果差 表 算例一调度情 表 算例二调度情 表 算例的调度信息汇 表 工程优化包和计算环境 表 算例一的初始样 表 算例一的预测测 表 算例一的分配测 表 算例二的初始样 表 算例二的预测测 表 算例二的分配测 表 算例三的初始样 表 算例三的预测测 表 算例三的分配测 表 算例的预测误 表 算例一的分配误 表 算例二的分配误 表 算例三的分配误 表 工程优化台与常规台特点比 代表意 第k f

R(,xi,xjxxy(2

xi的第k个分量 E(I

H

优 系 日乘 优化因 最优系 xi,xiwD,Ui

第i个计算主机负载第i个资源时延比第i个资源需要量第i个资源使用率第i个资源分配量研究背景与意如何在规定的约束条件下从众多的可行方案中选取最合理的方案以达到最优目标综合对象以达到全面和最优解决问题的目标工程[1]。后者目前已经有较多成优化算法和求解思路而前者由于工程问题的复杂背景而鲜有统一和通用的鉴于现代工程问题的物理和数学模型十分复杂很多问题只能通过定的输入和对应的系统响应值进行分析，因此基于显函数和梯度类算法的“白箱优化的级人物Powll教授称为最有用的方法，并在工程优化领域被广泛的使了标准化的操作模式[2]。基于Kriging模型的优化方法是黑箱优化的一个典型代表。Kriging模型是术。Kriging通过一定数目的样本点和响应值建立对象问题的设计变量与质量指标之间中的噪声信息的存在与否，因此模型的建立更加的灵活和方便。2060年代以来，KrigingKriging模型能够在预测未知点函数值的同时给出其预测值的方差，也就是该Improvement,EI)Kriging序列优化设计颇受欢迎的一种全局搜索加点方式。EIEIEI准则的全局和局部两个分表达式上使用因子影响新点搜索的全局和局部特性。简单数学优化问题的模型准确程度高，加点准则将显著减少迭代优化的次数及优化解的精确度，因此最大程度上获取Kriging模型所蕴含的信息以对加点准则进行调整极为重要[4,5]。另外，利用并行计算环境Kriging黑箱优化模式结合，则能够从较高粒度上实现对优化过程的用户云任务所持有的计算资源，并满足用户服务质量（QualityofService,QoS）的目标，长、资源消耗大、计算成本高等特点。用户使用平台提交作业后，需要的们作业任务的计算结束最后才能结果文件期间会发生用户与平台的多次交互过程。用的计算资源，而对某项具体的云任务，用户投入的计算成本有可能是给定的，在成本一定的前提下由用户自行指定初始分配的计算资源数量显然是不可行的台可，以虚拟化为依托的云计算技术已经在21世纪初成为产业的领军者，并正大有普适化、统一化、标准化的趋势[89]。工程优化问题的复杂背景使得开发针对这些应对任务调度的针对性研究能够使工程优化台的调度更高效，在确保用户S调度务提供商利益的双赢局面；对云任务响应时间的预测可以避免用户不必要的等待时间，在计算成本给定前提下的计算资源分配可以避免用户仅通过个人经验使用平台资源的国内外相关工作研究通常按目标函数的处理方式不同将最优化问题分为最大化和最小化两种类型的问（（VectorOptimization,甚至会存在目标函数互相的情况出现因此使所有目标函数都最优的设Prto（也称为有效解或非劣解）。PrtoPrto解构成的集合称为Prto解集。常规边界相交（ormaloundryIntertion,I）方法是比较著名的求解Prto(pyoffmatix)并重新定义一组新的约束Prto解[11]INI方法进行了改进以增加其求解多目标函数的有效性，如odifiedrmaloundryIntertion(I)、rmalontrint（）和SuivePrtomiztion(SP)rto解[12]。不是所有的多目标优化问题都需要得到上述均匀分布的一组Pareto下仅求解得到一个合适的Pareto解即可，如实践性的工程设计问题等。解决该类问题的法好坏的标准，也是研究人员从事实际工程设计时所的重要问题。withoutDerivatives)的方法也被众多学术报告和研究人员称为“最有用的算法”。学和工程领域最优化也同样得到了广泛的应用。常用的优化算法可分为实验设计（DesignofExperimentsDOE）DOE类优化算法的代表之一是田口（Taguchi）算法，该算法使用相互正交的设计解[14]DOE类优化算法，区别仅在于分析方DOE类优化算法的基础，取样方法有网格取样(GridSampling,GS)、拉丁超立方取样(LatinHypercubeSampling,LHS)、均匀取样(UniformSampling,US)、最大熵取样(umEntropySampling,MES)和均方差积分取样(IntegralMeanSquaredErrorSampling,IMSES)等。维度呈几何级数的增长，故不适宜解决度的优化问题[15]。相关性的体现。正交拉丁超立方取样(OrthogonalLatinHypercubeSampling,最大熵取样以信息论为基础，通过过程模型的相关系数使样本携带的熵最均方差积分取样也以过程模型为基础，与最大熵取样不同的是该方法不需误差并以最小化的方式生成初始样本。该取样方法对设计空间整体和样本梯度类优化算法是目前发展比较成熟，也是最早优化算法，其代表有共轭梯度法、最速下降法和序列二次规划法等[2021]。首先产生一个初始的设计变量，其次计算值，然而实际工程优化问题目标函数往往通过数值模拟的方式得到，使用差分使目智能类优化算法是目前最优化研究领域的热点方向之一，具有较多成种类如遗传算法（GeneticAlgorithm,GA）、模拟退火（SimulatedAnnealing,SA）、搜年来在优化领域发展迅速，应用广泛。GA通常使用二进制对组成目标优化问题潜在解集种群的进行编码，而是通过若干数目的所组成的。初始种群生成之后，按照目标函数和约束函数计算每个的适应度，并借助遗传学的算子进行交叉和变异操作，从而选择出适应度高的组成新的种群，直至收敛。GA能够确保后代的平均适应度比前代有所提升，末代种群适应度最好的即可以视为该优化问题的最优解。GA很适合应用在求解多目标优化问题的Pareto解集中，不需要目标函数梯度的计算，间适应度的计算可以并行进行，具有天然的并行性[2223]。Kennedy和Eberhart等人在20世纪90年代研发的一种演化计算技术。PSO的优化过程与GA类似，也首先生成由若干组成的初始种群，并在其基础上进行优化。