多核集群系统下的混合并行遗传算法研究

为应对传统遗传算法在处理大规模组合优化问题面临的进化速度缓慢,难以达到实时要求的严峻挑战,提出了一种在多核PC集群系统上实现“粗粒度一主从式”混合并行遗传算法的模型:通过把“粗粒度一主从式”并行遗传算法映射到多核PC集群上,结合消息传递和共享存储两种并行编程模型,在节点间使用消息传递模型(MPI),对应的遗传算法为粗粒度并行遗传算法,在节点内使用共享存储模型(OpcnMP),对应的遗传算法为主从式并行遗传算法,用MPI和OpenMP混合编程的方式以进程和线程两级并行在多核集群上实现具体的混合并行遗传算法。理论分析和实验结果表明,提出的实现模型有较好的性能,可大大改进传统遗传算法的缺陷。为利用并行遗传算法在普通多核PC集群上处理大规模组合优化问题提出了一种有效、可行的解决方案。     

基于云计算的混合并行遗传算法求解最短路径

为提高最短路径求解问题的效率,提出一种基于云计算的细粒度混合并行遗传算法求解最短路径的方法。方法采用云计算中H adoop的Map Reduce并行编程模型,提高编码效率,同时将细粒度并行遗传算法和禁忌搜索算法结合,提高了寻优算法的计算速度和局部寻优能力,进而提高最短路径的求解效率。仿真结果表明,该方法在计算速度和性能上优于经典遗传算法和并行遗传算法,是一种有效的最短路径求解方法。     

并行遗传算法与神经网络,模糊系统的结合

遗传算法是模拟自然界生物进化过程的计算模型。本文介绍了并行遗传算法的不同分类及不同并行策略，又将遗传算法分别与神经网络、模糊系统结合起来进行并行处理，并在曙光１０００系统上实现。算法分析表明，并行遗传算法可以有效地提高收敛速度。     

并行遗传算法在软件可靠性优化中的应用

基于并行遗传算法将软件系统的可靠性优化问题表达为一类带约束条件的组合优化问题，并采用并行遗传算法中的岛屿模型和迁移策略，较好地改善了搜索性能。模拟实验表明：并行遗传算法有效地提高了运行速度和求解质量。     

模糊Job Shop调度中的混合搜索策略的研究

采用并行遗传算法作为全局搜索算法，提出一种混合搜索策略，用于求解模糊Job Shop调度问题．根据模糊Job Shop调度问题解的特征，提出基于关键工序的邻域选择方法，并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法，加强了遗传算法局部搜索能力．针对13个困难benchmark问题的实验结果表明，在较短的时间内，混合搜索策略的算法得到的平均满意度比并行遗传算法提高4.67%，比TSAB算法提高5.76%．采用的禁忌搜索算法改善了遗传算法的局部搜索能力，说明提出的混合搜索策略是有效的．     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

软件系统可靠性优化的一种改进方法研究

基于并行遗传算法将软件系统的可靠性优化问题表达为一类带约束条件的组合优化问题,并采用并行遗传算法中的岛屿模型和迁移策略,较好地改善了搜索性能。模拟实验表明:并行遗传算法有效地提高了运行速度和求解质量。     

一种粗粒度并行遗传算法的设计与实现

遗传算法(Genetic Algorithms,GA)作为搜索最优解的方法,有很广泛的应用,但随着问题的规模扩大,复杂度增加,GA的求解速度大大降低。并行遗传算法(Paralle Genetic Algorithms,PGA)成为解决遗传算法速度瓶颈的有效方法。本文提出了并行遗传算法新的应用平台-Internet,讨论了并行遗传算法应用于Internet的具体实现中的关键问题,并给出单向环拓扑的具体实现和仿真验证。     

基于大值堆的自调整粗粒度并行遗传算法模型

一般粗粒度并行遗传算法（CGGA）的性能受诸多因素的影响表现不尽如人意。以降低通信代价为主要目标，受物种金字塔模型的启发，设计了一种双阈值限制下的自调整堆结构，并对其堆调整具体操作进行了改进，以期望改进后算法中种群间的通信代价大幅度降低，优化收敛速度，提高算法效率。通过对遗传算法的几个典型测试函数通信量的分析和实验表明，基于该模型的并行遗传算法在降低通信代价、提高收敛速度、优化最终解方面收效明显。     

基于多种群并行遗传算法的原料库存的优化

库存控制是现代企业，特别是连续生产企业物流管理的一项重要内容，针对有色冶金企业原料库存的实际情况，建立了一个以资金损耗最小为直接性能指标的原料库存优化模型，并提出了一种多种群并行遗传算法对该模型进行优化，仿真及实际运行结果表明：多种群并行遗传算法不仅能有效地克服传统遗传算法容易早熟收敛的缺点，而且改进了进化效率和加快了进化速度，从而得到令人满意的全局最优解。