基于K-Means变异算子的混合遗传算法聚类研究

遗传算法具有良好的全局搜索能力,但有过早收敛和过慢结束的缺点。K-Means算法具有很强的局部搜索能力,但算法有对初始聚类中心敏感而易陷入局部最优解。针对上述问题,提出了基于K-Means变异算子的混合遗传算法聚类,将K-Means算法的局部搜索能力与遗传算法的全局寻优搜索能力相结合,在遗传算法中引入K-Means变异算子,采用符号编码、自适应变异、最优个体保留策略的混合遗传算法。仿真实验表明,该算法有效克服了遗传算法过慢收敛和K-Means算法陷入局部收敛的问题,从而得到更好的聚类效果。     

求解带容量约束车辆路径问题的改进遗传算法

为解决传统遗传算法求解带容量约束的车辆路径问题时收敛速度慢和局部搜索能力差的问题,对传统遗传算法提出一种改进策略。使用基于贪婪策略的启发式交叉算子加强算法接近最优解的能力,加快算法收敛速度,在变异操作中,引入最近邻搜索算子,缩小基因变异范围,使用单点局部插入算子提高算法的局部优化能力。采用精英选择和轮盘赌法结合的选择策略,保持种群多样性以加强算法的全局搜索能力。实例计算测试表明,与传统遗传算法相比,所提算法求解平均偏差降低了70.25%,求解时间减少了87.41%;与ALNS和AGGWOA算法相比,有更高的求解质量和更好的稳定性。     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

基于混合遗传算法的热轧生产调度优化方法

热轧生产调度是一个复杂的约束组合优化问题,其生产约束包括连续轧制板坯的宽度、厚度和硬度跳变要求,轧制单元的最大长度,产品库存及交货期等.基于多旅行商模型,建立了热轧生产批量调度问题的优化模型,并提出一种混合遗传算法(遗传算法、局部搜索)求解该问题.通过应用串行边重组和并行边重组的遗传交叉算子,算法在优化过程中可以很好地处理调度约束.针对工业数据的仿真结果证明该调度模型和混合遗传算法的并行求解策略可以有效地解决热轧生产批量调度问题.     

混合遗传算法在铁路网车流分配中的应用

为减少铁车流在铁路网上的输送消耗以及均衡铁路线路的利用率,构建铁路网车流分配的多目标规划模型,针对传统智能算法在求解该问题时收敛性弱、易陷入局部最优的缺陷,提出设计自适应规则及退火策略的混合遗传算法进行求解仿真.采用特殊的染色体编码方式满足约束条件,对基本遗传算法的交叉、变异算子进行自适应改进,加强了算法的收敛性,引入模拟退火策略,提高了算法的邻域搜索能力.仿真结果表明,混合遗传算法在收敛代数以及求解性能上均有较大改进,可为车流分配问题提供有效解决方案.     

混合正交遗传算法及其在函数优化上的应用

在分析和研究正交遗传算法的基础之上,依据混合优化策略及混合遗传算法的构造原则,通过对自适应正交局部搜索算子的改进提出了一种新的变异算子。该算子具备自适应全局搜索和局部搜索的能力,能够保证算法的变异概率取值为1.0时,算法的搜索效率最高;结合正交交叉算子之后,又能保证算法的交叉概率也取值为1.0时,算法的搜索效率最高;由此解决了交叉概率和变异概率参数的匹配问题。而使用的截断选择和负相关配对、最优交叉策略、精英选择和重复个体剔除策略等组合算子,一方面能够保证算法的收敛速度;另一方面也能有效地保持种群的多样性,这样在保证算法快速收敛的同时避免出现早熟现象;由此解决了＂全局最优＂和＂快速收敛＂的矛盾。因此,提出的改进型新算法在处理一些常用的测试函数上具有较高的效率。     

开放式车辆路线问题的改进混合遗传算法

针对传统的遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合遗传算法进行优化求解开放式车辆路线问题.即采用二重结构编码,可以使问题变得更简洁,提高遗传法的搜索效率.用个体数量控制选择策略,以保证群体的多样性,用改进的顺序交叉算子避免优良基因片断在顺序交叉时被破坏,保证算法能够收敛到全局最优.最后,结合具体实例,通过实验计算证明了该改进算法的良好性能.     