PSO种群中的所有都被视为粒子并按照特定的规则进行运动，而每个迭代步内该粒子SASA子、每个控制参数下的迭代次数和停止条件等。SA算法具有渐近收敛的特征，其优化解与初始值的选取无关[2728]。Glover教授1986年提出。TS算法是全局逐步导优算法的一种，也是对局部领域搜索方法的扩展。TS算法通过链（TabuList,TL）结构记录了之前已经搜索过的区域，并为当前解的领域范围设定了规则来赦免一些被的优良状态和的多样化，最终实现全局优化的目的[2930]。化问题的近似1.1所示[31]。图 模型法实施流Fig.1.1Optimizationflowusingsurrogate所需要的计算时间。现今模型的种类较多，如回归多项式（RegressionPolynomial,Networks,ANN）、径向基函数（RadialBasisFunction,RBF）Kriging等。回归多项式模型是应用较多的最早的一类模型，由线性求和的一组低阶多使用最小估计法计算得出。简单目标函数的全局变化趋势能够使用低阶的RPRP模型实现，有可能在拟RPRP模型在对设计空间维度较高的问题进行模拟时将产生较多的系数，因此建模过程相对。单纯的RP模型因无法实现对较大规模已知的建模工具或与其他模型结合后使用[3233]。寻找关联事物之间的相互关系ANN的学习即是对目标函数建立对应模型ANN网络中各神经元连接系统的动态演化。ANN模型中神经元之间的是对其信息和知识的表现。常见的ANN模型有BP网络和Hopfield网络，此外还有自组织映射适应谐振感知器和波耳机等40余种其他不同的类型。前向网络和反馈网络是ANN的两种拓扑结构，前者的神经元没有向前传播的反馈其网络使用简单且层次分明后者的网络信息没有固定的方向。非监督学习和监督学习组成了ANN的两种训练方式，它们的区别在于非监督网络训练得来。ANN模型具有固有的非线性特征，已经广泛应用在难以使用显示数学模型或规则描述的工程优化问题当中[3435]。支持向量回归模型使用升维的方式在空间中构造线性决策函数，并以此SVR训练算法建立模型后，新的实例被分配为一类或其他类以成用在函数拟合等其他机器学习问题当中，并在解决模式识别、小样本和非线性问题之中使用广泛[3637]。径向基函数模型与RP模型类似，也是对一组基函数求和构成，其区别之处在于RBF使用的是预测点与各个基点之间距离的函数作为其基函数而不是多项式。当选取已知样本为基点时，RBF模型在样本点上的误差为0，故可以RBF可以被近似的解释成简单的ANN，也可以被认为是一种简单的过程模型，同时在SVR中也可以被用作核函数，能够给出预测函数的误差函数[38,39]。RBF模型常被作为模型并进行优化，如Hotrom和Gutmann等人分RBF模型的加点准则使用模型最小化和概率提高进行了优化[4041]，为了了密度函数定义的方式[42]，而Sobester等人对应用在RBF模型上的最大期望提KrigingKrige以概率论中的后验分布及先验假设为基础而提出的，即在假定未知函数满足假设的一个过程，使用Bayes公式由已知的训练样本计算出其目标函数的后验分布。Kriging模型最早被用于描述地质情况，目前已经发展成为应用广泛的比较完善的过程模型Kriging不需要建立一相对于单个参数化模型更加的方便和灵活，而且在Kriging中不会出现在处理数据使用非参数化模型时所出现的局限性，因此具有更强的预测能力。Kriging模型的建立不是基于所有的信息而只是使用估计点附近的某些信息对Kriging模型还兼有全Kriging模型相比于其他传统插值技术所具有的突出优点[44-47]。Kriging建立的未知函数概率模型与其他模型相比提取了更次的未知函数信息，在这种模型基础上发展的有效全局优化（EffectiveGlobalOptimization,EGO）算法也成为当前模型法的热点研究之一并广泛使用在工程优化问题当中，如SimpsonLucifredi等人分别将其应用在航天飞机的设计和水电力系统的预测计算中，Lee和Koch等人分别对回旋装置和海船使用Kriging型进行了稳健优化设计[48]十万个处理器期科学和技术发展规划纲要（2006-2020年）》提出我国要全面提升自主创新能力，其高性能计算（hPrfrmaneomputing,C）是随着高性能计算机的发展而出CC是科技创新的重要也是继理论科学和实验科学之后被公认为人类认C技术是支撑国家国力持续发展的关键技术之一从高度上讲是一个国家综合国力的现在国民经济建设国防安全和高科发展中均占有重要的地位。目前C技术已经广泛应用于飞机设计、航空航天、[49,50]C的发展方面成果显著，如2010年国防部高级研究计划局（fnendsrhProjetsny,PA）旨在重塑计算的普适高性能计算（toushPformaneomputing,P计划[1]C领域的专家组成的欧洲高性能计算小组（HighPerformanceComputinginEuropeTaskforce,HET）2010-2020年“欧洲千万亿次计算”发展建议方案，的超级计算机曾一度在世界计算机500强的榜中占据了30个席位之多[52]。我国也已经在近十年的发展中建立了中国超级计算中500HPC的发展上取得了世界瞩目的成就[53]。HPC通常可以通过单台计算机计算能力的提升和使用网络连接多台计算机而达到计算能力提升的两种方式来实现。单台计算机计算能力的提升多指CPU处理能力的提升，现阶段已经随着CPU主频的提高而受制于生产工艺，新处理器虽然仍可能带来线实现。单纯使用CPU的堆叠在很多情况下反而会造成整机CPU处理能力的降低，GPUCPUGPU混合架构技术成为提升单机处理能力的主要技术[54]使用网络连接多台计算机的计算能力是指通过技术对网络上的多台HPC发展的主流方向[55]。，因此HPC的应用水平已经日益受到重视和关注，并成为了国内外超级计算发展（SerialComputingSC）发展到并行计算（ParallelComputing,PC），并随后逐渐出现了分布式计算(DistributedComputing,DC)、网格计算(GridComputing,GC)、效用计算(UtilityComputing,UC)和云计算(CloudComputing,CC)等[56]。弗吉尼亚工学院的师生在2003年研制了当时世界第3的高性能计算机，使用的是的个人电脑集群，带来了高性能计算机研制的专业化到普遍化的转变。集群通过本地网络连接处于地位的多台计算机来协同完统的出现使得HPC有了平民化的趋势，与之伴随出现的便是同时进行多条指令的并行HPC究人员的创新动力，也催生了许多以往难以预想的研究和研究方式。