基于改进遗传算法的多目标JSP调度研究

针对多目标车间作业调度问题(JSP),提出了一种混合遗传算法,将多目标遗传算法得出的初步优化结果作为粒子群算法的初始粒子,利用粒子群算法强化局部搜索,加快收敛速度,改善了简单遗传算法局部搜索能力差、迭代效率低的问题.仿真结果表明了该算法对JSP调度的良好效果.     

基于遗传和粒子群算法的天基资源调度策略

以提高天基资源调度效率为目标,提出一种基于遗传和粒子群算法的天基资源调度策略。将资源调度问题抽象为任务排序模型,设计适用于任务排序的十进制编码规则;通过重新定义遗传算法中选择、交叉和变异算子的进化行为以及粒子群算法的速度方向,结合遗传算法全局最优搜索、粒子群算法局部快速收敛等优点设计适用于天基资源调度的遗传-粒子群算法。通过实验验证遗传-粒子群算法能够在较短的时间内计算出全局最优解,是一种高效的天基资源调度解决方法。     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

考虑运输代价的制造工作流调度算法

在云制造环境下,因制造服务资源所在地域的差异性,多目标制造工作流调度不仅考虑制造服务所需时间、费用,还需考虑产品运输所需时间、费用,原有工作流调度算法无法有效优化运输代价.针对此问题,结合遗传算法全局搜索能力强与粒子群算法收敛速度快的特点,提出多目标混合遗传粒子群(MOGA - PSO)算法.仿真结果表明混合算法能够有效降低运输代价,使得工作流调度得到进一步优化,可适用于云制造环境.     

基于云模型的含分布式光伏配电网双层优化调度方法

为提升含分布式光伏配电网双层优化调度效果和该配电网的供电质量、降低运行成本与供电损耗、保障其运行的经济性与平稳性,提出一种基于云模型的含分布式光伏配电网双层优化调度方法。以低节点电压偏移量、低线路损耗及低运行成本为目标函数,为含分布式光伏配电网构建包含上层主动配电网与下层微电网优化调度模型的双层优化调度模型,结合云模型改进的粒子群(Cloud Model Improved Particle Swarm Optimization, CMOPSO)算法求解所构建的调度模型,完成基于云模型的含分布式光伏配电网双层优化调度方法的设计。实验结果表明,采用该方法进行优化调度后,可显著降低含分布式光伏配电网的线路损耗、电压偏移量及运行总成本,提高其各节点电压,使各节点电压更接近于安全电压基准值,减少配电网的供电损耗,提高其供电电能质量,保障其整体运行的平稳性与经济性;CMOPSO算法在求解模型时收敛到全局最优解的速度较高,收敛性能优越。所设计方法的总体效果较好,具有一定应用价值。     

基于粒子群算法的资源受限项目扩展调度方法

针对资源受限的项目调度问题,提出了一种离散粒子群算法与扩展调度机制相结合的优化方法.离散粒子群算法中每个粒子的位置代表一组项目任务的优先权,迭代中通过交叉策略和局部搜索策略来更新粒子的位置,这既保持了粒子位置的离散性,又增加了粒子的多样性,避免早熟收敛.每个粒子的位置通过扩展串行调度机制转换成可行的调度方案.实算表明,扩展调度机制的引入显著地加速了收敛的进程,提高了解的精度.这种基于粒子群算法的扩展调度优化方法是求解资源受限项目调度问题的有效方法.     

