任务分配与调度的共同进化方法

并行与分布式计算环境中随着独立任务的增多,传统进化类单种群的任务分配与调度算法的效率与效力随之大为降低,该文在分析传统解完整编码单种群进化类算法的基础上,基于生物界多物种间共同进化的机制提出了任务分配与调度的合作式共同进化计算模型,并探讨了任务分配与调度问题中的子种群合作方式与个体的适应值计算方法。此外,从数学上分析了基于合作式共同进化的任务分配与调度算法的性能,指出共同进化调度方法中好的调度方案能以高于传统单种群进化算法的递增指数递增。仿真分析证实了算法的理论分析结果,算法具有实际工程价值。     

求解0—1背包问题的共同进化遗传算法

0-1背包问题是一类组合优化问题,迄今已有40多年的研究历史,可广泛应用于碎片收集、作业调度、资金预算和货物装箱等领域。0-1背包问题是一类NP问题,所以传统方法如持续松弛法、分枝-界限法、动态规划法和一些近似算法等等,一般仅能获得问题的近似最优解。近年来,不少学者将稳健的遗传算法应用于0-1背包问题的求解,在问题求解质量方面收到了较好的效果。但是,由于传统的单种群遗传算法中一个染色体编码结构代表了问题的一个完整可行解,因此可能导致对解的较好部分的利用可能被其它较差的部分所掩盖,且问题求解效率随着问题规模的增大而下降。针对上述不足,本文基于合作式共同进化计算模型,将共同进化计算用于求解,提出一种求解0-1背包问题的共同进化遗传算法,以进一步提高问题的求解质量和算法效率。     

基于遗传算法与思维进化计算的一种广义进化模型

本文在遗传算法(Genetic Algorithm，简记GA)与思维进化计算(Mind Evolutionary Computation，简记MEC)的基础上，提出了一种广义进化模型(Generalized Evolutionary Model，简记GEM)、该模型用微演化与宏演化两个过程，分别模拟人类的思维学习方式与自然进化，并通过概率趋同、信息迁移、自适应变异算子将两个过程有机的结合起来，从完全意义上模仿了人类的进化．该模型既能有效的克服遗传算法的本质缺陷，又能拓展思维进化计算的理论基础及应用范围．数值优化的仿真结果证明了该模型的有效性。     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

基于进化计算的洒水车路径优化问题的求解

在利用进化计算对容量限制弦路径车辆行驶问题（Capacitated Arc Routing Problem,CARP）进行研究的基础上,对其数学模型、可行化算子进行改进,以适应实际生活中洒水车车辆路径优化问题。针对此问题,设计了局部搜索（Local Search）算子,此算子在染色体进化中有着显著的作用。来自于现实生活中的某市政环卫部门的实验数据真实可靠。通过进化计算对数据的求解,不仅得到了满意的结果,而且证明了该算法的可靠性及稳定性。在把计算后得出的优化路径用于实际洒水车线路安排后,其环卫部门节约了一定的人力物力,取得了一定的经济效益。根据实验分析,该算法能有效求解一定规模的CARP,并且具有一定的实用价值。     

基于进化计算的兴趣建模

为实现对个体的兴趣建模,提出基于进化计算的建模(Evolutionary Computation Based Modeling,ECBM)方法。该方法采用定性和定量相结合的方式对个体的兴趣系统进行建模,首先通过定性分析构建个体的兴趣模型框架,然后通过进化计算(Evolutionary Computation)方法对模型参数自动进化。实验结果表明,ECBM能够通过数据驱动模式优化模型参数,并利用更新信息进化模型,使其不断逼近真实系统。     

基于思维进化计算求解约束优化问题的新算法

约束优化问题一直是科学与工程优化领域中的难点与热点问题之一。由于思维进化计算(MEC)具有严格的群体结构组织、完善的记忆机制、显著的首领效应等特点,因此很便于对约束条件进行描述与度量。文章尝试用MEC求解约束优化问题,借鉴可变容差策略,定义了个体可行测度、群体可行测度、近乎可行个体等概念,利用子群体的可行测度与其优胜者的可行测度,准确描述子群体到可行域的相对位置,并以此为指导信息引导搜索从非可行域不断向着可行域的方向进行,逐渐逼近问题的最优解。对非线性约束优化问题的仿真结果表明,用MEC求解约束优化问题是非常可行的。     

多无人机协同航路规划的共同进化方法

面向多无人机协同作战的航路设计问题,提出了一种较新颖的多无人机协同航路规划共同进化方法.将航路映射到进化计算个体建立了基于共同进化计算的航路规划问题模型,以此为基础重点讨论了个体适应度设计等关键问题.以SEAD任务为想定,对多无人机协同航路规划共同进化方法进行了仿真.仿真结果表明该方法能够快速为多无人机找到协同航路,能够综合考虑无人机航路的燃油、安全、避碰以及任务协同等指标,可以解决多无人机协同执行任务的航路设计问题,且具有较好的收敛性和线性时间性.     