当前工程应用领域的各学科深度融合，HPC技术的引入加快了其产生的科研成果和应用效益，而这些又同时成为促进HPC技术可持续发展的一个重要支点。高性能计算机系统研制的落脚HPCKarplusLevitt教授和南加州大学Warshel2013年获得化学奖的理由“为复杂的化学系统创立了多尺度模型”便是充分利用HPC技术将计算软件的应用与对真实生命的模拟进行了有机结合的实例[58]，可见HPC的发展已经直接影响了科学和工程应用领域的进步，未来学科领域成果的取得与HPC技术的联国际Top500发布的1993年至2013年20HPC应用领域分布的统计数据显示HPC1993201382%199320102003年左右有了大幅度的提升，而地球物理、数据库HPC的需求主体，欧洲中期天气预报中心预报模式T1279L91和气象厅业务运行的全球数值预报模式T959L60均已使用HPC技术实208076777787747-87个[61]HPC的重要使用者，全周期计算、面都被用来解决结构分析和撞击测试等问题，而计算流体动力（omputtionlFluidmiFD舒适性振动和噪声支持ET的欧洲的诸如飞行器空气动力学仿C技术的支持的下一代超级计算机计划将分散于各地的高性能计算资源组织成为40[62]行器总体设计分析和机身子系统设计分析等航空领域设计和返回舱设计等航天领的应用上取得了深度和广度上的长足进步。、要依赖具体和高效的优化方法和算法，而HPC技术的出现对这些优化方法和算法同样产生了十分重要的影响。一方面，利用HPC技术可以在极大程度上减少目标函数的计HPC异地和异构的目标函数计算提供了理论和实施保障。20世纪70年代以来的几十，HPC技术应用方面取得了相当多的科研成果。及线性方程组求解等优化算法中大量出现的计算可以部分或使用整体的并行化策略实现Frris等人并行约束分配算法Fukhima等人并行变量转换算法等均IK2，集成了遗传算能的并行遗传算法库PPk应用广泛的商业优化软件库PEX和p等，并行优化软件使用使用++Fortrn码[63]。nor等人在1997的并行优化的专著《并行优化：理论、算法、应用（Prlllmiztion:Thorierithm,在2012年的《优化中的并行计算（ParallelComputinginOptimization）》一书则对Globus等国际著名的项目对网格计算中的信息服务、、数据管理、资源管网格计算工具包软件（GlobusTookit,Condor等），这些平台和技术的出现为开发基于网格的大型优化算法应用程序提供了试验和应用可能[66]。Nebro等人开发了使用共享内存架构的多处理机系统和使用网格软件Condor的两种多目标优化的并行计算策略，并GridLim等人基于标准的网格计算技术创建了基于网格的分级并行遗传算法（Grid-EnabledHierarchicalParallelGeneticAlgorithm，GE-HPGA）平台，该平台通过扩展的网格计算API和元调度器实现了自动的资源发现，了底层网格平台的复杂环境，为并行和高效的适应值计算提供了广泛的支持[68]；浙江大学等人则对网格计算条件下的遗传200611NVIDIA公司推出了一个全新的通用并行计算架构CUDA，该架构将数据并行处理能力和器带宽明显优于CPU的GPU为基础来构建应用程序，可以充GPU强大的计算性能，已经被广泛应用于石油勘探、科学计算、生物计算、动CUDAGPU全新的思路[70Rabinovich等人使用游戏粒子群优化（GamingParticleSwarmGTX465GPU5AMDPhenom3.4GHz四核CPU的性能提GPU90%，带来的加速效果也远超过相同条件下的单线程CPU计算形式[72]；等对CUDA架构代智能类优化算法的并行实现方式进行了详细的讨论，并现阶段使用GPU进行优GPUCPU之间数据通信产生的延迟[54]Chakroun等and-Bound算法求解大规模组合优化的问题传统的单核单进程CPU计算方式相比，160倍的加速比[73]。、、。云计算的历史可追溯到20世纪80年代，SN公司提出了网络即计算机的概念IM使用服务器虚拟化技术为客户提供分时服务都是彼时使用云的方式进行计算”的实践形式21世纪初期E2.0技术的兴让网络技术迎来了一个新的发展期，如何使用数据中心有限的资源为数量巨大的不同接入终端的用户群体服务高效的使用这些资源解决问题成为一个全新的。2010年以前的几十可以看作是云计算发展的起步阶段围绕着科学定义技术征发展机遇和等云计算的认知和概念，学者们进行了长期的研究。目前对于云计算的定义学术界和产业界仍未达成共识，IM on 等云计算行业巨头和研究领域内的的专家学者从各自的视角出发已经使用超过20种方式对云算进行了定义，认可度比较高的有百科和加州大学伯克利分校云计算白皮两种定义百科认为云计算是通过互联网将动态易扩展的虚拟化资源软件和数据提供给用户的计算方式用户不必具体的管理支持云计算的基础设施也不需要知道其内部的具体的细节就如同使用电网用电一样加州大学伯克利分校云计算白皮书中定义的云计算则为以互联网传递的各种服务形式的应用及数据中心所提供这些服务的软硬件设施[74-76]总之云计是一种以虚拟化技术为以互联网为载体以规模经济为驱动以用户为主体的大规模资源共享模型，是一种按照用户需求动态的提供虚拟化和可伸缩的商业计算模型[77]云计算既描述了一种新兴的资源共享方法又描述了在这种资源之上的应用和扩展服务确切的说云计算是一种全新的服务模式而不单纯是一种技术[78]。、、。均是与传统相比云计算所具有的本质特征[79-81]需要控制或了解提供这些资源的具置，以专门和独享的方式使用由云服务按需服务指的是用户按照自身需求通过网络形式方便的进行计算能力的申可以是无限的，用户可以在任何时间任意数量的资源和服务。理资源进行直接，也不确定这些资源的具体地理位置。曾将云计算系统的本质定义为“资源虚拟化+并行计算”，Map-Reduce编程框架、BigTableGFS并行文件系统等并行计算的一些成熟技术都胞胎”HPC用户使用云计算比作“一级HPC服务的弊端，满足大规模数据密集型计算所需的大容量、低延迟和高带宽等HPC类型的能力[82,83]在技术发展过程的早期多领域用户也是通过联网的方式使1.1比较给出[53]。表 高性能计算和云计算的比Tab. ComparisonofHighPerformanceComputingandCloud数据

