基于动态种群多策略差分进化模型的多目标进化算法

针对复杂的多目标优化问题,根据不同差分进化策略的特点,提出一种基于动态种群多策略差分进化模型和分解机制的多目标进化算法（MOEA／D-DPMD）。该算法将种群划分为3个子种群,每个子种群分配一种差分进化策略。为了提高算法的性能,依据每种差分进化策略的贡献度,动态的调整子种群的规模,各差分进化策略之间相互配合协同进化。采用具有复杂的PS的LZ09系列基准函数,测试新算法的性能,仿真结果表明邻域规模为25时性能最好。通过不同差分进化策略之间的对比分析,新算法也具有较强的优势。将其与MOEAD／DE和NSGA-II算法对比分析,结果显示该算法的收敛性和多样性均优于另外两种算法,是求解复杂多目标问题的有效方法。     

基于SPEA2和NSGA-Ⅱ算法的并行多目标优化算法

文章结合SPEA2和NSGA-Ⅱ两个多目标进化算法,基于岛屿模型,提出了一种新的并行多目标进化算法。该算法采用多线程实现,适合在多核处理器或机群系统上执行。实验结果通过与串行算法SPEA2和NSGA-Ⅱ比较证明了该并行算法的有效性。     

基于合作模型的协同免疫多目标优化算法

本文针对多目标优化问题Pareto最优解集合(PS)的分布特点,构造了一种基于新的子任务划分方法的合作型协同进化模型,并将该模型引入人工免疫系统中,提出了一种基于合作模型的协同免疫多目标优化算法(A Cooperative Immune Coevolutionary Algorithm for Multiobjective Optimization,CICAMO).CICAMO算法运用Tchebycheff分解方法进行子种群划分,然后对各个子种群建立线性概率统计模型分段逼近整个PS,在抗体繁殖上结合了克隆选择和模型采样两种方式.实验结果表明,CICAMO算法在求解质量和收敛速度上均表现良好,尤其对于决策变量非线性相关的多目标优化问题,性能尤为突出.     

基于曲线进化的目标检测算法

提出了基于曲线进化的运动目标检测算法。对于运动目标检测问题定义了新颖的能量模型,并给出了相应的曲线进化方程。结合水平集算法,所提出的曲线进化模型能够自动的适应拓扑变化,检测出多个运动目标区域及轮廓。从计算物理学领域引入基于偏微分方程的水平集窄带算法,在构造窄带时无需显示的知道曲线的位置,并能够快速的实现。     

一种改进的基于密度的多目标进化算法

多目标密度驱动进化算法(MODdEA)利用非支配等级信息和分区密度信息求解多目标优化问题,该算法在与其他多目标进化算法的比较中有着出色的表现.在其基础上本文提出了一种改进的多目标进化算法MODdEA+,首先在该算法中基于搜索空间的分区机制提出了克隆操作,该操作不但能在进化前期增强算法的全局搜索能力,还能在进化后期提高算法的局部精化能力;其次引入一种基于Pareto信息表中个体支配及被支配信息的评价策略以使对信息表个体的排序结果更加精确;最后对变异操作进行了改进以降低出现不必要越界情况的概率.为验证改进算法的有效性,在对其进行分析的基础上针对多个测试问题将其与原算法进行了实验比较,结果表明改进算法的求解质量明显优于原算法.     

多目标混沌进化算法

设计了多目标混沌进化算法(MCEA),在每一代遗传操作和外部档案调整完成之后,该算法从外部档案中随机选择部分个体,对这些个体的拷贝进行混沌搜索,以产生更多非劣解.将强度Pareto进化算法(SPEA)和SPEA2分别与基于Logistic映射的混沌搜索结合而产生的MCEAs应用于一些复杂多目标优化问题,计算结果表明,混沌的加入,明显改善了多目标进化算法(MOEA)各方面的性能.     

基于集合的高维多目标优化问题的进化算法

由于高维多目标优化问题包含的目标很多,已有的方法往往难以解决该问题.本文提出一种有效解决该问题的基于集合的进化算法,该方法以超体积、分布度,以及延展度为新的目标,将原优化问题转化为3目标优化问题;定义基于集合的Pareto占优关系,设计体现用户偏好的适应度函数;此外,还提出集合进化策略.将所提方法应用于4个基准高维多目标优化问题,并与其他2种方法比较,实验结果表明了所提方法的优越性.     

基于生态种群捕获竞争模型的多目标Memetic优化算法

本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.     

