一种基于多Agent的人群仿真多机并行平台研究

本文提出了一种针对多Agent人群仿真模型的多机并行平台,该平台利用MPI作为节点间的通讯软件,采用主从模式设计多机并行执行环境。在主控节点中设置结果回收模块与监控模块,通过K-means算法保证执行节点之间的负载均衡,同时以此作为任务分发与调度的依据;在执行节点(从节点)中,则根据主控节点的任务调度执行相关Agent模型,并执行仿真同步与状态信息汇报等任务。实验结果表明,该多机并行平台能够执行基于多Agent的人群仿真模型,能有效地提高仿真的性能,同时具有良好的可扩展性。     

带参改进一致性算法在多无人机集结任务的应用

多UAV集结是实现多UAV同时执行侦察和攻击任务的前提,是执行任务成功率最大化的根本保证；基于多智能体一致性理论的多UAV分布式协同控制已经广泛应用于多UAV协同作战中,通过一致性算法实现多UAV状态趋于一致；建立了多UAV集结问题的数学模型,基于协调变量和协调函数的分布式求解策略进行求解；改进了多智能体基本一致性算法和基于过去状态差值的一致性算法,提出了一种带参改进一致性算法,分析了算法的收敛条件；该算法提高了系统的收敛速度,缩短任务完成的时间；仿真实验验证了带参改进一致性算法的有效性和可行性。     

基于层次包围盒的碰撞检测算法的存储优化

介绍了基于层次包围盒的碰撞检测算法的存储优化方法。该方法从存储空间的角度来改进基于AABB树的碰撞检测算法。根据AABB树的构造过程,减少内部节点的AABB包围盒的存储字节数;基于快速三角形相交测试算法,从叶节点结构里去掉包围盒信息,将叶节点从存储结构中删除。实验表明,利用AABB包围盒和叶节点的存储优化,既减少了算法的存储空间又加快了算法的执行时间。     

无线传感器网络中基于节点对链路质量的任务分配

为了提高无线传感器网络中的资源使用效率,提出了一种新颖的算法,即基于节点之间的链路质量将任务分配给一对协同工作的传感器节点。具体来说,算法基于两个相邻节点之间的链接质量来获得这两个节点组成的节点对的能力等级,然后为每个节点对分配一个任务等级(如通过计算强度衡量)可以与此节点对的能力等级相匹配的任务,以便每个节点对可以协同高效地执行每个任务。考虑到一个节点可能会与多个节点组成不同节点对,而这些节点对被分配到的任务可能出现冗余(具有相同任务等级的任务),所以需要调整这些任务以避免执行冗余任务。仿真结果表明,该算法不仅可以提高任务分配效率,而且可以平衡网络能耗。     

一种距离无关的无线传感器网络定位算法

通过分析和仿真,指出距离无关的无线传感器网络定位算法DV-Hop在节点分布密度不均匀的网络中的局限性.由此,提出一种新的定位算法.该算法中,各节点感知周边的节点密度,基于此对周边锚节点分区,利用相同区域的锚节点执行定位计算.通过仿真验证,在节点分布密度不均的网络中,该算法有效地降低了未知节点的定位误差,提高了定位精度.     

基于模型驱动的ETL模型映射方法

针对AP模型的特点,给出元模型中对象的形式化定义,优化模型映射算法,提出一种基于模型驱动、从概念模型到逻辑模型的映射方法。改进后的算法能够映射基于数据抽取-加载-转换（ETL）工作流的单源数据或多源数据,并发执行各状态节点,提高了执行的效率。实验结果表明,该方法为模型驱动式ETL设计及数据集成中快速实现ETL奠定了良好基础。     

基于多分辨率聚类的安全定位算法

在无线传感器网络环境中,当锚节点对于未知节点进行位置或距离欺骗时,基于善意环境下的定位技术会遭到极大破坏。提出一种基于多分辨率聚类的安全定位算法,通过对边界圆邻近点进行聚类,并使用投票机制,能有效排除恶意节点,从而阻止攻击。仿真实验表明,该算法以较短的执行时间和较高的定位精度表现出较好的性能。     

许可链下的事务并行执行模型

现有的许可链系统大多采取串行的事务执行方式，无法利用多核处理器的性能优势。在共识算法性能较高的许可链中，这种串行的事务执行方法将会成为性能瓶颈。为降低排序-执行-验证架构的许可链中事务执行的时间开销，文中提出了两种事务并发模型。首先，提出了基于地址表的并行执行模型，通过静态分析的方法将事务的读写集映射到地址表中，并利用地址表构建调度图实现无数据冲突的事务并行执行；其次，针对静态分析方法不适用于读写需求复杂的应用场景，提出了基于多版本时间戳排序的并行执行模型，领导者节点使用多版本时间戳排序算法并行地预执行事务并将调度图以事务依赖三元组的形式存储入区块，所有验证节点通过事务依赖三元组进行调度，在保证一致性的前提下实现事务的并行执行；最后，在Tendermint中实现了所设计的两种事务并发模型，并进行了事务执行阶段性能测试和多节点性能测试。实验结果表明，相比串行执行，所提模型在单节点8线程时的事务执行时间分别减少了68.6%和28.5%,4节点8线程时区块链吞吐量分别提升了约43.4%和19.5%。     