异构平台作业管理系统理处理

构平台理、同时管理处理器、器、源用户使 无法自定义资源配 自定义资源配1.2给出了对这三者关键特征的比较[8485]表 Web服务、网格计算和云计算的比Tab. ComparisonofWebservice,gridcomputingandcloud特 Web服 网格计 云计

虚拟

源虚拟 拟可扩展 可 可变、较 按需提

件、、软件等 节点操作系 相同的系 相同的系 多系统虚拟容错 重新执 重新执

并总结得到云计算和网格计算的特征[86]；Weinhardt析的方法提出了云计算对企业IT的多方面影响[88]；Choudhary等人基于经济学模型对永久和租用两种模式对云计算服务提供商的产品定价策略及服云计算的服务质量，同时云服务的质量也会受到提供商利益分配的影响[89]；Kung云计算的数据中心管理、技术特征和服务管理等。Eruani等人对云计算的可配对隐私、安全的[93]；Lampe等人通过对金融机构的访谈了阻碍云计算在金融行业应用的主要安全因素，包括安全政策的缺失、云服务提供商之间交互的匮乏、管理权利的、用户账号的或盗用、数据中心或通讯系统的中断、不同数据中心数据迁移的隐患等[94]；Srilakshmi等人同样认为的形式实现射频技术的方案，从而达到以高速数据的方式传输网络数据的别为基础设施即服务()、平台即服务(PaaS)和软件即服务(SaaS)等三类。使用网贵的高性能计算机所达到的大规模集群运算能力；PaaS将软件研发的平台作为一种服用程序的，也不需要具体的管理和控制运行它们的底层云计算基础设施[97,98]。云计算同时具有私有云(PrivateCloud)、社区云(CommunityCloud)、公有云(PublicCloud)和混合云(HybridCloud)等四种不同的部署形式。私有云可部署在主机托管场所或2种或以上类型的基础设施组成，各个云之间相对保持独立并使用标准或专有的技术组合起来，具有应用程序及数据的可如今云计算技术正处于快速发展的阶段，国际数据公司(InternationalDataCorporation,IDC)公布的统计数据显示，云计算的支出从2008年的160亿增长到2012年的420亿，2015年该数值将增长到千亿规模，占年度IT支出的1400万人的就业问题。IDC同样发布了中国地区云计算市场的，2011年中国对云计算基础架构的投资已经达到2.86亿2016年全球的云端将保存着超过三分之一的全世界数据，每个家庭的平均量将达到3.3TB，而2020年云计算的全球市值将增至2410亿[102]。、、IT巨头在该领域展开了积极的参与和研究，具有标准化趋势的云计算产品平台也陆续的出现国际上，AmazonIBM、等公司是云计算的先行者掌握着云计算领域的技术他们利用、、着全球最大规模的搜索引擎拥有遍布全球200多个站点的超过100万台服务器数量管理着遍布全球的第四代数据中心中的服务器网络和等资源，并为其云应用提供各种平台服务；IBM与多个欧洲组织合作开展了云计算项目，已经投资上亿新建和改造了十多个云计算数据中心。云计算产品方面，Amazon的简单存储服务(SimpleStorageService,S3)、弹性计算云(ElasticComputingCloud,EC2)都是典型 产品；的Azure平台和 的AppEngine平台均是PaaS产品的代 的客户关系管理软件(CustomerRelationshipManagement,)则是典型的SaaS产品[103,104]。国内方面，我国各地方、行业和企业在《中国云科技发展“十；，；云计算同样引起了学术界的讨论和研究，人们已经云计算不仅是IT发展的先进代表，还有可能会引起一场潮流。国际方面，自然科学(NationalScienceFoundation,NSF)2008“通过网络实现科学发现与技术创新”的计划对云计算的研究工作进行了大量的安排；和IBM通过NSF的资助在十几所大学开设了大规模数据处理的有关课程[106]NSF的资助下进行了“云现、数据挖掘和计算生物学等提供服务；宇航局开展了名为“”的云计算项2008年开设了“数据中心网络”专题，掀起了云计算新型数据中心研究的热潮国防系统局开展了和SaaS相关问题的“快速计算环境”、“全球布式计算平台”等项目的研究[107]国内方面计算技术取得了“虚拟机的可信计算平台研究与设计”、“面向虚拟数据完整性的透明检测技术”等多项虚拟机架了云服务应用于数据的与共享大学代表我国参加了国际标准化组织研制的“互操作性元模型框架”项目并主持了其中5项标准的研制工作；华技大学的GRANE云计算平台实现了云环境下的虚拟化桌面CloudDesk，并提供企业信息化和科SaaS平台的租户和应用研究方面取得进展，提出了；，；和网格计算等环境下已经提出了很多经典的任务调度算法，如先进先出算法（FirstIn经过近十年的快速发展，各大IT巨头、机构、学术等都确定了自己的云计算并纷纷建立了他们的云计算平台出了相关的云计算服务产品相比传统的S的条件下将系统任务映射到计算资源上是个极其复杂的问题[109-112]处理器数量内存数量带宽和计算时间来进行高效的任务调度策略可提高用户租用计算资源的使用率，减少其作业任务的计算成本。另外，S需[113-15]116]。