基于蚁群算法的云计算资源调度分析

当前,云计算资源调度中常用的算法包括遗传算法、蚁群算法、粒子群算法以及综合优化算法等。不同算法所关注的角度存在一定的差异,遗传算法和粒子群算法主要从资源调度的效率方面进行优化,而蚁群算法则是从云计算资源调度的计算成本方面进行考虑。论文讨论了基于优化蚁群算法的云计算资源调度,在兼顾任务效率的基础上,能够进一步降低计算成本。     

基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。     

基于竞争粒子群算法的大气激光通信数据跨层调度研究

不同层之间的大气激光通信数据资源分配不均衡，影响到数据跨层调度效率，提出基于竞争粒子群算法的大气激光通信数据跨层调度方法。采用自适应调制编码技术分析大气激光通信信道状态，对通信数据包实施纠错以及调制编码组合，以此搭建大气激光通信系统模型。以通信系统模型为基础建立跨层资源分配目标函数，将混沌初始化策略和自适应高斯变异算法加入到竞争粒子群算法中，利用竞争粒子群算法获取目标最优解，实现数据跨层调度。实验结果表明，所提方法的误报率最大值仅为2.5%,调度准确度始终在92%以上，调度时间最大值是11.35 ms。     

考虑可平移负荷的综合能源系统动态优化调度策略

综合能源系统因多能互补、协调优化等特性受到了广泛关注,但该系统的热电机组在运行时的调峰能力具有一定局限性。为降低综合能源系统的用能成本,提升系统的用能效率,改善其调峰能力,文中提出了一种考虑可平移负荷的综合能源系统动态优化调度策略。该策略以系统的整体运维成本最小化为目标,结合可平移负荷和相关算例构建仿真模型,并采用自适应混沌粒子群算法进行求解。结果表明在引入可平移负荷时,多能源微网能够较好地达到削峰填谷目的,并降低系统综合运行成本,实现节能减排效果。同时,文中将传统粒子群算法与自适应混沌粒子群算法作比较,证明了自适应混沌粒子群算法在精度与效率上都优于传统的粒子群算法。     

基于改进人工免疫算法的云计算任务调度

为了提高云计算任务调度效率,提出一种改进人工免疫算法的云计算任务调度方法。首先建立云计算任务调度的数学模型,并以任务总时间最短作为目标函数,然后采用人工免疫算法进行求解,并将粒子群优化算法作为算子嵌入人工免疫算法中,保持种群的多样性,防止局部最优解的出现,最后采用仿真实验对算法的性能进行测试。结果表明,相对于其它算法,改进人工免疫算法减少了任务的完成时间,提高了用户满意度。     

基于改进粒子群算法的无线传感器网络覆盖优化

为了解决粒子群算法的无线传感器网络覆盖方法存在的容易出现局部收敛的问题,提出基于改进粒子群的无线传感器网络覆盖优化方法。分析基本粒子群算法进行无线传感器网络覆盖优化的过程,找出其存在的局部收敛问题,通过采用拟万有引力和库仑力两种拟物方案,在粒子速度进化过程中融入拟物力,对基本粒子群算法的速度修正过程实施优化,避免粒子群算法出现局部收敛问题,降低重复覆盖率,完成无线传感器网络覆盖优化。实验结果表明,改进粒子群算法具有更快的收敛效率,对无线传感网络的覆盖优化效果更好。     

多目标猫群优化算法支持下的云计算任务调度

针对云环境下任务调度易出现多目标冲突的问题,提出一种改进的基于猫群的多目标优化算法。该算法模拟猫的行为模式,采用基于线性混合比率的猫行为选择方式来提高全局搜索和局部寻优能力;并在迭代过程中结合任务完成时间和任务费用支出,引入一个可调节的多目标集成效用函数,实现了资源与任务的智能调度。实验结果表明,所提算法不仅求解质量高,且在求解速度和调度消耗方面均优于多目标遗传算法和多目标粒子群算法。     

基于粒子群优化的直觉模糊核匹配追踪算法

针对现有直觉模糊核匹配追踪算法采用贪婪算法搜索最优基函数而导致学习时间过长的问题,汲取了粒子群优化算法全局搜索能力强、收敛速度快的优势对最优基函数的搜索过程进行优化,提出了一种基于粒子群优化的直觉模糊核匹配追踪算法,并将该算法应用于时效性要求更高的空天目标识别领域.实验结果表明,与传统方法相比,本文方法在识别率相当的情况下有效缩短一次匹配追踪时间,计算效率明显提高,且所得模型具有稀疏性好,泛化能力高等优点,特别适用于兼顾识别率和实时性的应用领域.     

