旅行商问题的改进差分进化方法

TSP(Traveling Salesman Problem)旅行商问题是一类典型的NP完全问题,目前大多采用遗传算法求解.差分进化算法(Differential Evolution Algorithm, DE)作为一种新型的进化算法,与遗传算法有很多相似之处.提出用改进的差分进化算法解决TSP问题.采用基于整数序规范的辅助算子解决变异问题,并引入刘海交叉算子.实验结果表明该方法有效地提高了算法的收敛速度与寻优质量,表现出了良好的特性.     

基于信息熵的改进PESA算法

针对PESA算法所需的计算运算量、计算难度及运算时间都随着解集数量的增加而急剧增加的问题,将熵值度量指标引入到PESA算法中,提出了基于信息熵的PESA算法(C-PESA, comentropy-based PESA)。该算法根据信息熵指标在量化度量Pareto解集的分布特性,判断种群进化是否到达成熟阶段,本算法迭代1 300次时即到达成熟阶段,从而尽早结束了算法复杂的优化过程,在一定程度上简化了PESA算法的时间复杂度。仿真结果表明,随着进化种群数量的增长,C-PESA算法的计算量只是呈现线性增加,算法的计算时间缩短接近4倍,进化计算效率得到提高。     

采用进化规划和最大熵的目标图像分割算法

图像分割是图像处理和计算机视觉中关键技术之一。在分析最大熵法和进化规划算法(EP)基础上,提出一种自动阈值选取的图像分割算法。该算法以图像的最大熵作为适应度值,将图像分割问题看作一个全局数值优化问题,利用进化规划全局寻优和快速计算的特点,搜索一个最佳阈值用于图像分割。仿真结果表明,本方法很好地解决了最大熵法计算量大的缺点,速度快且分割效果好。     

高阶高斯分布迭代的云模型及其数学性质研究

云模型通过二阶高斯分布研究不确定性,它产生的云滴分布具有尖峰肥尾特性,呈现出幂率衰减.社会学和经济学的研究发现,由于在演化过程中具有偏好依附的特点,许多实际数据呈现出尖峰肥尾的特性,本文试图通过高阶高斯分布迭代产生的高阶云模型的数学性质研究,探寻高斯分布与尖峰肥尾分布之间的联系.基于高斯分布迭代构造具有尖峰肥尾特性的概率分布,通过基于高阶高斯分布迭代的云模型刻画更多的不确定性现象,分析高阶高斯分布迭代的典型参数,与云模型参数进行对比分析,为雾化后的逆向云发生器求解提供了新的手段,同时也为高阶云模型的逆向求解过程提供了方法.     

多种群协同进化算法优化的云存储仿真分析

云平台下大数据的极速增长,使得传统的数据存储由于时间响应慢、负载不均衡等因素,成为阻碍大数据云存储的关键技术,为了解决云平台下大数据的存储问题,提出了多种群协同进化优化算法的存储方法.该方法首先将存储分布区分割成若干个环区域,同时标记每个存储区的存储访问时间,然后将大数据的存储访问抽象为最优解问题.通过改进协同进化算法,防止粒子群早熟,采用该优化算法对大数据存储过程中的任务调度粒子群分别编码,根据微粒群不断进化和变异,迭代得到最优解,从而满足云平台下大数据存储的实际需求.利用Cloudsim搭建仿真平台,对提出的新型大数据存储方法加以评估验证,结果表明该方法不仅具有更快的响应速度,而且降低了系统能耗,提高了负载均衡度.     

基于差分进化的非规则LDPC码分布对优化

讨论了基于差分进化的非规则LDPC码分布对优化方法。在分布对的优化搜索过程当中,联合使用了差分进化算法(EA)与密度进化算法,并对这种联合技术的实现方法和约束条件处理做了研究。用密度进化算法作为差分进化算法的目标函数,优化搜索出了一组AWGN信道下好的非规则LDPC码分布对,且计算出了各分布对的近似门限值。该方法充分利用差分进化算法的健壮性、有效性以及搜索结果全局最优的特点,是一种有效的好LDPC码搜索技术。     

基于多源交配选择策略的重组算子与多目标优化研究

本文提出了一种基于多源交配选择的多目标进化算法(Multi-source Mating Selection based Multi-objec-tive Evolutionary Algorithms,MMSEA).在MMSEA算法中,谱聚类被用来挖掘种群规则特性,基于所获得的种群结构化信息设计了一种多源交配选择重组算子来引导算法搜索,通过为每个个体设置多个交配选择源,在利用相似个体重组加速算法收敛的同时较好地保持了种群的多样性.实验结果表明,所提重组算子可以有效提升算法性能,将MMSEA与多种主流的多目标进化算法进行实验对比研究与参数灵敏度分析的结果表明,MMSEA在求解具有复杂特性的典型多目标优化问题测试集时表现出较强的竞争力.     

