基于模拟退火算法的云计算资源调度模型

针对云计算平台的特征,提出基于模拟退火算法建立云计算资源调度模型。模拟退火算法在保证用户公平性的前提下,以缩短总任务的完成时间及提高用户满意度为目标。通过仿真实验,在相同硬件环境下对比分析模拟退火算法与传统遗传算法的资源调度性能。结果表明,模拟退火算法在收敛速度和用户满意度方面均优于传统遗传算法,更加适应云计算环境。     

云计算环境下基于遗传蚁群算法的任务调度

研究了云计算环境下的任务调度问题,通过构造云计算环境下的任务调度模型,提出了一种混合调度算法,该算法是蚁群算法与遗传算法的有机融合。其中的遗传算法采用间接编码方式,结合由遗传算法衍生出的优化解,对蚁群信息素的分布进行初始化处理,使遗传算法的快速搜索能力得到充分利用,并通过克服蚁群算法的起始信息素不足问题,加快了求解速度。云计算环境下的仿真实验结果表明,该混合算法是一种行之有效的任务调度算法。     

云计算环境下基于遗传算法的任务调度技术研究

遗传算法是一种通过模拟自然进化过程搜索最优解的方法。目前,将遗传算法作为云计算环境下的任务调度算法已逐渐成为研究热点。云计算作为一种全新的分布式计算模式,通过网络将大量分散资源按用户所需进行分配,其实施资源分配、任务调度的技术将直接决定“云计算”性能的高低。探讨当前云计算中基于遗传算法的任务调度技术研究现状及有待解决的问题,为进一步研究指出方向。     

云计算环境中优化混合遗传算法的资源调度研究

将云计算传统的遗传算法应用到任务调度中,存在迭代次数多、资源利用率低、执行时间长等问题。因此,提出贪心算法来初始化种群,以避免随机初始化种群时基因的低表现性,并且引进精英因子到传统遗传算法中以优化收敛速度。设计出双适应度函数,兼顾考虑用户对执行时间和带宽的要求,通过采用可适应交叉和变异方法,提升算法的全局收敛能力。仿真实验结果表明,在云计算的任务调度中使用优化混合遗传算法能更加有效地解决资源调度问题。     

基于遗传算法的云计算任务分配

任务调度的高效性是云计算中要解决的重要问题.已有的适用于分配任务的遗传算法易陷入局部最优这一缺陷,本文对遗传算法进行改进,用于保证云服务的质量.该算法引入双精英策略思想,从而减少产生局部最优解的可能,最后通过仿真实现.结果表明,该方法是一种有效的任务调度算法,减少了处理请求任务的平均完成时间.     

基于混合式启发的云计算任务调度算法

为了进一步降低云计算中的任务最大完成时间并提升负载均衡能力,提出了一种综合遗传算法、Max-Min算法以及Min-Min算法的混合式启发任务调度算法。首先,遗传算法通过染色体编码针对云计算中的任务和计算资源进行表征;然后,将新的染色体信息与每个任务的最大执行时间和最小执行时间的平均值作比较,从而决定对应任务应使用Max-Min算法或Min-Min算法加以调度。仿真结果表明,与经典的Max-Min算法以及Min-Min算法相比,本文算法在最大完成时间和资源利用率方面均具有显著优势。     

基于改进蚁群遗传算法的排课问题研究

提出了一种以蚁群算法为主,利用遗传算法经过交叉,变异,选择后产生进化的信息素作为蚁群使用的信息素.在遗传算法多次进化效果不明显时,引入模拟退火算法进行跳变的混合算法,使各种算法取长补短,改善了蚁群算法初始阶段运行缓慢和遗传算法局部搜索能力弱的缺点.提高了运行效率,同时运用这种改进的算法对高校排课问题进行仿真,从而比较算法改进的优缺点.     

云计算环境下基于蚁群优化算法的资源调度策略

云计算是当前国内外企业与研究机构研究的重点,是下一代网络应用的新兴与主流技术。资源调度作为云计算中的关键问题,研究怎样将用户提交的任务合理地分配给各个计算节点同时能够兼顾计算结节的动态扩展性。本文提出运用蚁群优化算法进行资源调度,综合考虑任务完成时间和计算成本优化问题,建立数学模型,是一种有效的资源调度算法。     

一种改进的遗传算法

传统的遗传算法有2个严重的缺点,即不能有效地消除过早收敛现象以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的1种全局最优化方法,它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。将遗传算法与模拟退火算法相结合,提出模拟退火遗传算法。实验结果表明,该算法在性能上有较大的改善。     

