智能仿生算法及其网络优化中的应用研究进展

网络优化问题是一类特殊的组合优化问题,很多问题找不到求最优解的多项式时间算法,属于NP困难问题;智能仿生类算法主要是模拟生物进化和生物群体的智能化方法,如人工神经网络、遗传算法、DNA分子算法、蚂蚁算法等,它们在解决NP问题上表现出得天独厚的优势,取得了诸多丰硕的成果。因此,该文系统地综述了近年来智能仿生算法及其网络优化中的应用研究进展和未来发展方向。     

遗传算法在网络优化问题中的研究与应用

研究关于对网络优化问题,普遍集中于理论算法研究,缺乏与实际工程背景的有效结合,因而限制了网络优化算法应用的可行性。针对网络的时效性和应用的智能性问题,为了深化网络优化在实际工程中的应用,并使网络优化方案具有一定的智能性,遗传智能算法在实际工程网络优化中的应用展开研究,以优化布置的费用最低为优化目标,建立了全终端网络模型,重点分析了遗传优化算法的过程,仿真结果表明,采用遗传优化算法,能够有效的降低网络拓扑路径长度,进而减低网络的布置费用。将智能遗传算法应用于具有工程实际背景的网络优化问题中,能够进一步提高遗传算法在实际网络优化工程中的应用及研究水平。     

基于协同进化遗传算法的多议题谈判

以协同进化遗传算法模拟自动谈判是目前智能计算和多Agent系统等领域研究的新课题。针对现有文献仅模拟单议题谈判的情况,该文提出基于协同进化遗传算法和适应度共享小生境技术的多议题谈判模拟算法,以轮流出价谈判协议为例进行仿真实验。实验结果表明,该算法能在策略种群中形成局部小生境,生成近似Pareto最优的策略集。     

改进GA的边缘计算任务卸载与资源分配策略

针对现有边缘计算计算卸载算法存在的延迟较大且负载不均衡的问题,提出一种移动边缘计算中基于改进遗传算法的计算卸载与资源分配算法.基于提出的移动边缘计算网络构建系统模型,其中包括能耗、平均服务延迟、执行时间以及负载均衡模型.以能耗、延迟、负载均衡最小化为优化目标,利用改进的遗传算法进行求解,其中采用染色体一维表现形式、交叉和变异算子提高算法的性能.利用iFogSim和Google集群对所提算法进行模拟仿真实验,结果表明,算法种群数量和最大迭代次数的合理值分别是60和25,所提算法得到的计算卸载和资源分配策略在能耗、负载均衡、延迟和网络使用率方面的表现均优于其它算法.     

基于改进型遗传算法的数字电路优化

遗传算法（ Genetic Algorithm,GA）是一种模拟生物界自然选择的智能优化算法,已经被广泛应用到各个领域。文中主要针对传统遗传算法在应用于数字电路优化设计中时所出现的未成熟收敛和收敛速度慢的问题,提出一种新的个体选择方法。该方法将保留最优个体选择方式和改进轮盘赌选择方式相结合,能够在保持种群的多样性的同时有效地提高数字电路优化的精确度。将该算法应用到最小分类网络的设计中,实验结果验证了改进算法的合理性和有效性。     

基于量子遗传算法的路由选择

网络中存在许多设计和优化问题,其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。文中探讨了该类问题中路由选择问题的一种新的解决方法:量子遗传算法。就路由选择问题的数学模型进行了简单的介绍,并深入研究了量子遗传算法及其在路由选择优化问题中的应用,最后在计算机上进行了模拟分析实验。仿真实验的结果表明,量子遗传算法在性能上优于常规遗传算法。该算法搜索速度快、效率高,并且具有较强的实用性和鲁棒性。     

基于遗传算法的SDN网络装箱问题研究

随着网络规模愈加庞大和复杂,运营商正处于逐渐从传统IP网络向SDN网络架构发展阶段。论文以SDN架构下的网络为研究对象,建立以最大带宽利用率最小化和新增业务后全局网络扰动最小为目标的网络模型,提出基于改进的遗传算法对复杂网络环境下的装箱问题进行求解。利用Java编写并模拟仿真当前运营商主流网络场景IPRAN,分析遗传算法和其他启发式算法,如粒子群,模拟退火算法在装箱问题的优化效果,验证所提出的改进遗传算法对于解决网络装箱问题的有效性。     

基于量子遗传算法的路由选择

网络中存在许多设计和优化问题，其中相当一部分属于NP类型。传统的解法由于计算复杂度过大而失效。文中探讨了该类问题中路由选择问题的一种新的解决方法：量子遗传算法。就路由选择问题的数学模型进行了简单的介绍，并深入研究了量子遗传算法及其在路由选择优化问题中的应用，最后在计算机上进行了模拟分析实验。仿真实验的结果表明，量子遗传算法在性能上优于常规遗传算法。该算法搜索速度快、效率高，并且具有较强的实用性和鲁棒性。     

网络拥塞控制中的智能优化算法

计算机网络的飞速发展带来了日益严重的网络拥塞问题,采用适当的方法进行拥塞控制已成为当前研究的热点。文章在对网络拥塞及拥塞控制分析的基础上,详细介绍遗传算法、人工神经网络、模糊逻辑等智能优化算法在网络拥塞控制中的应用,并分析了各种算法的优缺点。     

基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度有较大改善.     