基于直觉模糊熵的混合粒子群优化算法

为了提升粒子群算法的全局寻优与局部精细搜索能力并加快收敛速度,提出了基于直觉模糊熵的混合粒子群优化算法.该算法采用粒子的历史最优解信息构造直觉模糊熵的自适应函数,并将熵值作为扰动因子动态调节惯性权重,同时建立自适应全局最优粒子学习策略对扰动后的粒子进行训练,在保持多样性传播的基础上选择学习对象,使粒子探索更多新区域,实现种群间的协作与并行进化.通过仿真实验,将本文算法与两种衍生算法以及其他改进粒子群算法在11个测试函数上进行比较,结果表明,本算法在求解精度、收敛速度和寻优效率上均有更好表现.     

量子克隆进化算法

本文在量子进化算法的基础上结合基于克隆选择学说的克隆算子,提出了改进的进化算法--量子克隆进化策略算法(QCES).它既借鉴了量子进化算法的高效并行性又利用克隆算子来代替其中的变异和选择操作,以增加种群的多样性,避免了早熟,且收敛速度快.本文不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了此算法的优越性.     

逆云模型在语音音质评估中的应用

介绍了云理论和一种逆向云简约算法;分析了语音信号在相空间分布上的云特点,并根据工程中实际计算情况引入了类超熵概念,有效解决了超熵计算中出现复数的问题;提出了利用逆向云参数进行语音音质评估的方法,经过对大量受扰语音不同文件的统计分析,认为此方法在进行语音音质评价中是切实可行的。     

大数据典型相关分析的云模型方法

针对传统大数据典型相关分析（CCA, canonical correlation analysis）方法的高复杂度在面临大数据PB级数据规模时不再适应的现状,提出了一种基于云模型的大数据CCA方法。该方法在云计算架构的基础上,通过云运算将各端点云合并为中心云,并据此产生中心云滴,以中心云滴作为大数据的不确定性复原小样本,在其上施以CCA运算,中心云滴的较小数据量提高了运算效率。在真实数据集上的实验结果验证了该方法的有效性。     

基于云进化算法的NoC测试端口优化选择方法

针对片上网络(NoC)中大量节点的测试难题,提出了一种结合二维云进化算法优化选取NoC中测试端口位置,提高测试效率的方法。该方法结合NoC网格结构特点,采用重用测试访问机制和XY路由方式,由测试功耗限制确定端口对数,通过二维云模型对端口坐标进行统一建模,云进化算法自适应控制遗传变异的程度和搜索空间的范围,在测试功耗约束条件下,优化选取最佳测试端口的位置,达到总测试时间最少的目的。以SoCIN结构电路为仿真平台,分别对4×4网格和8×8网格结构NoC进行了实验仿真,结果表明,在NoC节点测试问题上,云进化算法能快速收敛到最优解,有效提高整体测试效率。     

基于云进化算法的NoC测试规划

针对NoC测试时,如何在功耗限制下利用有限的片上资源最大化并行测试,以优化NoC测试时间的问题,文中提出一种利用云进化算法进行测试规划的方法,可以有效提高测试效率。该方法复用NoC的片上资源作为TAM,采用非抢占式测试和XY路由方式,通过云进化算法优化待测IP核在各条TAM上的分配方式寻找最佳方案。在ITC'02标准电路上的实验结果表明,该方法有效降低了测试时间,提高了测试效率。     

