ParaGA:一个并行遗传算法的C++类库

介绍了一基于ＰＶＭ并行环境的并行遗传算法的Ｃ＋＋类库ＰａｒａＧＡ的设计和实现,ＰａｒａＧＡ以使用方便和灵活为主要目标,提供了透明的并行机制,使不具有并行程序经验的用户可以方便地编写并行遗传算法的程序,高级用户也可通过类库提供的若干方法来获得的优化的可行性能,类库采用粗粒度模型,支持并行遗传算法的３种迁移模式及ＳＰＭＤ和Ｍａｓｔｅｒ／Ｓｌａｖｅ两种编程模式,ＰａｒａＧＡ也提供了实现负载平衡分与及利用     

基于并行遗传算法的Ku波段卫星天线设计

针对一种宽波束、宽带微波Ku波段卫星天线的设计要求,本文采用了并行化遗传算法(GA)和改进的NEC2软件来进行天线综合.所设计的遗传算法并行计算平台由多台微机组成,它们之间的消息传递采用MPI来实现,天线的电磁数值计算采用改进的基于矩量法的NEC2软件完成.宽波束、宽带圆极化天线可以应用于空间广播通信等领域,使用传统手...     

一种粗粒度并行遗传算法的设计与实现

遗传算法(Genetic Algorithms,GA)作为搜索最优解的方法,有很广泛的应用,但随着问题的规模扩大,复杂度增加,GA的求解速度大大降低。并行遗传算法(Paralle Genetic Algorithms,PGA)成为解决遗传算法速度瓶颈的有效方法。本文提出了并行遗传算法新的应用平台-Internet,讨论了并行遗传算法应用于Internet的具体实现中的关键问题,并给出单向环拓扑的具体实现和仿真验证。     

并行遗传算法的研究

在分析了解决组合优化问题所遇到的困难的基础上，引入遗传算法.进而提出基本遗传算法在解决数量级很大的组合优化问题上的缺陷，并详细介绍了遗传算法的三种并行模型，最后给出改进的并行遗传算法模型．     

并行遗传算法的研究及应用进展

并行遗传算法（PGA）将并行计算机的高速并行性和遗传算法天然的并行性相结合,极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述,并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。     

并行遗传算法的研究及应用进展

并行遗传算法(PGA)将并行计算机的高速并行性和遗传算法天然的并行性相结合,极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述,并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。     

基于聚类的伪并行遗传算法

针对遗传算法中存在的早熟收敛和后期收敛速度慢的问题,分析传统的小生境遗传算法和多种群遗传算法的特点和不足,提出基于聚类的伪并行遗传算法.当种群进化到一定程度后,进行聚类分析.在各个聚类内部,利用局部搜索算法获得极值点.其余未分类个体与聚类代表元按照小生境技术进一步搜索,从而获得较好的全局探索能力.从理论上证明该算法的收敛性.采用典型函数进行实例计算,并与杰出保留遗传算法、确定性排挤遗传算法和传统的多种群遗传算法的性能进行比较,结果表明本文算法的有效性.     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘。在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生。以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性。     

基于遗传算法实现并行路径的自适应流量工程

研究实现动态并行路径的集中式流量工程,利用遗传算法提出流量优化算法,基于网络拥塞信息动态精简优化对象,基于网络链路利用率动态确定并行路径的采用,同时给出在并行路径间可行、简洁的流量分配方案简化算法的进化选择。仿真结果验证了提出的算法简化了解空间、降低了复杂度、提高了收敛速度,可同时确保优化性能。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘.在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生.以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性.     

基于MapReduce的MIC算法并行化

MIC是一种分析变量之间可能存在的关系的方法。该方法不仅能够有效识别出变量间各种复杂类型的关系,还能够准确描述噪音数据对存在关系的影响,对探索大数据集中变量之间的关系具有重要意义。针对该方法在处理包含大量变量的数据集时性能方面的不足,首次对它进行了基于MapReduce模型的并行化。提出的并行化方法首先对原算法进行更细颗粒度的划分,然后采用一种基于Map-Reduce-Map任务链的并行模型,该模型不仅有效地增加了并行的计算单元,还大大地降低了不必要的系统开销。最后,通过理论分析和实验验证得出,改进后的算法与原算法相比,在准确率方面具有等效性,运行速度大幅度提升且具有良好的可扩展性;实验同时指出了算法性能的提升与系统资源的关系。     

遗传算法技术浅论

本文讨论了遗传算法的原理、特点、应用、操作等知识。通过对遗传算法的构造步骤的描述．给出了遗传算法的实现过程。     

基于种群差异度的自适应遗传算法

常规遗传算法采用恒定的选择压力和变异概率,后期进化速度较慢,对于复杂优化问题通常难以获得高质量的解。该文根据染色体的相似性,提出了种群差异度的概念,并依据种群差异度自适应地调整遗传参数。算例表明,与常规遗传算法相比,文章提出的算法能显著提高解的质量和收敛速度。     

基于网络遗传算法的全局优化

本文在分析当前全局优化方法研究现状的基础上,提出了一种改进的遗传算法――网络遗传算法,应用简单实例说明了网络遗传算法的具体操作,同时应用大量数值实例证明了网络遗传算法解决全局优化问题的可行性、正确性、有效性。     

基于遗传算法的排课系统

随着高校的发展.在教务管理系统中使用的排课模型也变得越来越复杂,亟需一种适用于开发、重用及设计的方法.针对这种情况.给出了排课问题的教学模型,提出基于遗传算法解决方案.结果表明,该算法能比较有效地解决排课问题.     

基于Spark的极限学习机算法并行化研究

极限学习机算法虽然训练速度较快,但包含了大量矩阵运算,因此其在面对大数据量时,处理效率依然缓慢。在充分研究Spark分布式数据集并行计算机制的基础上,设计了核心环节矩阵乘法的并行计算方案,并对基于Spark的极限学习机并行化算法进行了设计与实现。为方便性能比较,同时实现了基于Hadoop MapReduce的极限学习机并行化算法。实验结果表明,基于Spark的极限学习机并行化算法相比于Hadoop MapReduce版本的运行时间明显缩短,而且若处理数据量越大,Spark在效率方面的优势就越明显。     

基于遗传算法的指派问题求解

提出了利用遗传算法来解决指派问题．主要将每项任务作为一个基因位。形成染色体。然后借助遗传操作的选择、交叉和变异等操作来对问题进行优化操作。实验结果表明该算法是有效的。     

基于遗传算法的μ综合方法

采用遗传算法对μ综合问题进行了研究,给出了指定极点和不指定极点两类μ综合的遗传算法。计算实例表明,μ综合的遗传算法是可行的,并具有简便、灵活、设计精度高等特点。     

基于遗传算法和梯度算法的一种结构优化混合方法

基于遗传算法和梯度算法,文章提出了一种结构优化的混合方法。算例表明该方法兼具遗传算法的优良全局搜索能力和梯度算法的强大局部搜索的特点,且具有很好的工程适应性。     

混合遗传算法和蚁群算法在HP模型中的应用

遗传算法和蚁群算法在HP模型中已经有了大量的研究及成果,蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。提出了一种先用遗传算法生成信息素分布,再利用蚁群算法求优化解的新的混合算法。将该算法用于二维HP模型中,计算结果显示该算法在寻优能力和收敛速度上都比单一的遗传算法和蚁群算法有所提高。