基于节点集计算能力差异的Hadoop自适应任务调度算法

针对异构集群任务推测式执行算法存在的任务进度比例固定、落后任务被动选取等问题,提出基于快慢节点集计算能力差异的自适应任务调度算法。该算法量化节点集计算能力差异实现分集调度,并通过节点与任务速率的动态反馈及时更新快慢节点集,提高节点集资源利用率与任务并行度。在两节点集中,利用动态调整任务进度比例判别落后任务,主动选择采用替代执行方式为落后任务执行备份任务的快节点,从而提升任务执行效率。与最长近似结束时间(LATE)算法的实验对比结果表明,该算法在短作业集、混合型作业集、出现节点性能下降的混合型作业集执行时间上比LATE算法分别缩短了5.21%、20.51%、23.86%,启用的备份任务数比LATE算法明显减少。所提算法可使任务主动适应节点差异,在减少备份任务的同时有效提高作业整体执行效率。     

一种三维传感执行网络节点位置感知算法

传感执行网络是由一组通过有线或无线通信方式连接起来的,并完成感知与执行功能的传感器与执行器节点组成的面向应用的分布式网络。位置感知是指确定节点在网络中的坐标值。已提出的算法中大部分是针对二维布置网络,提出了一种基于循环组合四边测量法的用于三维传感执行网络的节点位置感知算法,这种算法依据信标节点相对于未知节点的几何位置并利用权重多面体和权重重心法估算未知节点的几何位置。它的主要特点是:可明显提高感知精度,且对测距误差具有很好的鲁棒性。     

A single front genetic algorithm for parallel multi-objective optimization in dynamic environments

This paper proposes a new parallel evolutionary procedure to solve multi-objective dynamic optimization problems along with some measures to evaluate multi-objective optimization in dynamic environments. These dynamic optimization problems appear in quite different real-world applications with actual socio-economic relevance. In these applications, the objective functions, the constraints, and hence, also the solutions, can change over time and usually demand to be solved online whilst the size of the changes is unknown. Although parallel processing could be very useful in these problems to meet the solution quality requirements and constraints, to date, not many parallel approaches have been reported in the literature. Taking this into account, we introduce a multi-objective optimization procedure for dynamic problems that are based on PSFGA, a parallel evolutionary algorithm previously proposed by us for multi-objective optimization. It uses an island model where a process divides the population among the remaining processes and allows the communication and coordination among the subpopulations in the different islands. The proposed algorithm makes an exclusive use of non-dominating individuals for the selection and variation operator and applies a crowding mechanism to maintain the diversity and the distribution of the solutions in the Pareto front. We also propose a model to understand the benefits of parallel processing in multi-objective problems and the speedup figures obtained in our experiments.     

一种双种群协同进化算法在湿法炼锌过程中的应用

为了求解针铁矿法沉铁过程的多目标协调优化模型,从提高全局寻优能力和解的精度出发,提出一种基于改进全局搜索量子进化算法和局部搜索差分进化算法的双种群协同进化算法.数值仿真验证了该进化算法具有较好的收敛性和求解精度;典型工况的仿真优化结果表明了该多目标协调优化模型指导实际生产的可行性,以及所提出算法的有效性.     

基于灰色综合关联分析的多目标优化方法

针对现有多目标优化方法存在的搜索性能弱、效率低等问题,提出一种基于灰色综合关联分析的多目标优化方法.该多目标优化方法采用单目标优化算法构建高质量的参考序列,计算参考序列与优化解的目标函数值序列之间的灰色综合关联度,定义基于灰色综合关联度的解支配关系准则,将灰色综合关联度作为多目标优化算法的适应度值.以带顺序相关调整时间的多目标流水车间调度问题作为应用对象,建立总生产成本、最大完工时间、平均流程时间及机器平均闲置时间的多目标函数优化模型.提出基于灰色关联分析的多目标烟花算法,对所建立的多目标优化模型进行优化求解.仿真实验表明,所提出多目标烟花算法的性能优于3种基于不同多目标优化方法的烟花算法及两种经典多目标算法,验证了所提出的多目标优化方法及多目标算法的可行性和有效性.     