Pandey等人将粒子群算法应用最佳资源选择算法节省约3倍的计算成本，且虚拟机的负载也实现了较好的平衡[117]；khyini该算法将任务队列分配优先级并计算任务的计算成本和时间后决定是否接受任务S得到满足的[118]iS对作业任务进hordoSS需求的同119]uyyarvicevlrment,SA）的资源分配，是一个缺乏具体问题实现的结构模型[120]；u等人经济学的最优化理论与云计算任务调度结合提出了相应的算法，该算法首先得到所有虚拟机使用费用和任务响应时间的最优解，[121]。；云计算服务提供商使用了大量的高性能计算服务器集群来组建位于世界各地的数算。用户不断增长的计算能力、空间等需求导致数据中算服务器的数量骤增，等人针对用户的Web浏览服务请求工作负载设计了GreenScheduling算法以最小化活动服务器的形式来节能，该算法使用ANN模型由历史工作负载预测未来的工作负载，并根据预测关闭或重启服务器[122]；等人使适应度的改进遗传算法对云计算任务进行调度，该算法同时考虑了总任务响应时间和任务的平均响应时间两个适应及传统的遗传算法[123]等人设计的多DAG工作流节能调度方法通过整合云计算事实情况[124]；Wu等人利用虚拟机管理器提出了一种基于动态电压频率调整（DynamicVoltageandFrequencyScaling,DVFS）SLADVFS；法可以经过适当的改进用于云计算的任务调度问题当中。如最少完成时间（MinimumMin-min算法、KPB(K-PercentBest)算法、Duplex算法等，大都是针对云计算的特殊条件而为提高应用任务的执行效率作了专门的设计[126127]IT公司也提出Yahoo公司的计算能力高度策略[128]和公司QoSQoS本文主要研究针对使用模型优化方法求解工程问题需要进行多次迭代的情况，本文将信息熵与形式的EI准则结合，建立了基于信息熵的期望提高加点准则（Entropy-basedExpectedImprovement,EEI），并将EEI准则引入到基于Kriging模型的序列优化方法中，开发了其并行计算模式。EEI准则在每次加点的过程中能够计算出一个最优权系数，使用该权系数产生的新样本点可有效提高优化解的精确度；使用EEI加点准则的Kriging序列优化方法可利用并行计算环境对样本组和多点加点的权系数进行粗粒度分割，从较次拆分整个优化过程，在迭代时加快优化问题的计算速度。鉴于工程优化云应用的特殊计算特征，本文提出了基于Kriging模型的动态云任务调度方法。该方法使用Kriging模型对工程优化云应用不同计算时期的微观计任务在获得较小响应时间的同时降低用户的计算成本，并提高台本身计算资源的使本文第四章提出了基于Kriging模型的云任务预测和分配方法并建设了工程优化台。从工程优化云应用的宏观计算特征出发，通过Kriging模型得到由应用图 本文逻辑结Fig. Logicalstructureofthis1.2第一章首先介绍了本文的研究背景，其次对工程优化问题简单进行了介绍，再次第二章首先介绍了基于Kriging模型的序列优化方法，之后详细论述了基于信息熵的期望提高准则（EEI）的推导过程，及使用EEI准则Kriging并行优化方法的实EEIEI准则的优化结果精确度进行了对比，并同时测试了两个工程算例在EEI准则和EI准则作用下的优化结果差异及对应的第三章详细分析了基于Kriging模型的动态云任务调度方法的原理和具体调第四章首先从工程优化云应用的宏观层面筛选出设计变量和目标函数，其次给出基于Kriging模型的云任务预测和分配方法原理。之后论述了针对工程优化应用云第五章引对于复杂的数学优化问题或工程优化问题而言，即便使用全局性的EI准则并采用序列化的Kriging模型优化方法，也通常会需要数十次甚至上百次的迭代方能收敛。常规的EI准则是对局部和全局考量后的搜索加点策略，而使用形式的EI准键的问题。另外，由EI准则的表述形式可很容易的看出，使用不同的权系数可生本章首先介绍基于riging模型的序列优化方法其次将给出信息熵与EIriging2.5节将通过数学和工程算例对它们进试统计结果表明基于信息熵的期望提高准则以较高的并行加速比缩短工程优化问题的计算时间。基于Kriging模型的序列优化方以必要的措施便是采用迭代的方式序列化地将每次优化得到的最优设计回添到模了模型优化方法。基于Kriging模型的序列优化方法则是现阶段比较成熟且应用广泛的模型优化方法。理模型的准确度。网格取样、拉丁超立方取样等是在Kriging模型优化领域使用较 图 网络取样方法（a）简单网格取样方法（b）改进网格取样方Fig.2.1 Gridsamplingmethod(a)simplegridsamplingmethod(b)improvedgridsampling因此在复杂的工程优化问题中较少被使用。ns,ns等分并对每一区间随机取值，之后对每一维 图2.2 拉丁超立方取样方法（a）示意图I（b）示意图IIFig.2.2 Latinhypercubesamplingmethod(a)scenarioI(b)scenarioIIs（1）在任何小邻域内样本组不会出现重合的点；（2）所有的维度上按ns均分的区间都SS1S1,KSn}，满足ss1ns1S(Sk

