A comparative study of single-objective and multi-objective genetic algorithms for resource optimization in Kubernetes environments
| dc.contributor.advisor | Oliveira, Lidiano Augusto Nóbrega de | |
| dc.contributor.advisorLattes | http://lattes.cnpq.br/7399493881755815 | |
| dc.contributor.author | Silva, João Victor de Oliveira | |
| dc.date.accessioned | 2026-08-05T16:31:23Z | |
| dc.date.issued | 2026-07-22 | |
| dc.degree.departament | Estatística e Informática | |
| dc.degree.graduation | Bacharelado em Sistemas da Informação | |
| dc.degree.level | bachelor's degree | |
| dc.degree.local | Recife | |
| dc.description.abstract | A ampla adoção do Kubemetes possibilitou a orquestração eficiente de aplicações conteinerizadas por meio de mecanismos automatizados de implantação e escalonamento. No entanto, as decisões de configuração de recursos — conto o número de réplicas e os limites de CPU e memória — ainda são comumente definidas manualmente ou com base em heurísticas estáticas, o que pode levar à utilização ineficiente de recursos ou à degradação do desempenho sob cargas de trabalho dinâmicas. Este trabalho apresenta um estudo experimental compara-tivo entre duas estratégias evolutivas para otimização de recursos em ambientes Kubemetes: um Algoritmo Genético de objetivo único (SO-GA), que maximiza uma agregação ponderada de escores de latência, eficiência de recursos e con-fiabilidade, e o Non-dominated Sorting Genetic Algorithm 11 (NSGA-II), que otimiza simultaneamente saturação, recursos provisionados e throughput conto objetivos conflitantes. Ambos os algoritmos compartilham o mesmo pipeline de avaliação — aplicando configurações em um cluster real, executando testes de carga controlados e coletando métricas de aplicação e do Prometheus — e exploram um espaço de busca idêntico e discretizado sobre réplicas, CPU e memória. Um baseline de Busca Aleatória (Random Search) com o mesmo orçamento de avaliações é incluído como controle. As três abordagens são com-paradas em termos de qualidade de solução (melhor fitness agregado, hipervol-ume, distância geracional invertida), comportamento de busca (cobertura da frente de Pareto, dominância) e custo computacional, fornecendo evidências empíricas sobre se a complexidade adicional da otimização multiobjetivo se justifica em tarefas de configuração de recursos em Kubemetes. | |
| dc.description.abstractx | The widespread adoption of Kubernetes has enabled efficient orchestration of containerized applications through automated deployment and scaling mechanisms. However, resource configuration decisions—such as the number of replicas and CPU and memory limits—are still commonly defined manually or based on static heuristics, which may lead to inefficient resource utilization or performance degradation under dynamic workloads. This work presents a comparative experimental study of two evolutionary strategies for resource optimization in Kubernetes environments: a single-objective Genetic Algorithm (SO-GA) that maximizes a weighted aggregation of latency, resource efficiency, and reliability scores, and the Non-dominated Sorting Genetic Algorithm II (NSGA-II), which simultaneously optimizes saturation, provisioned resources, and throughput as conflicting objectives. Both algorithms share the same evaluation pipeline—applying configurations to a live cluster, executing controlled load tests, and collecting application-level and Prometheus metrics—and explore an identical, discretized search space over replicas, CPU, and memory limits. A Random Search baseline with the same evaluation budget is included as a control. The three approaches are compared in terms of solution quality (best aggregated fitness, hypervolume, inverted generational distance), search behavior (Pareto-front coverage, dominance), and computational cost, providing empirical evidence on whether the additional complexity of multi-objective optimization is justified for Kubernetes resource configuration tasks. | |
| dc.format.extent | 39 f. | |
| dc.identifier.citation | SILVA, João Victor de Oliveira. A comparative study of single-objective and multi-objective genetic algorithms for resource optimization in Kubernetes environments. 2026. 39 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Departamento de Estatística e Informática, Universidade Federal Rural de Pernambuco, Recife, 2026. | |
| dc.identifier.uri | https://arandu.ufrpe.br/handle/123456789/8999 | |
| dc.language.iso | en_US | |
| dc.publisher.country | Brazil | |
| dc.publisher.initials | UFRPE | |
| dc.rights | openAccess | |
| dc.rights.license | Attribution 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Computação em nuvem | |
| dc.subject | Sistemas operacionais distribuídos (Computadores) | |
| dc.subject | Inteligência artificial | |
| dc.subject | Algoritmos genéticos | |
| dc.subject | Otimização matemática | |
| dc.title | A comparative study of single-objective and multi-objective genetic algorithms for resource optimization in Kubernetes environments | |
| dc.type | bachelorThesis |