基于云模型移动对象行为识别算法评价

为了研究视频监控中异常行为识别算法鲁棒性、准确度和速度的评价方法,将采集图像序列移动对象运动类型等参数作为样本输入逆向云发生器,得到移动对象定性概念的定量表示:期望值Ex、熵En和超熵He。以这些参数作为基础模拟出移动对象行为参数表征。Ex,En和He输入正向云发生器,将每个移动对象设计成一个智能体,个体通过感知环境和自激励调整行为参数,产生多种行为表征参数,并用这些参数来评价行为识别算法。通过实验实现了多种行为表征参数的模拟,用这些参数评价了几种典型算法,实验结果表明评价方法切实可行。     

Hail embryons detection in clouds using passive and active radars in millimeter and submillimeter wave bands

Two detection methods of hail embryons in a cloud are discussed in the paper: combined passive/active and purely active sensing of a convective cloud from board of air or space carrier. The first method makes it possible to determine the spectral dependence of absorption coefficient by oversized drops in convective cloud in the millimeter (MM) and submillimeter (SbMM) wavebands. With this purpose a highly sensitive 16-channel Dicke radiometer is used. In the second method a multiwave (12 wavelength) active radar is used to determine the spectral dependence of backscatter coefficient in the same wavebands. Variation of these spectral characteristics in time makes possible the detection of physical processes taking place in a cloud, such as drops drowth and evaporation, as well as transition of oversized drops into the overcooled state. The instant of water/ice phase transition in oversized drops is determined in both methods by means of active radar in SbMM waveband (in the transparency “window” of ice and atmosphere, 0.64 mm). Corresponding hardware, antennas, and wavelengths are considered for active/passive and purely active sensind of clouds. The effect of antenna beamwidth in SbMM on anomalous backscatter is discussed.     

基于云模型进化算法的硅通孔数量受约束的3D NoC测试规划研究

针对硅通孔(TSV)价格昂贵、占用芯片面积大等问题,该文采用基于云模型的进化算法对TSV数量受约束的3维片上网络(3D NoC)进行测试规划研究,以优化测试时间,并探讨TSV的分配对3D NoC测试的影响,进一步优化3D NoC在测试模式下的TSV数量。该方法将基于云模型的进化算法、小生境技术以及遗传算法的杂交技术结合起来,有效运用遗传、优胜劣汰以及保持群落的多样性等理念,以提高算法的寻优速度和寻优精度。研究结果表明,该算法既能有效避免陷入局部最优解,又能提高全局寻优能力和收敛速度,缩短了测试时间,并且优化了3D NoC的测试TSV数量,提高了TSV的利用率。     

A genetic algorithm‐based task scheduling for cloud resource crowd‐funding model

With the rapid development of cloud computing, the number of cloud users is growing exponentially. Data centers have come under great pressure, and the problem of power consumption has become increasingly prominent. However, many idle resources that are geographically distributed in the network can be used as resource providers for cloud tasks. These distributed resources may not be able to support the resource‐intensive applications alone because of their limited capacity; however, the capacity will be considerably increased if they can cooperate with each other and share resources. Therefore, in this paper, a new resource‐providing model called “crowd‐funding” is proposed. In the crowd‐funding model, idle resources can be collected to form a virtual resource pool for providing cloud services. Based on this model, a new task scheduling algorithm is proposed, RC‐GA (genetic algorithm for task scheduling based on a resource crowd‐funding model). For crowd‐funding, the resources come from different heterogeneous devices, so the resource stability should be considered different. The scheduling targets of the RC‐GA are designed to increase the stability of task execution and reduce power consumption at the same time. In addition, to reduce random errors in the evolution process, the roulette wheel selection operator of the genetic algorithm is improved. The experiment shows that the RC‐GA can achieve good results.     

Cloud Based Software Computing as a Service in Hybrid Evolution Algorithm with Feedback Assistance

This paper develops cloud based software computing as a service (SCaaS) in the hybrid evolution algorithm with feedback assistance to solve the data optimal NP-complete problems such as travel salesman problems and job shop scheduling problems. Suitable steps, methods, or procedures of the genetic algorithm can be adopted from various evolution procedures or methods of the genetic algorithms based on the fitness evaluation results and survival ratio of different crossover methods in the current generation. The proposed system can dynamically emphasize the corresponding methods or procedures for the better performance in optimal solution searching. In addition, according to the proposed XML format, system users can upload only the coding of chromosomes without implementing the genetic algorithm program. Furthermore, by using the feedback assistance, the convergence time of the optimal solution can be enhanced.