限定GA搜索空间的WSF求解算法

波达方向（DOA）估计在无线传感器网络中得到了广泛的应用,本文针对DOA中加权子空间拟合（WSF）算法多维非线性优化计算量大的问题,提出一种限定遗传搜索空间的WSF求解算法.该方法将旋转不变子空间（ESPRIT）与无偏估计量的理论最小误差（TME）相结合来限定遗传算法的搜索空间,通过缩短遗传算法的基因长度来降低加权子空间拟合算法的求解复杂度.仿真结果表明,该算法的估计性能与WSF基本相同,与其它的一些智能优化算法相比,显著的降低了算法的计算量.     

改进型遗传算法在自动组卷系统中的应用研究

一直以来优先权法、误差补偿法等是网络考试组卷系统中的基本计算方法,但这些算法在公平与随机问题的处理上效果并不理想。而将改进型遗传算法科学运用在自动组卷系统中,这利于突破传统遗传算法的局限,完善自动组卷系统的功能性,以达到网络考试的科学、公平目标。在此,本文将针对性研究改进型遗传算法在自动组卷系统中的应用。     

计算智能中若干热点问题的研究与进展

对计算智能中的一些热点问题进行了系统的剖析,重点阐述了前向网络的映射和表达问题、网络的泛化问题、网络的拓扑结构学习问题、网络对于离散点集的全局最优逼近问题、遗传算法和模拟退火算法的研究进展和其中存在的一些共性问题。通过将模拟过程及理论证明过程和真实的生物过程、物理过程及数学逼近过程进行对比分析,揭示了目前引起广泛争议的一些热点问题的产生根源。在提出问题的同时,也提出了一些研究思路和解决方案供研究者     

运用模拟退火遗传算法估计地下水反演参数

在估计地下水数值模型参数时,常运用智能优化算法求解数学模型的近似解,以再现现实地下水流的运动。在传统的模拟退火算法基础上,结合遗传算法,提出了一种改进模拟退火遗传算法,它吸收了遗传算法的全局搜索性能和保护最优个体的策略,解决了遗传算法早熟的问题,加强了模拟退火的局部搜索能力。以非均质各向异性承压二维流为例,运用该算法对地下水流数值模型参数进行了反演计算。计算结果表明,该算法克服了传统全局搜索算法收敛速度慢、迭代次数多的缺点,具有计算精度高,可以并行计算等优点。     

智能水滴算法研究

智能水滴算法是模拟自然界中河水与周围环境相互作用的过程而提出的一种智能计算方法。文章首先描述智能水滴算法的原理,然后综述智能水滴算法在多个研究领域的应用,最后对智能水滴算法进行总结与讨论。     

遗传算法在网络优化问题中的研究

针对城市交通网络优化问题的实际意义,本论文以TSP为背景构建了网络路径搜索优化的模型,并采用遗传算法改进了算子设计,给出了完整的算法执行步骤,其仿真测试结果也表明了该算法在网络优化中具有良好的搜索性能,对于进一步研究遗传算法在网络优化问题中的实际应用具有一定借鉴意义。     

基于遗传算法的Job Shop调度研究进展

Job Shop是典型的调度问题 ,遗传算法一直是计算智能的主要研究对象 ,因此基于遗传算法的Job Shop研究在学术界和工程界受到极大的关注。对近年来这方面的研究情况进行了较全面的综述 ,其中涉及编码、算法改进和比较、特征分析、混合算法、拓宽性、实际应用和调度器开发等 ,并讨论了进一步研究的若干方向     

随机化均匀设计混合遗传算法求解图的二划分问题

图的二划分问题是一个典型的NP—hard组合优化问题,在许多领域都有重要应用．近年来,传统遗传算法等各种智能优化方法被引入到该问题的求解中来,但效果不理想．基于理想浓度模型的机理分析,利用随机化均匀设计抽样的理论和方法,对遗传算法中的交叉操作进行了重新设计,并在分析图的二划分问题特点的基础上,结合局部搜索策略,给出了一个解决图的二划分问题的新的遗传算法．通过将该算法与简单遗传算法和佳点集遗传算法进行求解图的二划分问题的仿真模拟比较,可以看出新的算法提高了求解的质量、速度和精度．     

单一源节点选播路由算法的研究与实现

本文探讨利用遗传算法研究选播路由算法的关键技术问题，设计实现了一个基于遗传算法的单一源节点选播路由算法，利用网络模拟平台，对设计的选播路由算法进行了网络仿真实验和分析。模拟结果表明我们的算法可提高网络搜索速度和网络资源利用率，进而改善网络服务质量。     

拉丁超立方体抽样遗传算法求解图的二划分问题

图的二划分问题是一个典型的NP-hard组合优化问题, 在许多领域都有重要应用. 近年来, 传统遗传算法等各种智能优化方法被引入到该问题的求解中来, 但效果不理想. 基于理想浓度模型的机理分析, 利用拉丁超立方体抽样的理论和方法, 对遗传算法中的交叉操作进行了重新设计, 并在分析图二划分问题特点的基础上, 结合局部搜索策略, 给出了一个解决图二划分问题的新的遗传算法, 称之为拉丁超立方体抽样遗传算法. 通过将该算法与简单遗传算法和佳点集遗传算法进行求解图二划分问题的仿真模拟比较, 可以看出新的算法提高了求解的质量、速度和精度.