一种基于服务选取的SBS云资源优化分配方法

获取满足全局优化目标的资源分配策略,是影响云环境中基于服务的软件系统(service-based software system,简称SBS)运行时优化效果的关键.然而,由于SBS内部复杂的业务逻辑关系和云环境中的资源约束,现有分配方法无法得到最优资源分配量.以满足SLA约束和最小化资源成本为目标,根据不同资源状态对应不同组件服务性能的特点,将组件服务可能的资源分配量、相应性能及成本转换为备选逻辑服务集,进而提出了一种云环境中基于服务选取的SBS资源优化分配模型,并设计了一种求解模型的混合遗传算法.算法采用整数编码以提高求解效率,并在选择算子中引入了精英保留策略,从而保证收敛到全局最优解.为提高遗传算法的局部搜索能力、加快收敛速度,以局部搜索策略改进了标准变异算子.实验验证了所提出的资源优化分配模型和求解算法的有效性,并表明:与分支定界法及精英保留策略遗传算法相比,混合遗传算法能够在较大规模的问题上快速获得具有较低资源成本的资源分配策略.     

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。     

基于改进离散粒子群的蜂窝网络信道分配

为了提高蜂窝移动通信系统的频谱利用率,提出了一种基于改进离散粒子群算法的频率分配方法.基于文化算法的思想,设计了具有方向性的最优渐进式变异算子.当粒子出现聚集时,对粒子中的最优粒子执行文中引入的最优渐进式变异算子,在增强算法的局部搜索能力的同时,增强了算法的全局搜索能力.粒子采用了最小间距编码,压缩了求解空间加快了算法收敛.仿真实验结果表明,该算法在频率分配问题上的搜索能力更强,在21蜂窝小区中寻找到的最小可用频率数为40.     

基于改进人工免疫算法的柔性车间调度问题

针对以最小化总处理时间为目标的柔性车间调度问题,为优化工件设备加工路径,提出了求解强NP-Hard问题的改进人工免疫算法.在初始解产生方面应用了多种求解策略的组合,多个变异算子应用于工序分配和工序排序以产生新的抗体,能够有效保持种群的多样性.并通过引入重排序变异算子及克隆算子提高了算法的局部求解能力,使算法在局部求精与空间探索方面都取得了较好的成绩.通过在BenchMark问题上的测试,并与相关文献仿真结果比较,表明了改进算法具有较好的稳定性和收敛性.     

一种新颖的函数优化进化算法

进化算法在求解全局优化问题时易陷入局部最优且收敛速度慢. 为了解决这一问题, 设计了一个基于下降尺度函数的杂交算子, 利用下降尺度函数与种群的关系来寻找实值函数的下降方向. 为了提高非均匀变异算子在进化后期的搜索能力, 通过均衡算子的局部搜索和全局搜索能力使其在算法后期仍能跳出局部最优. 在此基础上给出了一种新的进化算法. 最后将其与9个现有的算法进行了比较, 数值实验表明新算法快速有效.     

带固定半径近邻搜索3-opt的离散烟花算法求解旅行商问题

传统烟花算法求解大规模离散问题存在收敛速度慢、求解精度不高等问题.针对旅行商问题的特点,提出一种带固定半径近邻搜索3-opt的离散烟花算法.该算法基于基本烟花算法进行离散化改进,采用整数编码的路径表示方法来表示旅行商问题的解,对爆炸算子、高斯变异算子进行离散化操作策略设计.为了使算法具有较好的局部搜索能力,提出固定半径近邻搜索3-opt策略来提高算法精度和收敛速度,同时采用不检测标志策略提高算法效率.实验结果表明:该算法能有效地求解旅行商问题,其离散烟花算子在全局收敛能力、收敛精度、求解时间和稳定性等方面均优于传统烟花算子;基准测试算例的最优解平均误差率仅为0.002％,优于对比算法.     