约束优化问题的混合遗传算法研究

如何处理约束条件与增强局部搜索能力是遗传算法用于非线性约束优化问题的线性约束优化问题的不足,提出了一种基于模拟退火算法与外点法的混合遗传算法,对于不满足约束条件的解用外点罚函数法来修正,同时把退火选择算子作为一个与选择、交叉和变异平行的算子,嵌入到实数编码的遗传算法中,来增强其的局部搜索能力.算法兼顾了遗传算法、模拟退火算法和外点法三者的长处,既有较快的收敛速度,又能以较大的概率求得非线性约束优化问题的全局最优解.最后以两个测试函数为算例对算法进行测试,验证了该算法搜索能力强、稳健性好,能获得更好的优化结果.实验结果表明引入外点法处理约束条件是可行的.     

基于改进的花授粉算法的虚拟机分配策略

构造绿色云数据中心的两个主要目标是低能量消耗与物理资源利用效率的充分利用,为此需要采用虚拟机分配策略来完成优化。本文提出了基于改进花授粉算法的虚拟机分配策略（Flower pollination algorithm based virtual machine allocation, FPA-VMA）。FPA-VMA中一朵花或一个配子就对应于虚拟机映射到物理主机分配优化问题中的一个解;并且描述了云数据中心云客户端的资源请求模型和多维物理资源的能量消耗模型。FPA-VMA在花授粉的动态切换概率阶段的策略可以平衡全局最优解搜索和局部最优解搜索之间的切换,同时改善资源分配的全局收敛能力。真实的虚拟机数据的访问测试结果标明：FPA-VMA比常见的虚拟机分配优化策略有更低的能量消耗和更高的物理资源利用效率。     

云制造环境下面向多目标优化的虚拟资源调度研究

为解决云制造环境下虚拟资源调度存在的算法求解效率不高、模型建立缺乏考虑任务间关系约束和任务间及子任务间的物流时间及成本因素等不足,构建了兼顾交货期时间最小化、服务成本最低化、服务质量最优化为目标的多目标虚拟资源调度模型;采用一种基于项目阶段的双链编码方式进行编码,并提出自适应交叉与变异概率公式,以避免交叉、变异概率始终不变导致算法效率下降与过早收敛的问题;在此基础上利用基于项目阶段的多种交叉变异策略相结合的改进遗传算法进行求解,保证了算法的全局与局部搜索性能。实例结果表明,相比于传统的模型与算法,该模型适用性更强,改进的遗传算法在求解效率、准确度与稳定性方面均有较大提高。     

A hybrid approach using genetic and fruit fly optimization algorithms for QoS-aware cloud service composition

This paper addresses the QoS-aware cloud service composition problem, which is known as a NP-hard problem, and proposes a hybrid genetic algorithm (HGA) to solve it. The proposed algorithm combines two phases to perform the evolutionary process search, including genetic algorithm phase and fruit fly optimization phase. In genetic algorithm phase, a novel roulette wheel selection operator is proposed to enhance the efficiency and the exploration search. To reduce the computation time and to maintain a balance between the exploration and exploitation abilities of the proposed HGA, the fruit fly optimization phase is incorporated as a local search strategy. In order to speed-up the convergence of the proposed algorithm, the initial population of HGA is created on the basis of a heuristic local selection method, and the elitism strategy is applied in each generation to prevent the loss of the best solutions during the evolutionary process. The parameter settings of our HGA were tuned and calibrated using the taguchi method of design of experiment, and we suggested the optimal values of these parameters. The experimental results show that the proposed algorithm outperforms the simple genetic algorithm, simple fruit fly optimization algorithm, and another recently proposed algorithm (DGABC) in terms of optimality, computation time, convergence speed and feasibility rate.     

舰船补给物料搬运顺序优化问题的改进遗传算法

现有的多搬运工具可并行条件下的物料搬运顺序优化模型, 其采用的标准遗传算法收敛速度慢且易陷入局部最优. 提出了该模型的改进遗传算法, 采用精英保留策略代替传统的轮盘选择方法, 使用自适应策略设计交叉算子和变异算子. 以某一具体的舰船补给物料搬运顺序优化问题为背景, 通过实例进行了计算. 结果表明, 改进遗传算法收敛速度大大提高, 具有较高的求解质量和效率.     