基于粒子群算法的车间作业调度问题

通过对车间调度问题的描述,针对传统算法寻优效率低的弱点,提出了一种基于粒子群算法的车间作业调度问题的解决方案.对粒子群算法的基本原理进行了阐述,并对粒子群算法的编码、参数的选择以及解码进行了研究,以最小化最大流程时间作为评价算法的性能指标,将其用于编程求解典型调度问题.仿真结果表明,粒子群算法在求解车间作业调度的应用上是十分有效的.     

基于粒子群优化算法的配电网优化调度模型

配电网优化调度可以为决策者提供有价值的信息,为了获得理想的配电网优化调度方案,提出基于粒子群算法的配电网优化调度模型。首先对配电网优化调度研究现状进行分析,指出当前模型的不足,并设计了配电网优化调度问题的目标函数和约束条件,然后采用粒子群优化算法模拟粒子群搜索过程找到最优方案,并对标准粒子群算法的不足进行了改进,最后采用配电网优化调度实验测试其有效性。结果表明,该模型可以快速、准确地找到配电网优化调度的最优方案,具有一定的实际应用价值。     

基于GIS和差分进化粒子群的变电站选址方法

文中提出了一种基于地理信息系统(GIS)和差分进化改进粒子群的配电网变电站优化选址方法。该方法利用GIS确定变电站数量,基于变电站投资运行费用建立有约束条件的目标函数,采用粒子群算法进行变电站选址优化。针对粒子群算法易陷入局部最优且收敛速度慢的问题,借助差分进化引入两个变异因子,在提升粒子群算法收敛速度的同时,避免其陷入局部最优。算例分析结果表明,该方法具有较好的寻优能力和收敛特性,能够有效实现变电站选址优化。     

一种Hadoop Yarn的资源调度方法研究

针对Hadoop Yarn资源调度问题,为提高集群作业执行效率,提出一种基于蚁群算法与粒子群算法的自适应Hadoop资源调度算法SRSAPH.SRSAPH中,通过Hadoop Yarn跳通信机制获取负载、内存、CPU速度等属性信息初始化信息素矩阵;同时,将粒子群算法的自我认知能力与社会认知能力引入到蚁群算法,提高算法的收敛速度;此外,根据蚁群算法全局最优解的波动趋势动态调整信息素挥发系数,提高解的精度.实验表明,采用SRSAPH进行资源调度,集群的作业执行时间缩短至少10%.     

多任务并发边缘计算环境中最优联盟结构生成策略

针对求解最优联盟结构时搜索空间大、效用低等问题，提出了一种基于离散最近过去位置更新策略的多进制离散粒子群优化（MDPSO-DRPPUS）算法。首先，使用基于索引的编码方式编码联盟结构。其次，将多目标优化问题转化为联盟结构的特征值函数。最后，使用MDPSO-DRPPUS算法进行最优联盟结构的搜索。实验表明，与多进制离散粒子群优化（MDPSO）算法和遗传算法（GA）相比，所提算法运行时间大幅度降低，联盟结构的效益、均衡性和边缘节点的完成任务效率都有所提高。     

粒子群算法在求解侵彻子母弹最佳抛撤高度中的应用

侵彻子母弹对目标的侵彻毁伤效果与其抛撒高度直接相关。建立子弹弹道仿真模型,求解子弹着地参数。在分析母弹抛撒高度与子弹着地参数定量关系的基础上,推导出使各子弹整体侵彻效果达到最佳的目标函数。利用粒子群的优化算法,建立侵彻子母弹最佳抛撒高度的求解模型,并进行了仿真计算。仿真结果表明,粒子群算法能够有效地达到或接近全局最优。同时,相比遗传算法,粒子群算法收敛速度更快,计算效率更高,从而为侵彻子母弹最佳抛撒高度的求解问题提供了新的有效算法。