S)S)1

sSi)s

k

s

sS为正交拉丁超立方样本（OrthogonalLatinHypercubeSampling,OLHS）。式(2.1)中a为一常数，I为单位阵。正交拉丁超立方能够保证样本尽可能的均匀分布，但其最小距离最大化的方法。图2.3显示的是使用正交向量生成9个样本的正交拉丁超立方图 正交拉丁超立方取样方Fig. OrthogonalLatinhypercubesamplingKriging模型简KrigingKriging化估计值的误差方差来确定选择项，因此Kriging模型是一种最优的线性无偏Krigingy(x)F(,x)z(x)fT(x)

式中f(x)通常是x的零阶、一阶或二阶多项式，提供了模拟的在设计空间中全局的近似为回归系数z(x)提供了模拟的在设计空间中局部的偏差近似，是随机分布的误差项，其具有几个统计学特征[4445]E[z(x)]Var[z(x)] Cov[z(x),z(x)]2[R(,x

其中xixj是样本中两个任意的点R(,xi,xj)是带参数的相关函数，反应了两个点之间的空间相关性。Kriging模型的形式决定了任意响应值都是一个服从正态分布的随量，因此模型具有非常强的灵活性，而不是被限定于某一种特定的形式Kriging模型中两个点的相关性是与它们之间距离有关的量，所以相关函数可表为vnvR(,x,x)R(,

),

|xkxk

k1式中已知设计变量的维度用nxkxkxx的第k Rk(k,dk)通常使用相关函数表示，表示为R(,

)exp(d2

k目前，Kriging模型已经通过不同语言编写后作为常用的工具箱函数实现了若 加点准则在Kriging模型优化的每次迭代过程中选择设计空间内的新点加入代由Kriging模型的样本形成的近似曲面称为响应面，通常是曲面。响应面|ykyk1||ykˆk|

k为优化进行的迭代次数；ykˆk分别为当前最优设计的真实响应值及其模型预测值1和2则为针对不同问题所设的收敛精度从优化问题角度理解式(2.8)可视为最优值已经足接近最优式(2.9)可视为当前的模已经足够准确。与响应面准则相区别的是，期望提高（ExpectedImprovement,EI）x132,133] ( Iˆ(x))22exp[2

