基于Spark的自适应差分进化极限学习机研究

为了解决传统自适应差分进化极限学习机（SaDE-ELM）在单机环境下运行效率低下的问题,本文提出了基于Spark平台的并行化自适应差分进化极限学习机算法（PSaDE-ELM）。该算法的主要思想是:将差分进化算法中的原始种群均匀地分割为几个子种群,每个子种群均占有RDD的一个分区,在每个分区中使用SaDE-ELM算法独立进化,并且周期性地将各个子种群中的最优个体按照一定的拓扑结构替换掉其他子种群的最差个体,以此来达到各个子种群共同进化的目的。实验结果表明:PSaDE-ELM算法的预测准确率与SaDE-ELM算法相比基本没有丢失,且随着数据集样本数或子种群数量的增加,算法的运行效率至少提升了1.5倍,在一定程度上证明了本文提出的并行化算法的有效性。     

协同量子智能体进化算法及其性能分析

针对当前量子进化算法的特点和不足,提出了一种分层协同进化的量子智能体进化算法.将种群个体视为以量子编码的智能体,采取三级进化方法,在子种群之间进行个体交流,子种群内部进行个体竞争操作,个体内部能够进行局部调整,使得进化操作能够作用在不同的小生境范围内,增强了进化的粒度.利用不动点定理对所提算法的收敛性进行分析,结果显示,算法能够收敛到最优值.对多个基准函数进行仿真对比分析,该算法具有更好的收敛精度.     

粗粒度并行遗传算法的MapReduce并行化实现

针对粗粒度并行遗传算法的特点,给出了MapReduce编程模型实现遗传算法的方法。将随机生成的初始种群分割成若干个子种群,用Map方法实现单个子种群的传统遗传算法。各个子种群在不同的Node上相互独立地并发执行个体适应值计算、选择、交叉和变异等操作,在Partition环节将每个子群所提取的最优个体迁移到其他子种群中,以实现各个子种群的共同进化。该方法充分利用了MapReduce的高度并行性,提高了算法的效率,同时在一定程度上克服了过早收敛和局部最优解问题。     

基于混合策略的差分进化算法

针对传统差分进化算法在求解问题中种群易收敛、易早熟的问题,提出了一种基于混合策略的差分进化算法.该算法根据粒子适应度、适应度标准差和粒子间距离标准差,将种群分为3个不同大小、不同功能的子种群,每个子种群采用不同策略和控制参数来实现自己被指定的功能.算法在搜索过程中既增强了种群的全局搜索能力,又增加了收敛精度.通过对4个标准函数的测试,仿真结果表明该算法比其他算法具有更好的寻优能力.     

融合免疫机制的协同进化模型

针对传统进化算法在计算效能方面存在的一些问题,借鉴协同进化算法的思想,提出了一种融合免疫机制的协同进化模型。该模型通过多个子种群各自分别进化以保持整个种群的多样性。在每次迭代进化过程中,各个子种群分别选择精英抗体并进行免疫记忆。随后各个子种群分别以不同的算法进行变异。若变异后抗体的适应度降低,则利用精英抗体对其进行引导操作。群体间的协作包括子种群间若干个抗体的随机交叉和子种群间的大规模迁移。最终进行免疫代谢,去除群中的弱适应度个体。算法反复迭代进行以上操作,直至达到既定目标或预定的循环迭代次数。通过对13个标准测试函数进行的仿真实验显示,该模型在搜索最优解或满意解时均优于传统的进化算法,同时在寻优效率上有较大的提升。     

触觉传感器非线性补偿仿生算法

为解决触觉传感器非线性误差大的问题,本文提出了一种基于动态密度聚类改进的自适应多种群遗传算法(IMPGA)。IMPGA算法通过对个体相似度的动态聚类分析生成多个子种群,各子种群采用自适应交叉、变异概率并行进化,提高了搜索全局最优解的效率。通过动态邻域搜索策略提高算法局部搜索的能力,通过移民算子保持每个种群的多样性和进化动力。实验表明通过IMPGA算法优化的BP神经网络能够有效减小触觉传感器非线性拟合误差,鲁棒性能好。     