云计算中基于改进的布谷鸟算法的资源调度

云计算的资源调度一直以来都是研究的重点,引入布谷鸟算法来解决资源分配问题,首先描述云计算资源模型,其次针对该算法存在局部收敛速度快,容易造成局部最优值的问题,采用三个方面来改进,其一采用变长因子进行调整,减小探索求解质量之间的差别;其二使用差分变异策略更新鸟窝位置;其三使用基于Coelho的混沌全局搜素和局部搜索避免了Levy的随意扰动.通过测试函数说明表明本文算法的性能优于基本布谷鸟算法, Cloudsim仿真平台说明本文的算法在消耗时间,成本和用户满意度方面具有明显的优势.     

虚拟组织服务资源的优化配置模型

为了提高虚拟组织服务资源配置的效率,提出了以服务成本、服务时间、服务满意度为目标的资源优化配置模型,采用遗传算法进行求解。在求解中为提高遗传算法的搜索性能,对不可行染色体进行筛选,同时在交叉变异过程中利用邻域搜索提高算法的收敛速度。通过一个具体的实例验证了遗传算法在资源优化配置模型中的有效性。     

基于改进的蝙蝠算法在云计算中的资源分配

云计算中的资源分配一直都是研究的重点, 提出了一种基于改进的蝙蝠算法的云计算资源分配方法. 在蝙蝠算法中引入差分遗传算法, 通过变异, 交叉和选择等操作避免个体陷入局部最优, 以及过早产生最优解的可能,改进后的蝙蝠算法能够有效的提高收敛速度和精度. 仿真实验表明, 本文算法不但有效提高了算法性能, 还优化了云计算系统中的资源调度能力, 提高了云计算资源的利用率.     

基于改进GA的救援物资中转网点定位

针对大规模救援物资调运的多目标中转运输网点定位问题,考虑运输费用、中转网点的作业变动费用和运输时间,建立一个救援物资中转运输网点的非线性多目标混合整数规划模型。为有效求解该模型,提出一种基于矩阵编码的遗传算法,利用费用矩阵标杆的寻优导向信息提高遗传变异算子的局部搜索能力,提高全局收敛速度。通过算例分析验证该模型和算法的有效性。     

基于遗传算法的多模式军事任务计划求解方法

针对军事任务计划中任务执行时间与资源的相关性, 引入多模式概念, 定义了多模式军事任务计划模型。模型假设每个任务有多种不同的执行模式, 每种模式对应不同的资源组合和执行时间。引入多模式必然增加了模型求解的复杂性, 因此, 设计了一种基于遗传算法的多模式军事任务计划求解算法。算法引入优先基因交叉算子和基于局部搜索的变异算子, 同时引入了基于精英保留策略的精英辅助群体机制, 保证了算法的求解效率。最后, 通过仿真算例对该算法进行验证, 实验结果证明了其可行性和有效性。     

NSGA-Ⅱ算法的改进策略研究

带精英策略的非支配排序遗传算法(NSGA-Ⅱ)在多目标优化领域具有广泛的应用,但该算法种群收敛分布不均匀,全局搜索能力较弱,算法运行速度较慢。针对这些局限性提出了改进的排序适应度策略、算术交叉算子策略、按需分层策略和设定阈值选择策略。在典型的测试函数集上的数值实验结果表明,根据这些策略改进的算法得到的非劣解集具有较好的分布性,同时收敛速度更快。     

基于改进多目标布谷鸟搜索的资源调度算法

针对IaaS(Infrastructure as a Service)云计算中资源调度的多目标优化问题,提出一种基于改进多目标布谷鸟搜索的资源调度算法。在多目标布谷鸟搜索算法的基础上,通过改进随机游走策略和丢弃概率策略提高了算法的局部搜索能力和收敛速度。以最大限度地减少完成时间和成本为主要目标,将任务分配特定的VM(Virtual Manufacturing)满足云用户对云提供商的资源利用的需求,从而减少延迟,提高资源利用率和服务质量。实验结果表明,该算法可以有效地解决IaaS云计算环境中资源调度的多目标问题,与其他算法相比,具有一定的优势。     

云平台下动态任务调度人工免疫算法

针对云计算领域的任务调度问题,提出了一种基于人工免疫(AI)理论的云计算平台动态任务调度算法。该算法首先利用排队论迅速、粗略地确定云计算平台保持稳态的条件,并为后面的计算提供基础数据;然后利用人工免疫理论中的免疫克隆选择算法,搜索出为集群中各节点上的不同虚拟机分配计算资源的近似最优配置;算法中还加入了适当的负载平衡处理,它使抗体基因更加优良。模拟实验结果表明,该调度算法能有效提高收敛速度和精度,快速搜索到合理配置,提高了集群资源利用率。