求解多目标优化问题的若干算法概述

文章首先给出了多目标优化的数学模型,回顾了多目标优化的基本概念。其次,简要总结了多目标优化问题的传统方法和进化算法,其中对进化算法为遗传算法的求解方法进行了详细阐述,分析了传统方法和进化算法的优缺点。最后,对多目标优化领域的热点问题进行展望。     

高斯变邻域差分的灰度图像增强算法

灰度图像增强问题可以转化为一个目标优化问题,但是该目标函数实质是一个多峰值的优化问题,对此提出一种高斯变邻域差分进化算法用于灰度图像的增强。首先,利用高斯变异方式具有快速收敛特性以及变邻域方式在种群多样性保持方面的优势,对差分进化算法的变异进行改进,目的是平衡算法在快速收敛和保持种群多样性方面的能力,提高算法的整体效能。然后利用该算法对灰度图像增强问题进行研究,通过与基于标准DE,PSO及均衡直方图灰度图像增强效果进行对比,高斯变邻域差分灰度图像增强算法能够更有效的对灰度图像进行增强。     

基于种群混合协同联盟的属性量子博弈均衡约简

为进一步提高进化种群在粗糙集属性演化约简中寻求最优解的协同性能,提出了一种基于种群混合协同联盟的属性量子博弈均衡约简算法.该算法建立一种基于自适应多层进化树的种群协同演化联盟模型,以种群内个体竞争和种群间精英合作的混合协同机制实现各种群协同演化,较好地达到属性协同演化约简中广度寻优和深度探索的有效平衡;然后将信任裕度报酬机制引入到多种群精英量子协同博弈模型,种群精英在每个划分的属性子集中通过量子协同博弈策略均能求得各自最优约简子集,从而稳定取得Nash均衡下全局最优属性约简集.实验结果表明本文算法具有较高的属性演化约简效能和精度,对不完备电子病历系统中脑组织核磁共振成像MRI的高效约简与分割进一步展示其具有较强的实用性和鲁棒性.     

基于博弈策略的能效优化的子载波分配方法

本文引入显示当前子载波质量的信道状态矩阵,以系统总功耗、单个子载波上的功耗、总时延、干扰温度限和单个子载波上的次用户数等为约束条件,以能效为目标函数,建立多约束条件下的分式规划机制.设计演化博弈算子,为每个次用户建立效用函数,当每个次用户的效用函数达到最优时,演化博弈达到Nash均衡点,此时的策略组合认为是能效相对最优的资源分配状态.通过实验仿真对比,本文给出的EESA-EG（Energy Efficient Subcarrier Allocation withEvolutionary Game）算法的能效相对最优,且给出了相对最为合理的子载波分配方案,为信道状态更优的子载波分配了更多的子载波.     

Game Bot Detection Approach Based on Behavior Analysis and Consideration of Various Play Styles

An approach for game bot detection in massively multiplayer online role‐playing games (MMORPGs) based on the analysis of game playing behavior is proposed. Since MMORPGs are large‐scale games, users can play in various ways. This variety in playing behavior makes it hard to detect game bots based on play behaviors. To cope with this problem, the proposed approach observes game playing behaviors of users and groups them by their behavioral similarities. Then, it develops a local bot detection model for each player group. Since the locally optimized models can more accurately detect game bots within each player group, the combination of those models brings about overall improvement. Behavioral features are selected and developed to accurately detect game bots with the low resolution data, considering common aspects of MMORPG playing. Through the experiment with the real data from a game currently in service, it is shown that the proposed local model approach yields more accurate results.     

基于间隔时间学习和抽样法的协同进化算法

协同进化算法中,计算个体适应度时,代表个体的选择以及代表个体与个体的组合评估需要很大的计算量。协同进化遗传算法虽然计算量相对小一点,但是只能获得一个贪婪解。多模式共生进化算法虽能克服协同进化遗传算法的这个缺点,但是计算量太大。本文利用间隔时间学习方法提出间隔时间学习协同进化算法,该算法每隔N代交互一次信息。在此基础上,将抽样法应用到协同进化算法中。实验结果表明,这种方法能有效地减少计算量,且本文从数学方面进行了分析验证。     

一种增强型多目标烟花爆炸优化算法

现实中多目标优化问题的多样化和复杂化要求发展新的多目标优化算法.在混合多目标进化算法设计思想和新型进化模型的启发下,提出一种增强型多目标烟花爆炸算法eMOFEOA,该算法利用均匀化与随机化相结合的方法生成均匀分布的初始种群,为算法后续搜索提供较好的起始点;对烟花爆炸半径采用精细化控制策略,即不同世代的种群具有不同的爆炸半径,而且同一种群内部因个体支配强度的差异而具有不同的爆炸半径,以节省计算资源;利用简化的k-最近邻方法维持外部档案的多样性.本文算法与另5种对等比较算法一同在12个基准多目标测试函数上进行性能比较,实验结果表明eMOFEOA算法在收敛性、多样性和稳定性上具有总体上显著的性能优势.     

