混沌扰动w_BAPSO算法在任务调度中的应用

为提高云计算任务调度效率,减少任务调度的成本和时间,改进算法容易陷入局部最优的缺陷,提出基于混沌扰动的w_BAPSO算法.在云计算环境下,通过引入带有logistics混沌扰动的线性递减惯性权重,在PSO算法更新过程中结合蝙蝠算法脉冲速率、脉冲响度等参数,将带有混沌扰动的w_BAPSO算法用于云计算任务调度过程中.通过...     

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。     

遗传算法在云任务调度中的应用

云任务调度的目的是快速找到全局最优解.将多个云任务合理的分配给有限的资源上,使得整个任务的完成时间较短.文中主要介绍了遗传算法在云任务调度中的应用.通过仿真实验分析了采用精英策略的遗传算法和没有采用精英策略的遗传算法在云任务调度中的不同.     

基于遗传模拟退火算法的移动机器人路径规划

针对移动机器人运动路径规划最优问题,提出了一种具有能进行整体搜索和全局最优计算的遗传算法,并将遗传算法与具有摆脱局部最优点能力的模拟退火算法相结合,解决了遗传算法在实际应用中产生的局部上并非最优的问题。在移动机器人的路径规划中,该算法能达到较高的路径规划效率和求解的质量。     

链式双链量子遗传算法

针对双链量子遗传算法具有收敛速度慢,容易陷入局部最优解等问题,提出一种新的双链量子遗传算法。该算法将种群个体分组,相邻组间有一个共有个体,即第i组的最后一条染色体同时是第i+1组的第一个个体。组内各染色体同方向同步长更新,相邻组间通过共有个体保持组间同步。该方法能很好地降低算法时间复杂度,保持种群个体的多样性,从而避免算法陷入局部最优值。最后通过实验验证该算法对复杂函数的优化结果明显优于双链量子遗传算法。     

大数据处理框架中基于MDP的任务调度算法

针对大数据处理框架MapReduce中的任务调度问题,提出一种基于Markov决策过程（Markov Decision Process,MDP）的任务调度算法,通过状态集来描述集群中节点的负载和作业的数据本地性需求,使用状态转移函数表示调度策略对状态的影响,采用值迭代求解算法求取最优策略,实现集群中节点的最优调度．实验结果表明,该算法能够保证数据本地性的同时,减少作业响应时间,提高系统综合性能．     

基于免疫单亲遗传和模糊C均值的聚类算法

聚类算法是数据挖掘算法中的重要方法之一.本文在分析了FCM算法和基于遗传聚类算法的不足基础上,提出了一种基于免疫单亲遗传和模糊C均值的混合聚类算法,克服了FCM的局部最优问题以及普通遗传算法聚类时的搜索速度和聚类精度的矛盾,实验表明该算法是有效的.     

遗传算法优化BP神经网络的非线性函数拟合研究

传统的BP神经网络收敛速度慢,以及该算法的不完备性,易陷于局部极小,全局最优无法保证能收敛到等缺点.针对BP神经网络的缺陷,该文提出了遗传算法,利用遗传算法优化BP神经网络权值和阈值,使得训练了BP神经网络预测模型得到了最优解.采用遗传算法优化BP神经网络的算法,并以此结合算法来研究非线性函数拟合的问题.从实验结果表明,基于遗传算法优化的BP神经网络的非线性函数拟合具有较强的收敛性和鲁棒性,并且有了更高的预测精度.     

一种新型自适应遗传算法在多峰函数优化中的应用

为解决传统遗传算法在一维多峰函数优化中容易陷入局部极值、收敛概率低、稳定性不理想等问题,提出了一种新型的自适应遗传算法。结合自适应差分进化算法流程,提出了一种基于种群适应度变化程度而变化的非线性交叉算子和变异算子,使算法跳出局部极值,寻找到全局最优解,提升最优值迭代效率。函数测试实验表明,在一维多峰函数优化中,该算法在函数收敛概率、最优值迭代效率以及稳定性上比已有算法均有提高。     

一种改进的求解TSP问题的遗传算法

TSP问题是典型的NP难组合优化问题,而遗传算法是求解此类问题的一种方法。但遗传算法存在收敛速度慢和陷入局部最优的问题。针对上述问题并结合TSP的特点提出了一种改进的遗传算法,对传统遗传算法的各种操作与算子进行了优化与改进,较好地解决了种群多样性与算法收敛性的矛盾。实验结果表明,改进后的算法明显优于传统遗传算法,说明该算法具有良好的有效性与可行性。     

