基于粒子群算法的分布式计算系统能效优化方法

在分布式计算领域中,需要合理分配计算资源.传统方法通过建立精确的复杂模型并转换为近似线性整数规划模型进行求解,会造成较大误差.对此,提出一种粒子群优化算法,直接使用精确非线性整数规划模型,在基本的粒子群优化算法中加入问题的约束.同时对粒子进行离散化,使用真实的目标函数值来评估粒子的适应度,能够在较短时间内收敛且离最优解的误差相对较小.仿真实验表明,该算法在单位利润、完工时间、总能量消耗方面均取得了不错的效果.     

考虑多场景新能源预测的月度机组组合研究

为提高月度机组组合对不确定新能源的适应性,提出了一种考虑多场景新能源预测的月度机组组合方法,以提升电网新能源消纳能力。首先介绍了新能源多场景预测的基本概念,并提出了多场景新能源的表示模型。在此基础上,以预期运行成本及新能源损失电量最小化为目标,考虑电力电量平衡、网络安全、电厂合同电量等运行约束,构建了考虑多场景新能源预测的月度机组组合模型。该模型本质上为混合整数非线性规划问题,可以利用CPLES等规划程序包求解。以IEEE-30节点系统构造的算例表明,该方法能够充分考虑不确定新能源对电网运行的影响,提高月度机组组合方式对不确定性新能源消纳的鲁棒性。通过调整运行成本和新能源损失电量之间的比例系数,可以优化机组组合方式,协调系统运行经济性和节能性,提升电网运行整体效益。     

基于高速网络的广域高性能并半行分布式计算

本文试图说明以下观点：越来越多的高性能应用要求利用地理上分布的，各式各样的计算和数据资源。     

基于二次粒子群算法的投资组合优化

投资组合优化问题是一个复杂的组合优化问题,属于NP难问题,传统算法很难解决这一问题。将二次粒子群算法应用到投资组合优化问题中,并采用参数的自适应变化。数值模拟表明该算法在投资组合优化问题中能避免陷入局部最优,加快达到全局最优的收敛速度,并在一定意义下优于标准粒子群算法。     

基于模型的机组组合两阶段启发式算法

针对同时考虑机组爬坡速率约束和系统安全约束的机组组合问题,提出一个基于模型的两阶段启发式算法.第1阶段确定可行的机组启停状态,首先构造初始启停状态,并根据模型检验初始启停状态是否可行,如果不可行,则通过目标函数的线性近似和约束松弛构造问题的松弛模型,并将其用于可行化机组的启停状态;第2阶段利用经济分配模型确定机组的输出功率.基于118-母线电力系统的测试验证了所提出算法的有效性和鲁棒性.     

电力系统机组组合问题的动态双种群粒子群算法

针对标准粒子群优化算法易陷入局部最优点的缺点,提出了动态双种群粒子群优化算法（DDPSO）。该算法中两个子种群规模随进化过程不断变化,进化中分别采用不同的学习策略且相互交换信息。将该算法应用于机组组合问题中,采用实数矩阵编码方法对发电计划进行编码,将两层优化问题转化为单层优化问题,直接运用DDPSO算法求解。仿真结果表明,用该方法解决机组组合问题具有良好的精度和鲁棒性。     

基于CUDA的并行粒子群优化算法的设计与实现

针对处理大量数据和求解大规模复杂问题时粒子群优化(PSO)算法计算时间过长的问题, 进行了在显卡(GPU)上实现细粒度并行粒子群算法的研究。通过对传统PSO算法的分析, 结合目前被广泛使用的基于GPU的并行计算技术, 设计实现了一种并行PSO方法。本方法的执行基于统一计算架构（CUDA）, 使用大量的GPU线程并行处理各个粒子的搜索过程来加速整个粒子群的收敛速度。程序充分使用CUDA自带的各种数学计算库, 从而保证了程序的稳定性和易写性。通过对多个基准优化测试函数的求解证明, 相对于基于CPU的串行计算方法, 在求解收敛性一致的前提下, 基于CUDA架构的并行PSO求解方法可以取得高达90倍的计算加速比。     