A game theoretical approach to clustering of ad-hoc and sensor networks

Game theory has been used for decades in fields of science such as economics and biology, but recently it was used to model routing and packet forwarding in wireless ad-hoc and sensor networks. However, the clustering problem, related to self-organization of nodes into large groups, has not been studied under this framework. In this work our objective is to provide a game theoretical modeling of clustering for ad-hoc and sensor networks. The analysis is based on a non-cooperative game approach where each sensor behaves selfishly in order to conserve its energy and thus maximize its lifespan. We prove the Nash Equilibria of the game for pure and mixed strategies, the expected payoffs and the price of anarchy corresponding to these equilibria. Then, we use this analysis to formulate a clustering mechanism (which we called Clustered Routing for Selfish Sensors??CROSS), that can be applied to sensor networks in practice. Comparing this mechanism to a popular clustering technique, we show via simulations that CROSS achieves a performance similar to that of a very popular clustering algorithm.     

A non‐cooperative game model for reliability‐based task scheduling in cloud computing

Cloud computing is a newly emerging distributed system. Task scheduling is the core research of cloud computing which studies how to allocate the tasks among the physical nodes, so that the tasks can get a balanced allocation or each task's execution cost decreases to the minimum, or the overall system performance is optimal. Unlike task scheduling based on time or cost before, aiming at the special reliability requirements in cloud computing, we propose a non‐cooperative game model for reliability‐based task scheduling approach. This model takes the steady‐state availability that computing nodes provide as the target, takes the task slicing strategy of the schedulers as the game strategy, then finds the Nash equilibrium solution. We also design a task scheduling algorithm based on this model. It can be seen from the experiments that our task scheduling algorithm is better than the so‐called balanced scheduling algorithm.     

Timed strategic machine type communications for dual-level future wireless networks

For the next generation wireless networks, machine type communication (MTC) is gaining an enormous interest as a new communication paradigm. MTC is expected to become a cost-effective solution for improving the wireless communication performance. In MTC, one of the most critical issues is to support data transfers among devices without human interaction. In this study, we introduce a new MTC control scheme for the future network infrastructure. To effectively support a large number of MTC devices, we investigate a dual-level interaction mechanism by employing the timed strategy game model. In dynamic wireless network environments, our timed strategic game approach can practically adapt current system conditions while maximizing system performance. Main contribution of this research is to show a way of MTC system modeling based on the competitive and cooperative manner. Finally, numerical simulations illustrate the validity of our game-based approach. Our solution enables a better network resource utilization for heterogeneous traffic services in contrast to existing schemes.

     

Game theory and the flat-fading gaussian interference channel

In this article, we described some basic concepts from noncooperative and cooperative game theory and illustrated them by three examples using the interference channel model, namely, the power allocation game for SISO IFC, the beamforming game for MISO IFC, and the transmit covariance game for MIMO IFC. In noncooperative game theory, we restricted ourselves to discuss the NE and PoA and their interpretations in the context of our application. Extensions to other noncooperative approaches include Stackelberg equilibria and the corresponding question "Who will go first?" We also correlated equilibria where a certain type of common randomness can be exploited to increase the utility region. We leave the large area of coalitional game theory open.     

基于拥塞博弈的微服务运行时资源管理方法

随着云计算技术的不断发展,微服务体系结构逐渐成为一种广泛应用的软件设计风格.在基于微服务的应用系统中,微服务数量众多、相互依赖关系复杂、持续在线演化等特征使得微服务运行时资源的有效管理面临新的挑战.本文充分考虑微服务之间的关系特征,提出了一种基于拥塞博弈理论的运行时资源管理方法.首先,对微服务之间的复杂依赖关系进行建模,给出了带权有向无环图描述的微服务调用关系模型;然后,基于微服务关系调用模型对各个微服务的请求到达频率进行计算,并用排队论中的M/G/1队列刻画微服务处理请求的过程,进而设计了一种以服务等级协议（Service Level Agreement）满足程度为衡量标准的服务收益函数;最后利用拥塞博弈模型刻画对计算资源的竞争关系,给出了求解博弈的纳什均衡状态的多项式算法.实验表明,该方法在计算资源有限的场景下可以有效地提高微服务应用的整体性能.