无线传感器网络任务分配的遗传优化算法

为了延长网络生命周期,减少网络能量消耗和均衡网络负载,构造了无线传感器网络任务分配的模型,提出与小生境技术相结合自适应选择概率、三—三交叉算子和目标位变异算子,改进GA算法在很好地保持种群收敛性的同时,提高了算法的局部和全局搜索能力。仿真实验结果表明,该分配算法在局部求解与全局探索之间取得了较好的平衡,能有效减少无线传感器网络的计算时间和网络能耗,并有效地均衡网络负载。     

基于自适应继承策略的帝国竞争算法求解旅行商问题

针对帝国竞争算法在求解旅行商问题时局部搜索能力不强和容易陷入局部最优的缺陷,提出一种基于自适应继承策略的帝国竞争算法.该算法采用自适应继承策略的启发式交叉算子、单点局部插入策略和固定邻域的2-opt算子来增强算法的局部优化能力,并加入帝国精英解集以保持种群的多样性.通过标准实例测试,验证了所提出的改进策略的优越性,与基于启发式交叉算子和帝国主义算法为框架的其他算法进行对比,实验结果表明,该算法求解中小规模的解旅行商问题具有较高的求解精度和较快的收敛速度.     

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.     

求解二次分配问题的离散粒子群优化算法

提出了一种求解二次分配问题的离散粒子群优化算法. 根据二次分配问题及离散量的特点, 重新定义了粒子的位置、速度等量及其运算规则, 为抑制早熟停滞现象, 为粒子和粒子群分别定义了个体多样性和平均多样性. 算法中定义了排斥算子来保持粒子群的多样性, 使用局部搜索算子来提高算法的局部求精能力, 使算法在空间勘探和局部求精间取得了较好的平衡. 在 QAPLIB 的实例上的仿真结果表明, 离散粒子群优化算法具有良好的性能.     

A new hybrid genetic algorithm for job shop scheduling problem

Job shop scheduling problem is a typical NP-hard problem. To solve the job shop scheduling problem more effectively, some genetic operators were designed in this paper. In order to increase the diversity of the population, a mixed selection operator based on the fitness value and the concentration value was given. To make full use of the characteristics of the problem itself, new crossover operator based on the machine and mutation operator based on the critical path were specifically designed. To find the critical path, a new algorithm to find the critical path from schedule was presented. Furthermore, a local search operator was designed, which can improve the local search ability of GA greatly. Based on all these, a hybrid genetic algorithm was proposed and its convergence was proved. The computer simulations were made on a set of benchmark problems and the results demonstrated the effectiveness of the proposed algorithm.     

基于离散教与学算法的分布式预制流水车间调度研究

分布式工厂生产形式对提高预制构件生产效率、保证订单按时交付、降低企业拖期交货惩罚费用具有重要的意义;因此针对分布式预制构件流水车间调度问题,以最小化订单总拖期惩罚为目标建立了数学优化模型,并基于双层整数编码方式提出了一种离散教与学算法(DTLBO);在算法初始化阶段,采用启发式规则和随机生成融合策略改善初始解的质量,进而增加算法的寻优效率;在教学阶段,结合问题模型特点,设计了顶层替换、底层替换两种邻域构造,促进教师解对学生解的引导优化;在学习阶段,通过变异算子和交叉算子让学生解之间相互学习更新,进一步提升算法的局部开发和全局探索能力;试验结果表明,与遗传算法和变邻域搜索算法对比,提出的DTLBO算法具有更好的求解性能和鲁棒性;最后与实际生产过程常用的经验启发式调度方法相比,提出算法在目标值上表现出不低于10％的平均改进率,有望显著增加预制构件制造企业净利润并提高客户满意度,能够为企业管理者提供更佳、更合理的生产调度方案.     

基于改进离散人工蜂群算法的同类机调度优化

针对一类最小化最大完工时间的同类机调度问题,考虑到机器的加工效率和产品的交付时间,引入同类机调度问题的数学模型,提出一种改进的离散型人工蜂群算法（IDABC）求解该问题。首先,引入种群初始化策略,得到均匀分布的种群,并获得待优参数的生成策略,加快种群的收敛;其次,借鉴差分进化算法的变异算子和模拟退火算法的思想,改进雇佣蜂和跟随蜂的局部搜索策略,并利用最优解的优质信息改进侦察蜂,增加种群多样性、防止算法陷入局部最优;最后,分析算法的性能和参数,并将改进的算法应用于同类机调度问题,在15个算例上的实验结果表明,与混合离散人工蜂群（HDABC）算法相比,IDABC的求解精度和稳定性分别平均提高了4.1%和26.9%,且具有更好的收敛性,表明在实际场景中IDABC可以有效求解同类机调度问题。     

