基于Web服务的工作流执行优化方法探讨

工作流优化有多种不同的手段,按照优化操作的对象不同,可以分为结构优化和参数优化.资源优化是工作流参数优化领域的热点,优化资源数量可以最大化地改善工作流时间性能.优化算法主要涉及遗传算法、基于Petri网结构的并行优化和与扩展Petri网结合的遗传算法等.工作流验证目的是在过程设计时检验工作流的正确性,避免执行时出现异常.在工作流模型实际实施之前,探测其中可能存在的各种过程异常可以降低工作流运行时的停产、检查和修复的成本,具有重大的经济意义.车间作业调度问题是一类最具一般性的生产调度问题,采用这种新型的扩展Petri网对调度问题进行建模,结合遗传算法对该调度问题进行优化,最后得到了问题的最优解.这种基于扩展Petri网的遗传算法具有较高的通用性.     

改进遗传算法在电力系统无功优化中的应用

遗传算法是一种模拟生物进化过程的优化算法,可用于求解包含离散化变量的复杂优化问题,是近些年发展起来的基于自然选择规律的一种优化方法.本文提出了一种应用于电力系统无功优化问题的改进遗传算法,该算法在一般遗传算法的基础上,对适应函数、编码方式以及变异操作等方面作了改进.经电力系统的无功优化问题实例计算表明,改进遗传算法的优化结果可以更有效地达到或接近全局最优.     

一种基于遗传算法的优化分类器的方法

提出了一种通过遗传算法(GA)对单个分类器进行优化以及对多个分类器进行组合优化的方法.该方法使用叠加(stacking)的策略.经典的叠加策略分为两步,该方法将遗传算法作为叠加策略的第2步.实验结果表明,遗传算法可以较好地完成优化任务,同单个分类器比较,它可以提高分类的精度.在对分类器进行组合优化方面,它得到比单个分类器更高的精度以及使分类结果具有更好的可理解性.     

应用遗传算法原理确定函数的最优解

本文主要介绍了一种新型的、随机性的全局优化方法即遗传算法.一般应用于在一个问题的解集中查找最优解情况,如是一个问题有多个答案,但是想查找一个最优答案的话,那么使用遗传算法可以达到更快更好的效果.即在浮点编码遗传算法中加入一个函数,构成适于不可微函数全局优化的遗传算法.该算法改善了遗传算法的局部搜索能力,显著提高了遗传算法求得全局解的概率.     

面向多星任务规划问题的改进遗传算法

卫星数量的快速增加为管控卫星的工作增加了很大的难度,如何有效地进行任务规划,有效管理卫星资源,成为了卫星领域的一个重要问题.针对此问题,本文构建了多星任务规划的数学模型,将最大化任务收益作为优化目标.本文分析了问题的难点并提出了一种包含两种优化策略的改进遗传算法,包括全局优化和局部优化两部分.全局优化和局部优化根据种群改进情况进行自适应切换.通过两种优化方法的结合可以提升任务规划的效果.本文还提出了一种任务规划算法,用于为改进遗传算法得到的任务序列选择合适的任务执行时间.仿真实验证明本文提出的改进遗传算法可以很好地解决多星任务规划问题,与对比算法相比可以得到更优的规划结果.改进遗传算法有很好的工程应用前景.     

车辆路径问题的改进的双种群遗传算法

提出了一种基于车辆路径问题的改进双种群遗传算法.该改进双种群遗传算法主要通过两个种群同时进行进化操作,并结合新交叉算子和种群交叉策略,以克服传统双种群遗传算法在求解车辆路径问题上所存在的不足.通过仿真实验,将改进的双种群遗传算法与其它几种遗传算法进行比较,改进的双种群遗传算法比其它几种遗传算法显著提高了优化效果.实验结果表明,该算法可以有效求得该问题的优化解,是解决车辆路径问题的好方法.     

基于遗传算法的微分方程模型参数优化

针对采用传统方法求解动态系统的微分方程模型的参数存在的不足与困难,设计了一种改进的遗传算法优化模型的参数.计算实例表明,用遗传算法优化模型参数可以得到与实际数据更加吻合的数学模型.     

改进的小生境遗传算法

本文针对多峰值函数的优化提出了一种改进的小生境遗传算法.本算法可以自动检测波峰的存在,加强了遗传算法的局部搜索能力又避免其收敛于局部最优解,适用于多峰值函数的优化.     

基于遗传算法的物流配送路径优化问题研究

遗传算法是一种基于自然进化原理的全局搜索随机算法.遗传算法在选址问题、配送问题、调度问题、运输问题、布局问题方面意义重大.在建立物流配送路径优化问题数学模型的基础上,构造了求解该问题的遗传算法.该遗传算法采用常用的二进制编码,在个体选择上结合使用最优个体保留策略和轮盘赌法.最后以这种方法进行了实验计算,通过计算结果表明,用遗传算法进行物流配送路径优化,可以方便有效地求得问题的最优解或近似最优解.     

基于混沌“微变异”自适应遗传算法

遗传算法可以较好地解决复杂的组合优化问题,但也存在两方面不足:一是搜索效率比其他优化算法低;二是容易过早收敛,陷入局部最优.对此,提出一种混沌“微变异”遗传算法.利用混沌优化算法具有随机性和遍历性的特点,解决遗传算法容易陷入局部最优解的早熟问题,使得新算法同时具有较强的局部搜索能力和完成全局寻找最优解的能力.同时,对遗传算法的选择算子增加了混沌扰动,对交叉算子和变异算子进行自适应调整,对适应度函数进行改进,使遗传算法整体性能得到提高.最后,通过经典函数验证表明,混沌“微变异”遗传算法比一般的混沌遗传算法和经典遗传算法的进化速度更快,搜索精度更高.