改进遗传算法在云计算资源优化调度中的应用

在大量用户请求云计算资源服务时,如何合理组织资源和任务调度是云计算的关键技术之一。如果分配调度方法不合理,就可能产生用户需求得不到满足和资源使用不均衡等问题。在传统遗传算法基础上,将模拟退火算法与遗传算法相融合,扩大遗传算法的搜索领域,解决遗传算法早熟收敛现象,使云资源分配更加合理,以提高云资源利用率。在CloudSim平台上进行仿真,结果表明该方式能较好地对云计算资源进行分配,在能耗、带宽等约束条件下达到云资源最优调度的目的。     

求解矩形布局问题的一种混合SAGA算法

矩形布局问题属于NP-Hard问题,是一种复杂的组合优化问题.模拟退火算法(SA)和遗传算法(GA),经常被用于求解组合优化问题.但是当问题规模较大时,存在一些难以解决的问题,如早熟现象.针对二维矩形布局问题,以动态吸引子为依据,根据各优化算法的特点,提出了一种将模拟退火算法和遗传算法思想融合的SAGA混合算法.最后通过实例证明该算法的合理性和高效性.     

求解多维0/1背包问题的Memetic算法

根据多维0/1背包问题的特点,结合遗传算法和模拟退火算法的优点,设计了一种Memetic算法。该算法以基于模式替换的改进遗传算法作为全局搜素算法,采用模拟退火算法进行局部搜索。全局搜索算法引入了模式替换,使每代种群中的最好基因个体保存下来形成模式,引导种群搜索方向,提高搜索性能,然后进行选择、均匀交叉和变异操作,最后采用最大化修复策略,对不可行解进行修复,并对可行解进行修正。模拟退火算法以一定概率接受较差的解,从而避免陷入局部最优解。通过实验仿真和算法比较验证了Memetic算法的优越性和有效性。     

智能搜索算法在线教学实验平台的设计与实现

为了更好地满足人工智能课程教学的需求,以一种低耦合、高可扩展性的架构,实现了一个以A*算法、模拟退火算法和遗传算法为主题的简洁易用的算法教学实验平台。该平台使用Flex技术来实现算法的演示,使用J2EE和XML相关技术完成后台的设计,并通过C/C++语言完成验证算法的实现。平台提供了A*算法、模拟退火算法和遗传算法的演示程序和验证程序,可以帮助学生直观地学习不同智能搜索算法,为教师和学生提供一个在线互动的教学实验平台,也方便学生开展各算法的自主实验设计。     

一个遗传神经网络预测模型

BP算法是人工神经网络研究的一个常用方法，但从本质上说是属于局部寻优法，容易陷入局部极小点，且存在着学习速度与精度之间的矛盾；遗传算法是一种全局优化算法，具有并行计算能力．本文采用遗传算法来训练前向神经网络，建立一个基于遗传算法和BP算法的神经网络预测模型．试验结果表明它是一个成功较高的预测模型．     

一种基于遗传算法的生物多序列比对方法

分析传统遗传算法、模拟退火算法,并将两者有机结合,提出了一种新型的基于遗传模拟退火的多序列比火算法,并通过程序与经典的比对算法进行比较分析,结果表明,本算法是可行的,有效的。     

一种提高全局收敛效率的混合进化算法研究

由于传统遗传算法通过自身的改进很难解决易陷入局部收敛和全局最优解产生效率低等问题,通过对传统遗传算法几大难题的详细分析,最终结合混沌算法设计出一种混合进化算法。该算法能够有效地提高全局收敛效率、改善算法早熟等问题,并且具有很好的稳定性和收敛性,文中对此进行了详细论述分析。     

两种进化算法在BSS中的应用比较

介绍了两种分别引人遗传算法和免疫算法的盲源分离方法．通过仿真比较试验表明,两种算法对混叠信号的分离都有效,但基于免疫算法的分离效果都优于基于遗传算法的分离结果．     

一种带随机选择机制的新型改进粒子群优化算法

标准粒子群优化算法对空间所有区域等概率搜索,降低了算法效率。借鉴遗传算法的思想,本文提出一种带随机选择机制的改进粒子群优化算法。该算法将适应值选择和粒子状态更新方程结合起来,通过赌轮算法选择机制使得粒子在适应值较小的区域尽可能的降低搜索概率,在最优解可能区域尽可能加大搜索强度,从而提高算法搜索效率。通过标准进化计算测试函数测试,实验结果表明对于复杂优化问题该算法优于标准粒子群优化算法和遗传算法。     

基于遗传退火算法的关联规则挖掘

把模拟退火算法具有全局平衡的特性引入到遗传算法中来,避免了遗传算法收敛性慢以及容易陷入早熟的特点,提出了一种基于遗传退火策略的关联规则挖掘模型。实验结果表明,与遗传算法相比,改进的算法更能有效挖掘大型数据集中的关联规则。     

免疫算法在运输问题中的应用

运输问题是一种典型的组合优化问题。对以往免疫算法作了适当的改进,将其用于运输问题。通过数值实验将改进的免疫算法与遗传算法进行了对比,验证了该算法求解运输问题的有效性。