一种改进的生物地理学优化算法

生物地理学优化算法（BBO）作为一种新型的智能算法,在其提出不到十年的时间内受到学界的广泛关注和研究,并显示出了广阔的应用前景。为了提高算法的优化性能,对BBO算法提出一种改进,该算法在将差分优化算法（DE）中的局部搜索策略同BBO算法中的迁移策略相结合的基础上,针对迁移算子和变异算子分别进行改进,提出了二重迁移算子和二重变异算子,使得栖息地个体在进化过程中得到更高的进化概率,从而使得算法的寻优能力得到进一步提升。通过6个高维函数的测试,结果表明该算法在优化高维优化问题时,较其他几种生物地理学优化算法具有更好的收敛性和稳定性。     

Inventory based two-objective job shop scheduling model and its hybrid genetic algorithm

Job shop scheduling problem is a typical NP-hard problem. An inventory based two-objective job shop scheduling model was proposed in this paper, in which both the make-span (the total completion time) and the inventory capacity were as objectives and were optimized simultaneously. To solve the proposed model more effectively, some tailor made genetic operators were designed by making full use of the characteristics of the problem. Concretely, a new crossover operator based on the critical path was specifically designed. Furthermore, a local search operator was designed, which can improve the local search ability of GA greatly. Based on all these, a hybrid genetic algorithm was proposed. The computer simulations were made on a set of benchmark problems and the results demonstrated the effectiveness of the proposed algorithm.     

求解动态维修资源优化调度的多目标进化算法

为解决维修资源调度过程中出现的维修资源预测不准、资源冲突的问题,本文建立了不同作战阶段的多供应中心?多需求点的的动态维修资源优化调度模型,使得多个供应中心可以及时、高效地对需求点进行维修资源调度,减少了资源调度时间和每个需求点的维修资源不满足量。为了更好地求解提出的模型,本文提出了一种改进的多目标进化算法,在经典的多目标进化算法的基础上,使用正态分布交叉算子、全局探索增强型差分进化算子和自适应变异算子的协同进化策略,提高了算法的局部搜索能力和种群的多样性。仿真实验表明,本文提出的算法具有良好的收敛性和分布均匀性,并且具有较高的求解效率。     

Operator scheduling in data stream systems

In many applications involving continuous data streams, data arrival is bursty and data rate fluctuates over time. Systems that seek to give rapid or real-time query responses in such an environment must be prepared to deal gracefully with bursts in data arrival without compromising system performance. We discuss one strategy for processing bursty streams - adaptive, load-aware scheduling of query operators to minimize resource consumption during times of peak load. We show that the choice of an operator scheduling strategy can have significant impact on the runtime system memory usage as well as output latency. Our aim is to design a scheduling strategy that minimizes the maximum runtime system memory while maintaining the output latency within prespecified bounds. We first present Chain scheduling, an operator scheduling strategy for data stream systems that is near-optimal in minimizing runtime memory usage for any collection of single-stream queries involving selections, projections, and foreign-key joins with stored relations. Chain scheduling also performs well for queries with sliding-window joins over multiple streams and multiple queries of the above types. However, during bursts in input streams, when there is a buildup of unprocessed tuples, Chain scheduling may lead to high output latency. We study the online problem of minimizing maximum runtime memory, subject to a constraint on maximum latency. We present preliminary observations, negative results, and heuristics for this problem. A thorough experimental evaluation is provided where we demonstrate the potential benefits of Chain scheduling and its different variants, compare it with competing scheduling strategies, and validate our analytical conclusions.Received: 18 October 2003, Accepted: 16 April 2004, Published online: 14 September 2004Edited by: J. Gehrke and J. HellersteinBrian Babcock: Supported in part by a Rambus Corporation Stanford Graduate Fellowship and NSF Grant IIS-0118173.Shivnath Babu: Supported in part by NSF Grants IIS-0118173 and IIS-9817799.Mayur Datar: Supported in part by Siebel Scholarship and NSF Grant IIS-0118173.Rajeev Motwani: Supported in part by NSF Grant IIS-0118173, an Okawa Foundation Research Grant, an SNRC grant, and grants from Microsoft and Veritas.Dilys Thomas: Supported by NSF Grant EIA-0137761 and NSF ITR Award Number 0331640.     

应用布尔遗传算子求解N皇后问题

应用回溯法求解规模较大的N皇后问题时,时间开销巨大。从提出布尔遗传算子角度,增强遗传算法局部搜索性能,与具有良好全局搜索性能的矩阵遗传算子组合应用,对N皇后问题求解。采用自然数和二进制互换的编码方式,应用N皇后的约束条件构造适应度函数,保证了算法的全局收敛性。通过与回溯法和相关遗传算法比较,实验证实了该方法应用于求解N皇后问题,具有良好的搜索效率和求解质量。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。