基于进阶粒子群优化算法的云计算资源调度策略研究

云计算是一种商业计算模型,云厂商一般都有自己的资源分配和任务调度模式,但并没有统一的标准和规范。分析云计算系统资源调度,提出一种基于进阶的粒子群算法,采取集群动态协作产生优质粒子及对粒子逆向作用平衡局部资源的策略,以达到全局及局部搜索双向资源最优。经云仿真平台测试表明,应用该算法的调度策略可行且高效。     

基于遗传模拟退火的小波去噪算法在局部放电信号检测中的应用

提出一种基于遗传模拟退火的小波去噪算法,用于变压器局部放电脉冲信号去噪.对局部放电信号进行分解,采用基于SURE的最优阈值法则,结合遗传算法搜索最优阈值.仿真结果表明,该方法与传统阈值法相比,能更好地去除局部放电信号中的白噪声,去噪信号失真度较小,具有良好的应用价值.     

融合模拟退火的遗传算法研究与应用——以行程规划问题为例

遗传算法具有较强的全局搜索能力,但容易陷入局部最优.把模拟退火算法的思想融入到遗传算法中,在选择、交叉和变异的过程中加入退火过程,并使用改进后的算法求解行程规划问题,实验结果证明设计的算法是有效的.     

物流配送车辆调度问题的改进遗传算法

针对遺传算法容易陷入局部最优和收敛速度慢的特点,提出了一种改进的遗传算法来解决车辆调度问题:利用记忆库保存种群在进化过程中好的个体,使得好的个体不会在进化过程中丢失,同时子代的构成有父代个体和父个体经过遗传操作后所生成的子个体共同构成.该算法能够保证群体的多样性,避免遗传算法的早熟现象,通过仿真模拟,表明该算法具有可行性和高效性.     

基于量子免疫思想的Soc软硬件划分方法

针对Soc系统软硬件划分问题,将量子算法应用于Soc系统的软硬件划分过程,提出一种基于量子免疫原理的软硬件划分算法.该算法引入基于免疫原理的群体多样性保持策略,在量子算法优化过程中尽可能保持群体的多样性,避免早熟现象.并利用量子旋转门进行量子更新,保证抗体群朝着优秀方向进化,有效克服了量子遗传算法容易陷入局部最优的缺点.仿真实验表明,该算法有效地解决了软硬件划分问题,不但具有较强的搜索和跳出局部最优的能力,而且有效提高了解的精度,获得了更合理的软硬件划分结果.     

基于遗传算法的避空侦察最优路线选择

针对避空侦察最优路径选择问题,根据避空和行军时间限制以及最短路径要求,建立卫星过顶预测模型和约束最优化模型,给出一种求解该优化模型的改进遗传算法,基本思想是：在常规进化算子的基础上,引入进化逆转操作,以改善遗传算法的局部搜索能力。数值实验表明,上述算法具有较强的局部搜索能力,特别适用于避空侦察最优路径选择问题。     

应用Min-Min算法思想解决依赖型任务调度

在云计算系统中,任务调度是其中的一个关键问题,它首要决定了整个云计算系统的运行效率。基于min-min算法思想和有向无环图(DAG)的基础上设计出一个解决依赖型的任务调度算法。根据具体例子进行算法演示,结果表明:该算法在完成时间跨度上与最优算法基本一致,有效地提高任务调度效率和云资源利用率。     

基于多核SoC的负载平衡任务调度算法优化策略

分析了以往经典的多核SoC任务调度算法的基本原理和性能,并以负载平衡为目的,对多核SoC的任务调度算法进行优化.该算法在流水线调度算法的基础上,引入制导的自调度(GSS)方法,应用于多核SoC的任务调度.通过实验证明该调度策略在系统资源、开销等方面均有较好分配,减少了任务延时,系统的性能有了显著提高,达到负载平衡的目的.     

一种有效的多目标混合遗传算法

设计了一种基于支配关系下的局部搜索方法，将此局部搜索方法嵌入到多目标遗传算法中，从而提出一种有效的求解多目标优化问题的混合遗传算法。为加速遗传算法在全局优化问题上的收敛性，发挥传统数值优化算法在计算速度与计算精度上的优势，在遗传算法中镶嵌一个多目标线搜索算子。线搜索算子与遗传算法中的选择算子、交叉算子和变异算子共同作用，使全局搜索和局部搜索都能够很好的实现。数值实验表明，该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。