12其中，ymin为当前最优设计的响应值；Iyminy(xx处的响应值目标的提高；ˆ(x)为Kriging模型在设计点x处的预测均值，2(x)为其均方差。从而对12E(I)

I

exp[(

Iˆ(x)2

I

2E(I)(x)[u(u)(u)],uyminˆ(x)

其中为正则化概率分布函数，(2.12)的取值即最大E(I)E1(I)E2(I),E1(I)(x)u(u),E2(I)

E(I)E或

E(Iymax

其中ymax通常使用当前样本中的最大响应值来定义E和r是由具体问题定义的收敛精度。式(2.15)中r是一个与响应值无关的相对数值，因此使用这种形式定义收敛精度较为容易。期望提高准则还有一种形式（WeightedExpectedImprovement,WEI）的变种，其表达式为[134135]E(I)(x)[u(u)(1)(u)]E1(I)(1)E2(I

式中为系数取值范围被定义为[0,1]式(2.16)是以的形式来控制使用期望提值越大则越使搜索加点位于局部，反之则趋于全局。使用EI准则的Kriging模型优化方使用EI准则的Kriging模型优化方法通常包括抽样计算响应值建立2.4图 使用EI准则的Kriging模型优化方法流Fig. FlowoftheoptimizationmethodusingKrigingmodelbasedonEI使用EI准则的Kriging模型优化方法方法解数学算ysin(x)4使用式(2.17)使用DACE工具箱对样本和响应建立Kriging模型

使用式(2.13)xnew并计算其3-9.00002.5图 最大化EI加点准则的迭代历Fig. IterationhistoryusingumEI基于信息熵的期望提高准 H(X)P(xi)M(xi)P(xi)logbP(xi 式中符号b2e10

式(2.16)中系数是对全局和局部搜索加点的衡量尺度，可使用[0,1]之间的不对于此，将信息熵引入形式的EI准则，可构建出一个基于信息熵的最优化模型 min[E(I)]jEj(I2 j2 minHjln(j j22 j

式中H即为信息熵，s.t.为约束条件。式(2.19)表示在优化过程中要寻找期望提高最大值 L(I,,)(1)jEjjln(j)(j1),

式中和分别是多目标优化系数和日乘子。由于最优点满足

0,L

(1)Ej(I)[ln(j)1]及(1)E(I)ln()1

rE(I)1ln(

其中r(1)/是求解多目标优化的因子，在本文中定义为0.5，以表示使用exp[rEj(I)]exp(1 2

因有关系j1，所以式(2.25)j

22j

exp[rEj(I)]1exp(1)

2exp[rE(I)]exp(12

将式(2.27)代入式(2.25)

2 exp[rEj(I2exp[rEj(Ij

从而基于信息熵的期望提高准则（Entropy-basedExpectedImprovement,EEI）的数EE(I)E1(I)(1)E2(I),

exp[rE1(I)]

可见，EEI准则的表述形式与传统的WEI准则类似，不过其系数是由算数表达式计算的具体数值，式(2.29)中的即为通过与信息熵理论结合计算得到的最优系Kriging并行优化策从序列化Kriging模型优化的实施过程可以看出其主要的时间消耗由两部分组pEEI准则或WEIKriging并行优化策略在本文中定义为如下所述（1）（串行）主进程使用取样方法抽样（如拉丁超立方取样等）Ns样本按处理器数将初始样本分成p份分别作为p个并行进程的输入数据前p1（3）（并行）DACEKriging模型（4）（并行）按式(2.16)解最优化问题得到新加样本点。对第1个进程，若使用EEI使用(i1)/p,i2,3,K,p作为系数进行计算；（5（（6）（串行）|

yk1 min

| 则优化停止，其中k为当前迭代次数，相对误差0.01；否则将所有的新样本和1EEI准则的每次迭代过程只有一个按最优权系数生EEI相对应的，使用WEI准则的单点或串行优化策略即为普通EI准则（可视为系数测试算本节将对使用EEI准则的Kriging模型并行优化方法的有效性进行验证。为验证EEI准则的有效性可使用其串行优化策略与常规EI准（即系数为0.5的优化策略对比EEI准则与WEI准则的优化结果（WEI准则的第1个并行进程系通过进程号计算得出即0AckleyBranin函数，它们都是较复杂的10个，使用式(2.30)50次。50组不同的样本进行了测试[139]，按照式f(x)k