目的层预约与多智能体协调的电梯群控调度方法

针对电梯群控调度过程中交通流和乘客目的楼层的不确定性,为克服集中式群控系统计算瓶颈问题,提出了基于目的层预约结合多智能体技术的电梯群控调度方法。首先,设计了该电梯群控调度系统的结构,分析了目的层预约的多目标评价函数;然后,提出基于模糊逻辑的电梯交通模式在线识别方案,实现实时地更新不同交通模式下对应的各控制目标的权系数;最后,结合多智能体技术具有良好的实时性和自主性的特点,将各轿厢运行控制器和群控制器映射为多个代理,通过各个代理之间协调多目标优化任务以得到平均候梯时间、平均乘梯时间及能源消耗整体最优的分布式电梯群控调度算法。     

工程系统进度优化的协同决策方法

为解决多个承包商间的项目合作伙伴选择问题, 采用多目标规划构建工程系统进度优化的协同决策模型. 以合作博弈理论为基础, 运用主要目标法设计一种基于期望收益约束选择的模型求解方法. 算例结果表明, 所提出的方法可以在保障参与协同的承包商收益需求前提下实现工程系统进度最优, 所获得的协同方案更容易为各方接受.

     

考虑安全约束的连退生产过程多目标操作优化

针对连退生产过程中经常出现的薄料带钢跑偏问题,建立考虑安全约束的连退生产过程多目标操作优化模型,并针对问题特点提出一种基于分类和多种群竞争协调的多目标进化算法(MOEA-CMCC).在算法中引入具有不同进化策略的多个种群以增强搜索的多样性,并在多种群之间引入竞争机制和信息共享的协调机制以提高算法的鲁棒性;通过对外部档案集中的解进行分类并在类内进行局部搜索,以保证外部档案集的分散性和算法的收敛速度.基于Benchmark问题的实验结果表明,所提出的算法具有较好的收敛性和分散性;对连退操作优化问题的实验结果表明,所提出的算法能够有效求解该问题.     

基于约束满足的多目标双足机器人动态步态参数优化*

目前的步态优化算法仅仅实现了对单一目标的优化,把双足机器人步态优化看做是多目标优化问题,构建了衡量稳定性、能量消耗、步行速度三个目标评价函数。考虑到直接对多个目标加权求和的方法不能很好地处理多目标问题,提出一种新的基于约束满足的多目标步态参数优化算法,其思想是把基于惩罚函数的SPEA2(strength Pareto evolutionary algorithm2 )应用到多目标双足机器人动态步态参数优化问题上,规划出了同时满足这三个目标的动态优化步态。通过仿真实验表明了算法的有效性。     

无线传感器/执行器网络多目标任务调度策略略

针对多任务在多执行器节点的协作问题,提出一种多目标任务调度策略.该策略以执行任务的最大完成时间、能耗均衡指标和存储成本为目标,将任务调度建模成多目标优化问题,并运用理想点法解决不同目标量纲的差异性,进而转化为单目标优化问题求解,从而得到各任务在执行器节点上的局部最优执行方案.仿真结果表明,3个优化指标均得到一定程度的改善.     

基于分解的多目标花朵授粉算法

在过去几十年里，许多多目标进化算法被广泛应用于解决多目标优化问题，其中一种比较流行的多目标进化算法是基于分解的多目标进化算法(MOEA/D)。花朵授粉算法是一种启发式优化算法，但迄今为止，花朵授粉算法在基于分解的多目标进化算法领域的研究还非常少。本文在基于分解的多目标进化算法的框架下，将花朵授粉算法拓展至多目标优化领域，提出一种基于分解的多目标花朵授粉算法(MOFPA/D)。此外，为了保证非支配解的多样性，本文提出一种基于网格的目标空间分割法，该方法从找到的Pareto最优解集中筛选出一定数量且分布均匀的Pareto最优解。实验结果表明，基于分解的多目标花朵授粉算法在收敛性与多样性方面均优于基于分解的多目标进化算法。     

An efficient metamodel-based multi-objective multidisciplinary design optimization framework

This paper presents an efficient metamodel-based multi-objective multidisciplinary design optimization (MDO) architecture for solving multi-objective high fidelity MDO problems. One of the important features of the proposed method is the development of an efficient surrogate model-based multi-objective particle swarm optimization (EMOPSO) algorithm, which is integrated with a computationally efficient metamodel-based MDO architecture. The proposed EMOPSO algorithm is based on sorted Pareto front crowding distance, utilizing star topology. In addition, a constraint-handling mechanism in non-domination appointment and fuzzy logic is also introduced to overcome feasibility complexity and rapid identification of optimum design point on the Pareto front. The proposed algorithm is implemented on a metamodel-based collaborative optimization architecture. The proposed method is evaluated and compared with existing multi-objective optimization algorithms such as multi-objective particle swarm optimization (MOPSO) and non-dominated sorting genetic algorithm II (NSGA-II), using a number of well-known benchmark problems. One of the important results observed is that the proposed EMOPSO algorithm provides high diversity with fast convergence speed as compared to other algorithms. The proposed method is also applied to a multi-objective collaborative optimization of unmanned aerial vehicle wing based on high fidelity models involving structures and aerodynamics disciplines. The results obtained show that the proposed method provides an effective way of solving multi-objective multidisciplinary design optimization problem using high fidelity models.