基于进化计算的DHMM训练方法

隐马尔柯夫模型（HMM)的传统训练方法－Beum-Welch算法只能得到 一个局部最优模型，从而影响最终的识别率。对于CHMM，分段K平均方法来取得一个初始值可以解决这一问题，但对DHMM却改进不大。而基于全局搜索的进化计算的一个重要特点便是可以得到次优解乃至全局最优解。本文把进化计算引入到DHMM的训练中去，提出了一种改进的进化训练贪污，实验结果表明，这种训练方法初具了全局搜索和快速收敛的特点， 得到的模型优于传统方法和直接用进化计算所得的模型，提高了系统的识别率。     

基于适应值模糊灰模型的交互式进化计算

针对交互式进化计算过程的评价不确定性问题,对个体适应值预测方法进行了研究。对于个体精确数适应值类型,提出基于模糊灰模型FGM(1,1)预测模糊适应值的方法,降低噪声对适应值的影响。首先,确定了用户满意度与适应值噪声强度的函数关系,构建了噪声强度衡量指标;然后,建立模糊适应值支集宽度约束下的最小噪声强度线性规划,求取模糊适应值预测参数;最后,通过模糊灰模型时间响应序列输出模糊适应值。采用NSGA-II范式实现进化计算,并设计了新的个体序值比较方法和拥挤测度计算公式。将所提方法应用于烤漆门外观选型问题, 并与已有典型方法比较。结果表明, 所提方法在推荐个体质量、减轻用户疲劳、提高搜索效率等方面均有优越性。     

广义模糊模型的协同进化方法研究

在系统分析不同类型模糊模型的统一性描述及其待学习参数的特征分类基础上,提出了基于协作共同进化的广义模糊模型（COOPCE—GFM）,论述了所涉及的相关问题,包括种群的编码及其不同的进化计算、各种群个体的合作及其适应值评估策略、模型的后件参数估计方法．COOPCE-GFM采用的两种群兆同进化以及灵活的二维和分层树状结构编码方式决定了其可学习各类模糊模型．该方法的另一个特点是对对象的先验知识要求少,文中分别用函数近似和分类问题为例说明其有效性．     

一种基于协同进化的FNN结构优化和集成

FNN的结构优化和集成是ANN研究的重要课题,用遗传进化的方法是解决该问题的重要途径,论文基于协同进化的理论,用多目标优化的思想,对该问题进行了研究,提出了解决该问题的方法,在理论分析的基础上进行了仿真实验,结果证明,该方法理论上是可靠的,实践上是可行的。     

一种引入局部交互的群体协作行为协同进化机制

现有协同进化模型在求解子系统间存在相互关联作用的问题时存在不足,使其难以高效产生群体复杂适应性协作行为．针对这一问题,依据系统论和非线性科学理论,构造了一种引入局部交互的群体复杂协作行为协同进化机制．该机制通过局部交互作用探测局部启发信息,并结合全局启发信息共同引导协同进化过程,从而使求解过程朝着正确的方向进化．算法分析及多机器人协作推箱实验表明,该机制模型及其算法有效地克服了现有协同进化模型的不足和局限,能使复杂关联的群体协作行为高效地朝着全局最优协作方向演化．     

具有计算可靠性的符号模型

MW方法仅考虑使用公钥加密原语,不包含{{mk}k类型消息的双方协议。针对该问题,使用公钥加密和对称加密,建立扩展标记符号模型与扩展计算模型,论证扩展标记符号模型的计算可靠性,实现对MW方法的扩展。     

基于横向局部性的多核计算模型

片内多核已成为延长摩尔定律的方式,并行算法设计、编程模型、编译器和运行时系统都需要利用计算模型进行分析。现有多核模型对线程间共享缓存等资源的竞争已有较精确的模型,但是对于线程间数据共享考虑较少。提出线程间共享缓存的横向局部性和任务共享率概念,基于此扩展串行存储层次模型RAM(h),提出考虑任务共享率的多核并行计算模型MRAM(h)。     

基于注意计算模型的医学图像模糊连接度分割

用模糊连接度分割图像时,种子点多以聚类分析方法自动给定,本文分析了传统聚类法存在的问题,在人类视觉活动机制的启发下,提出新的完全不同于聚类方法的视觉显著点注意引导下的图像分割方法.将图像特征显著点的定位转化为概率密度估计问题,引入新的注意计算模型并结合Mean-Shift处理得到关键特征点.注意模型的特征地图采用图像灰度的对比度构成,迭代计算高斯邻域显著度.从密度估计的角度定位显著点,克服以往偏生理注意模型对定量描述的能力不足,尤其适用医学模糊图像.新的方法能完全自动地定位种子点,有效地分割模糊医学图像,提高准确率.     

基于协同感知的视觉选择注意计算模型

鉴于在任务相关的视觉注意中,需要建立基于任务的视觉注意显著图来引导视觉注意,为此利用与人认知过程相接近的协同感知理论来研究基于任务的视觉注意计算模型,即首先利用协同识别理论研究二义及多义模式的视觉感知,得到协同视觉感知理论;然后将协同视觉感知中的模式与从视觉注意模型中提取的底层视觉特征相对应,利用偏置矩阵的性质计算底层视觉特征间受任务影响而产生的偏置,再由此偏置和底层视觉特征生成基于任务的视觉注意显著图;最后提出了基于协同感知理论的视觉选择注意计算模型。该算法用于基于任务的视觉搜索的实验结果表明,该算法是有效的,在认知上是合理的。     

一种基于特征捆绑计算模型的物体识别方法

利用一种特征捆绑计算模型,以Gabor特征作为模型的初级特征,将相关统计量作为实现特征捆绑的基础,提出了一种物体识别方法.并实现了一组物体识别实验,结果显示,该方法能够进行较快速而准确地识别,说明了此方法和所使用的特征捆绑计算模型的有效性.     

基于延迟隐藏因子的GPU 计算模型

近年来在生物计算,科学计算等领域成功地应用了GPU 加速计算并获得了较高加速比.然而在GPU 上编程和调优过程非常繁琐,为此,研究人员提出了许多提高编程效率的编程模型和编译器,以及指导程序优化的计算模型,在一定程度上简化了GPU上的算法设计和优化,但是已有工作都存在一些不足.针对GPU低延迟高带宽的特性,提出了基于延迟隐藏因子的GPU 计算模型,模型提取算法隐藏延迟的能力,以指导算法优化.利用3 种矩阵乘算法进行实测与模型预测,实验结果表明,在简化模型的情况下,平均误差率为0.19.