f

iif(x)k是使用第i组样本在第k次迭代f(x)k为第k50组样本中均iiAckleyAckleyf(x)2

x2x2)exp((cos(2x)cos(2x

2exp(2),x1[1.5,1.5],x2Ackley2.6所示，该函数有一个全局最优点(0,0)和若干位于四周102.1EI准则和EEIAckleyKriging等值线图及优化加点的过程分别由图2.7和图2.8表示2.72.8中的黑色方点就是每次迭代过程新加入的样本点位置。相对应的，EEI准则在每次迭代过程中所计算得到的最优权系数变2.9所示。表 Ackley函数单组样本的初始Tab.InitialsamplesforsingletestofAckleyf两种方法形成的模型都没能还原真实函数属性，这主要是由Ackley函数高度EI准则的优化过程历经27次迭代后收敛到了局部最优点(6.611106,1.381105)和局部最优解6.157106，远好于同情况下的EI准则最优解。图 Ackley函数等值线Fig. ContourplotforAckley图 Ackley算例使用EI准则的Kriging等值线Fig. ContourplotforKrigingfunctionusingEIcriterionofAckley图 Ackley算例使用EEI准则的Kriging等值线Fig. ContourplotforKrigingfunctionusingEEIcriterionofAckley图 Ackley算例使用EEI准则的最优权系Fig. OptimalweightedparametersusingEEIcriterionofAckley2.9EEI准则优化的最优权系数变化可以看出，基于该组样本，EEI准则几乎每次都是选择位于全局部分的点加入样本（0.5），在这个过程中完成了对设计域若干区域的有效探测（2.8），最终收敛到最优解附近。EIEEIAckley2.10图 Ackley算例的平均优化历Fig. AverageoptimizationhistoriesofAckley如图2.10所示，使用EI准则需要经过平均49次迭代收敛到最优值0.4269，而使用EEI410.1538。从历史曲线的走势可以看出，起初阶段EI准则和EEI15EEI准则加点的BraninBraninf(x)(x5.1x2/(42)5x/6)210(10.125/)cos

x1[5,10.0],x2

Branin的等值线见图2.11，该函数在设计域内具有3个不同的全局最优点，分别位2.11中的三个椭圆形区域的中心位置。3分别是使用EI和EEI准则进行Kriging模型优化所最终形成的替代函数等值线情况图中黑EEI2.14表 Branin函数单组样本的初始Tab. InitialsamplesforsingletestofBraninf2.122.13可以看出，EI19EEI2.12也可以观察到，EI准则的图 Branin函数的等值线Fig. ContourplotforBranin图 Branin算例使用EI准则的Kriging等值线Fig. ContourplotforKrigingfunctionusingEIcriterionofBranin图 Branin算例使用EEI准则的Kriging等值线Fig. ContourplotforKrigingfunctionusingEEIcriterionofBranin图 Branin算例使用EEI准则的最优权系Fig. OptimalweightedparametersusingEEIcriterionofBraninBranin函数在这组初始样本下使用EEI（权系数大于0.5），对照图2.13可以看出，优化过程加点主要集中在中部椭圆形全局最优EIEEIBranin2.15图 Branin算例的平均优化历Fig. AverageoptimizationhistoriesofBranin2.15所示的BraninEI准则和EEI准则分别优化加点所需要的平均迭代次数为31次和17收敛到的平均最优值为0.4570.4015。使用EEI10次迭代时与EI准则的加2.162.17。EEIWEI准则对优化结果的影响及测试并行计算的效图 汽轮机基础的有限元模型Fig. FEMmodelforturbine图 馈源舱平台的有限元模型Fig. FEMmodelforSTEWART汽轮机基础的质量正比于其框架结构的体积因此该问题的设计变量被定义为截面minF(X)min{fls.t.Mu(t)Cu(t)Ku(t)xixixi,l1,2,...,L,i1,2,...,

q其中s.t.是约束条件，X是作为设计变量的截面积向量I个不同的维度并由具体问题确定，每个维度截面的上下限分别用xi和xiu是所有基础关切点所需满足的动位移上限该值在优化中使用黑箱分析函数Ansys软件计算而得，Q值为关切点的个数；L2f1(Xf2(X分别代表基础的最大动位移归一化值（利用uq完q600MW

F(X)0.5f1(X)0.5f2

15WEIEEI加点准则得到的优化迭代历史如2.18所示。图 600MW汽轮机基础迭代历Fig. Iterationhistoryfor600MWturbineEEIWEIEEI准则的优化过程12次并收敛到最优解F(X)1.1332WEI20次迭代并F(X1.449(2.35)0.1的优化提升就将最终节省上百吨的基础建设投入，因此这种进步对实际工程问题而言是十分有利的。同时，EEI准则在取得较好优化解的同时也减少了迭代次EEI准300MW172.19图 300MW汽轮机基础迭代历Fig. Iterationhistoryfor300MWturbine2.19EEI6F(X1.81624，WEI11个迭代步收敛到了F(X)2.0401，使用EEI准则优化加点对题的主要目的。馈源舱的上下平台均是使用Q345钢材制作的无缝，它们的矩minF(X)min{fls.t.xixixi,l1,2,...,L,i1,2,...,

F(X)0.5f1(X)0.5f2

32.20图 下平台迭代历Fig. Iterationhistoryforlower该例中使用EEI准则的优化结果F(X0.3403)要明显好于WEI准则的优化(F(X)0.4551)，该例的两种准则优化的迭代次数也有一定差异，EEI准则仅为29次而WEI37次迭代过程。上平台同样有3个设计变量，图2.21是该算例分别使用WEI准则和EEI准则的并收敛。显而易见，在EEI准则加点的作用下，最终的优化目标函数F(X0.5015要很大程度上优于WEI准则优化过程(F(X)0.7472。图 上平台的迭代历Fig. Iterationhistoryforupper加速比t1tp

及并行效率100%p

其中t1和tp1p个并行进程所耗费的优化计算时间。则2.5.2节所述的汽轮机基础优化设计和馈源舱平台优化设计两个工程算例在使用WEIEEI2