基于粒子群算法的构件组合技术研究

在开放、动态的网络环境下,为了解决网构软件动态组装问题,提出一种改进的基于粒子群的优化算法。首先在多约束条件下设计模型的可信组合方案,通过改进的粒子群算法进行最优求解,找出构件模型的最优组合。结合实验仿真和实证研究,结果表明所提方法在求解多约束构件组合优化问题上是有效的,能提高网构软件组装的效率和可信性。     

基于PSO-SA算法的优化排料研究

现今用于家具制造的木材及板材的使用量大幅度增加。板材用料的合理利用与木材资源的浪费问题,越来越受到国家及社会的高度关注。在家具生产中,板式材料的合理剪裁成为现在的研究热点。根据现代社会产生的木材合理利用为研究点采用PSO-SA优化算法,对板式办公家具木质材料的优化排料方式进行建模。PSO-SA将PSO算法的优点与SA算法的优点运用在算法的实现中,并将两种算法进行有效结合,使之达到最良好的优化效果。尽量避免和减少其余料的产生和浪费,达到利用率最高的目的。同时提高辅助材料的价值和可用性。     

基于改进粒子群算法的投资组合选择模型

研究了在实际投资决策中存在交易成本(税收和交易费用)和投资数量约束下的投资组合选择问题,并进一步设计了一种求解该问题的改进粒子群算法.最后,给出了一个数值例子,说明该模型和方法的有效性.     

TDCE:基于Tspaces的分布并行计算系统

Tspaces是一种新型的网络中间件。它为网络环境中各进程提供一种强大的共享存储机制来处理相互之间通信和同步。在Tspaces的基础上,构造了一个用于群机环境的并行计算系统TDCE。TDCE支持SPMD模式的并行程序,实验结果表明TDCE能以较小的系统配置和管理开销构建分布式计算平台,为并行程序的开发运行提供有效的支持,给出了系统MPI的对比测试结果并作了分析。     

基于Spark的基因短序列比对模型

针对生物信息分析中基因短序列比对任务计算耗时长的问题,采用Spark平台、RDD数据集以及分布式文件系统HDFS设计了一种分布式计算模型。采用分而治之的策略将庞大的计算任务分割为多个互不重叠的小任务在分布式集群上并行执行。通过基于位置偏移量等分的数据分区算法实现数据的分发;通过将基因短序列封装入RDD数据集的方法实现了短序列的逐条处理;通过将基因比对算法传入RDD的Map函数的方法实现了基因序列的比对。计算模型的实现使得串行比对算法在分布式集群上可扩展,并显著降低了计算耗时,计算结果可与后续的生物信息分析工作相兼容。实验结果证明计算模型具有较好的稳定性和可扩展性,在Spark集群上取得了优秀的加速比。     

多Agent 主从粒子群分布式计算框架

面向大规模复杂优化问题,提出了一个基于并行粒子群优化的分布式Agent计算框架.框架中使用一个主群(master swarm)来演化问题的完整解,并使用一组从群(slave swarm)来并行优化一组子问题的解,主群和从群通过交替执行来提高问题的求解效率.采用异步组结构,主群/从群中的各类Agent共享一个解群,并通过相互协作,对解群进行构造、改进、修补、分解和合并等演化操作.该框架可用于求解复杂的约束多目标优化问题.通过一类典型运输问题上的实验,其结果表明,所提出的方法明显优于另外两种先进的演化算法.     

基于改进量子粒子群的分布式并行计算框架设计

为了实现用户任务在大规模计算机集群上进行高效地处理,并克服现有并行计算框架通用性不强的缺点,提出了一种基于改进量子群算法和Map-Reduce模型的通用并行计算框架;首先,对经典的Map-Reduce分布式并行计算框架以及并行计算流程进行了具体描述;然后,基于改进的量子粒子群算法设计了改进的Map-Reduce模型,在Map阶段通过多种群并行搜索并计算所有粒子适应度,在Shuffle和Sort阶段实现粒子的排序和种群的重新划分,然后在Reduce阶段更新控制系数和粒子位置,当最优解不变时,通过混沌扰动对其进行扰动;仿真实验表明同,文中设计的基于改进量子粒子群算法和Map-Reduce模型能高效地执行任务,较传统的MapReduce模型具有较少的执行时间,具有很强的可行性,是一种有效的通用并行计算模型。     