协同进化引力磷虾觅食算法

在对当前基本磷虾觅食算法的特性进行分析和研究后,针对基本磷虾觅食算法运行速度慢、全局收敛性不强等缺点,为提高磷虾觅食算法收敛性能,引入协同进化机制和引力算法思想,提出一种协同进化引力磷虾觅食算法（co-evolutionary gravitational krill herd algorithm,CGKH）。首先,为深入挖掘种群内部个体性能,将种群分为两个子种群进行协同竞争操作,提高种群整体竞争性能,同时将协同竞争后的种群划分为开采磷虾、跟随磷虾和侦察磷虾,并依据开采、跟随和侦察3个阶段进行协同进化,以提高种群局部开采能力;其次,借鉴引力算法基本思想,将磷虾个体觅食行为中的吸引度转化为邻域个体引力,确保个体向最优个体方向寻优;最后,为避免进化停滞和陷入局部极值,采用聚群和追尾行为对磷虾个体进行随机扰动,以提高种群后期个体多样性。对算法的收敛性能和漂移特性进行了分析,同时对算法进化能力进行了分析。利用同类型算法和不同类型算法进行了仿真对比分析,充分验证了所提出算法的优良性能。     

一种基于分量热力学迁移策略的并行多种群GEP

针对传统并行多种群GEP存在着优良个体的传播和种群多样性之间的冲突问题,提出一种基于分量热力学迁移策略的并行多种群GEP算法(CTDPGEP)。该算法在当前子种群中选择出若干个优良个体和若干个随机个体组成精英子空间,并将精英子空间传送至其他各子种群的迁移区中;其他各子种群异步地将其迁移区中的个体采用分量热力学替换规则接收到自己的种群中。通过这种机制不仅有效地传播了各子种群中的优良个体,而且保持了各个子种群的多样性,定量地平衡优良个体的传播与种群多样性之间的冲突,在加快收敛速度的同时保持种群的多样性,减少陷入局部最优的概率。对比实验结果表明该算法表现出更高的求解精度和更快的收敛速度。     

融合蜂群行为的量子进化算法

为提高量子进化算法的收敛精度和收敛速度,以人工蜂群算法为基本进化框架,提出一种融合蜂群行为的量子进化算法. 将采用相位编码的量子进化种群划分为量子开采种群、量子跟随种群以及量子侦察种群,在每个种群内模拟蜜蜂觅食行为寻优,其中量子开采种群采用混沌扰动搜索,量子跟随种群采用柯西变异操作进化. 同时对所有种群个体采用量子染色体的两步旋转更新方法,并进行自适应的动态变异操作. 利用基准测试函数进行仿真,与相关方法对比分析可知,所提出的算法在大部分的函数上都表现出较好的性能,能有效提高全局收敛性能.     

核模糊聚类划分子种群的双种群遗传算法

并行双种群遗传算法在一定程度上避免了单一机制遗传算法易出现"早熟"的现象,但在其迭代进化后期存在种群同质化严重的缺陷.针对这一问题,在进行种群划分时引入核模糊聚类算法,将个体适应度值作为双种群聚类划分的约束条件,并针对划分所得双种群,提出两种改进的自适应交叉及变异策略,分别侧重遗传算法中局部搜索能力和全局探索能力.通过典型测试函数进行验证,对比标准双种群遗传算法(2PMGA)及自适应双种群遗传算法(A-2PMGA).实验表明,所提出的核模糊聚类划分子种群的双种群遗传算法有效地解决了种群同质化的问题,避免子种群陷入同一局部最优值.     

Gaussian process assisted coevolutionary estimation of distribution algorithm for computationally expensive problems

In order to reduce the computation of complex problems, a new surrogate-assisted estimation of distribution algorithm with Gaussian process was proposed. Coevolution was used in dual populations which evolved in parallel. The search space was projected into multiple subspaces and searched by sub-populations. Also, the whole space was exploited by the other population which exchanges information with the sub-populations. In order to make the evolutionary course efficient, multivariate Gaussian model and Gaussian mixture model were used in both populations separately to estimate the distribution of individuals and reproduce new generations. For the surrogate model, Gaussian process was combined with the algorithm which predicted variance of the predictions. The results on six benchmark functions show that the new algorithm performs better than other surrogate-model based algorithms and the computation complexity is only 10% of the original estimation of distribution algorithm.     