基于RPSO的分布式电梯群控系统调度算法的优化

为了获取电梯群控系统调度问题的全局优化解,必须要找到一种具有全局优化功能的智能算法。对电梯群控系统不同的客流模型及控制机制进行了分析,提出了一种实时粒子群算法,用来优化电梯群控系统的动态调度问题。仿真结果表明,该算法不仅可以有效地调度分布式电梯群控系统,并且在电梯忙碌或者超载情况下,实现了对任务进行再分派的功能。基于RPS()算法的分布式电梯群控系统可以使乘客平均候梯时间减少一半,使乘客的电梯使用时间减少三分之一。     

一种基于PSO的改进光流算法

针对变分光流法无法有效检测由间断、遮挡等因素造成的错误光流分量的缺陷,提出一种基于PSO(Particle Swarm Optimization)的光流算法。该方法在Classic+NL算法模型的基础上计算出光流后,引入前向光流和后向光流的运动一致性理论来判断遮挡区域,并通过基于PSO的修补法来实现对遮挡区域错误光流的有效修补,同时,利用邻域光流修补法实现了再次修补。实验结果表明,该方法能有效克服由间断、遮挡等因素造成的错误光流分量的缺陷,更准确地刻画出光流,提高光流的计算精度。     

基于分布式计算的网络管理平台的设计与实现

提出了一个基于分布式计算的网络管理系统模型,从理论和实践两方面,详细论述了系统的结构及实现机制,对系统的特点和性能进行了分析与研究,并将该系统应用到实际中,结果表明是有效而实用的。     

Parallel Implementation of a Low Order Algorithm for Dynamics of Multibody Systems on a Distributed Memory Computing System

In this paper, a new hybrid parallelisable low order algorithm, developed by the authors for multibody dynamics analysis, is implemented numerically on a distributed memory parallel computing system. The presented implementation can currently accommodate the general spatial motion of chain systems, but key issues for its extension to general tree and closed loop systems are discussed. Explicit algebraic constraints are used to increase coarse grain parallelism, and to study the influence of the dimension of system constraint load equations on the computational efficiency of the algorithm for real parallel implementation using the Message Passing Interface (MPI). The equation formulation parallelism and linear system solution strategies which are used to reduce communication overhead are addressed. Numerical results indicate that the algorithm is scalable, that significant speed-up can be obtained, and that a quasi-logarithmic relation exists between time needed for a function call and numbers of processors used. This result agrees well with theoretical performance predictions. Numerical comparisons with results obtained from independently developed analysis codes have validated the correctness of the new hybrid parallelisable low order algorithm, and demonstrated certain computational advantages.     

一种基于分布式编码的卷积优化算法

卷积在统计学、信号处理、图像处理、深度学习等领域有着广泛的应用,且起到了至关重要的作用。在深度神经网络中,使用卷积运算对输入信息进行特征提取的方法是实现神经网络的基础计算单元之一。如何优化卷积的运算速度,提高卷积计算效率一直是亟需探讨的问题。近年来,很多研究指出分布式计算架构可以提高卷积神经网络的计算速度,进而优化深度学习的训练效率,然而由于分布式系统中普遍存在落跑者问题(straggler),该问题可能会拖慢整个系统执行任务的时间,因此该问题也成为了分布式深度学习中一个待解决的问题。文中针对二维卷积计算,结合Winograd算法和分布式编码,提出了一种优化的分布式二维卷积算法。Winograd算法能够有效地加速单次二维卷积计算的速度,分布式编码通过使用一种基于分布式冗余的编码方式能够缓解straggler节点对整个分布式系统计算延迟的影响。因此,提出的分布式二维卷积算法可以在加速二维卷积计算的同时有效缓解分布式系统中的straggler问题,有效提高了分布式卷积的计算效率。     

基于局域网的电力系统分布式计算及管理

依据电力系统的特点，提出了一种基于网络的分布式计算方法及计算管理，可有效使用网络内的空闲资源，提高系统的资源利用率，不影响原有系统的可靠性及稳定性，介绍了该系统的基本原理和实现方法，并与常规方法相比较，介绍了该系统的性能指标。