一种基于并行GEP的复杂电路优化算法

数字电路设计的优化是演化硬件中的研究热点,传统的优化方法主要是利用代数法和卡诺图求解法,但是在规模较大时却难于求出或无法求出最优的电路结构.提出一种新的基于并行基因表达式程序设计优化复杂数字电路的算法(COPGEP),该算法通过各子种群之间优良个体的迁移,有效地传播优良个体,充分发挥了优良个体的导向作用,提高了传统GEP的全局寻优能力以及求解精度和收敛速度.通过仿真实验表明,该算法比传统GEP收敛速度更快,能够克服传统GEP算法在优化变量个数多于5个的数字逻辑电路时收敛速度慢,甚至不收敛等缺点.     

教学资源访问系统的并行调度算法设计

考虑到任务的通信延时、数据传输时间,结合贪心算法、优先原则、多机调度问题和Log-GP模型,设计一种适合分布式环境下多用户教学资源访问请求特点的并行调度算法.算法根据教学资源数据量大、内容复杂的特点采用通信与处理相重叠策略来提高系统的加速比和并行效率,连续两次调度时,通过调整处理机的权值,保持系统的高动态负载平衡效率.     

Cruise missile multiple routes planning based on hybrid particle swarm optimization

In order to solve cruise missile route planning problem for low-altitude penetration,a hybrid particle swarm optimization( HPSO) algorithm is proposed. Firstly,K-means clustering algorithm is applied to divide the particle swarm into multiple isolated sub-populations,then niche algorithm is adopted to make all particles independently search for optimal values in their own sub-populations. Finally simulated annealing( SA) algorithm is introduced to avoid the weakness of PSO algorithm,which can easily be trapped into the local optimum in the search process. The optimal value obtained by every sub-population search corresponds to an optimal route,multiple different optimal routes are provided for cruise missile. Simulation results show that the HPSO algorithm has a fast convergence rate,and the planned routes have flat ballisticpaths and short ranges which meet the lowaltitude penetration requirements.     

车辆路径问题的改进遗传算法研究

车辆路径问题(VRP)是现代物流管理中的重要环节,是一个NP-hard问题。标准遗传算法用于最优化问题时存在早熟收敛和收敛速度缓慢的特点。本文提出一种改进的多种群遗传算法,在子种群间引入竞争,设定各个子种群的规模取决于各个子种群的平均适应水平。实验结果表明,该算法能有效求得车辆路径问题的优化解,是求解车辆路径问题的一个有效方案。     

基于蚁群算法的连续时间生产计划优化

针对连续时间生产计划问题，在生产速率、需求率和库存水平等都确定的前提下建立相应的数学模型，并将蚁群算法引入到连续时间生产计划的优化中，利用蚁群算法的自适应、全局优化、并行分布式处理等特性在整个生产计划的可行解中寻找最优解.通过对连续时间生产计划优化问题的计算表明：该方法比遗传算法具有更好的收敛性和更快的计算速度.     

实对称三对角矩阵特征值的一种并行算法及实现

给出了基于二分法求实对称三对角矩阵特征值的一种并行算法及实现方案．它适合于ＭＥＳＨ结构的分布式并行计算机的计算．虚拟环境（ＰａｒａｌｅｌＶｉｒｔｕａｌＭａｃｈｉｎｅ,简称ＰＶＭ）及大规模并行处理机（ＭａｓｉｖｅｌｙＰａｒａｌｅｌＰｒｏｃｅｓｉｎｇ,简称ＭＰＰ）下实验结果表明,该算法具有较好的并行性及较高的加速比．     

基于神经网络和粒子群算法的移动机器人路径规划

针对移动机器人传统路径规划算法效率不高,寻优能力差等问题,提出一种基于神经网络和粒子群优化算法相结合的移动机器人路径规划方法.该方法利用神经网络实现大量的并行和分布计算,发挥PSO简单、容易实现的优点,提高了路径规划的计算效率和可靠性.仿真结果表明,这种新路径规划方法是可行且有效的.