基于思维进化与空间分解并行演化算法研究

在分析已有的演化计算并行化实现策略的基础上,构造一种基于思维进化与空间分解并行策略的演化算法(MLSP-PEA).将思维进化与空间分解技术相结合,采用趋同与异化操作,获得了较好的解精度以及可扩展性.自强3000上的实验结果表明,在处理多维函数优化问题时,MLSP-PEA与基于空间分解并行策略的演化算法(SP-PEA)相比具有更好的解精度以及更快的收敛速度.     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

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。     

基于集群SPMD算法及演化计算并行研究

高性能计算在科学研究领域有着广泛的应用。演化计算因具有计算规模大、种群中个体相关性小等优点，成为并行计算研究的主要对象之一。提出两种并行策略，对顺序GA（Genetic Algorithm）实现并行。首先使用主从模式对多种群协同遗传算法实现并行，在此基础上通过对算法进一步改进，实现了基于对等模式的并行演化计算，从而提高了算法可扩展性。比较了两种并行模式的各自特点，通过SPMD（Single Program MultipleData）算法实现茄基于上海大学“自强2000”高性能计算机上的实例验证，改进算法具有更好的可扩展性，更易于推广到网格环境。     

基于模拟退火并行遗传算法的Otsu双阈值医学图像分割

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法.将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出T一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法.在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,...     

并行混合遗传算法在深度像配准中的应用研究

实现了基于并行混合遗传算法的深度像精确配准,并比较了四种不同测度下算法的收敛速度和配准精度。根据进程数将种群划分为相应数量的子种群,每一个进程维护一个子种群的交叉、变异和选择,并通过采用环状的最优个体迁移策略和退火选择算子,实现了基于粗粒度并行混合遗传算法的深度像精确配准。此外,还比较了点对均值、中值、点面距离以及表面间平均体积四种测度下算法的性能和优劣。实验结果表明,并行计算技术的应用能够有效加速遗传算法的收敛,减少算法的运行时间。     

一种多策略并行遗传算法及其收敛性分析

为解决传统遗传算法收敛速度慢、群体多样性不足的缺陷,提出了一种多策略并行的遗传算法;算法采用多策略并行处理的方式,产生不同策略模式下的个体,增加群体的多样性,再经过自适应迁移策略,提高算法的收敛速度;利用Markov链模型分析多策略并行遗传算法的收敛性;采用旅行商函数进行算法测试,结果表明改进算法的收敛性较传统遗传算法有较大的提高,具有较强的工程应用性能。     

基于Spark的并行DBSCAN算法的设计与实现

随着云应用对运行时间和性能水平要求的逐步提高,以及内存价格的持续走低,基于内存的分布式计算框架Spark获得了前所未有的关注。主要研究DBSCAN算法在Spark上并行化的设计与实现,通过整体分析找到算法并行化可能的性能瓶颈,并从Spark的角度设计了并行DBSCAN算法的DAG图,优化了算法的并行化策略,最大化地降低了shuffle频率和数据量。最后将并行DBSCAN算法与单机DBSCAN算法进行性能对比,并通过实验分析不同参数对聚类结果的影响。结果表明,与单机DBSCAN算法相比,基于Spark的并行DBSCAN算法在聚类精度没有明显损失的情况下,数据量在3百万行时运行效率提高了37.2%,且加速比达到1.6。     

一种改进的并行蝙蝠算法

针对蝙蝠算法存在易陷入局部最优、后期收敛速度慢及收敛精度低等问题,提出一种改进的并行蝙蝠算法(IPBA).设计一种基于免疫浓度的混沌初始化,选择出适应度高、浓度低的个体组成更高质量的初始群体;引入并行策略,将种群分为探索与开发两个子群体,采用不同的惯性权重和停滞变异策略分别进化,可有效防止早熟,并加快算法收敛速度.此外,子群体间定期进行个体迁移和信息交换,充分发挥并行优势,提高算法的整体性能.通过对经典函数仿真测试,将IPBA与基本算法和其他改进算法的优化结果进行对比,经过相关分析,验证了IPBA的可行性和有效性.     

并行量子进化算法的研究与实现

分析讨论并行进化模型理论及性能,提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙.并给出了多宇宙的并行拓扑结构,提出了宇宙内采用免疫量子进化算法,宇宙之间采用基于学习的移民和模拟量子纠缠的交互策略进行信息交换.这样能提高种群多样性,有效克服早熟收敛现象.算法综合了量子计算的天然并行性和免疫算法的充分自适应性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度.通过并行实验验证了该算法的优越性.     

基于集成学习的Adaboost演化决策树算法

演化决策树方法将传统的决策树算法与演化算法相结合,具有全局搜索的优点.基于集成学习框架,提出了Adaboost演化决策树算法,并对基本遗传算子加以改进.实验结果表明Adaboost演化决策树能在较短的演化代数内得到较高的预测准确度.     

基于遗传算法的Bayesian网结构学习研究

从不完备数据中学习网络结构是Bayesian网学习的难点之一,计算复杂度高,实现困难。针对该问题提出了一种进化算法。设计了结合数学期望的适应度函数,该函数利用进化过程中的最好Bayesian网把不完备数据转换成完备数据,从而大大简化了学习的复杂度,并保证算法能够向好的结构不断进化。此外,给出了网络结构的编码方案,设计了相应的遗传算子,使得该算法能够收敛到全局最优的Bayesian网结构。模拟实验结果表明,该算法能有效地从不完备数据中学习。     

一种求解旅行商问题的热力学演化算法

在综合国内外演化计算研究现状的基础上,基于热力学中的自由能极小化原理,设计了一个全新的热力学演化算法,并通过对于流动旅行商问题求解的数值实验,测试了热力学演化算法的优良性能,实验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优。     

一种求解Shubert函数优化问题的演化算法

综合国内外演化计算研究现状,基于热力学中的自由能极小化原理, 设计了一个全新的热力学演化算法,并通过对于Shubert函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,实验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优。     

基于灰支持向量回归机预测适应值的交互式集合进化计算

个体适应值的高精度预测和高效的进化策略对于提高进化优化算法性能至关重要.针对现有大规模种群交互式进化计算个体适应值估计误差较大以及传统进化策略搜索效率较低的问题,提出一种基于灰支持向量回归机的个体适应值预测方法和大规模种群集合进化策略.建立基于灰支持向量回归机的适应值预测模型,给出4种集合进化个体比较测度,同时提出新的集合进化个体自适应交叉和变异概率.基于上述策略,采用NSGA-II范式设计一种交互式集合进化优化算法.将该算法应用于RGB颜色One-max优化问题,以表明所提出个体适应值预测方法和集合进化策略的有效性.     

演化算法的最优轨道分析

基于最优控制理论,提出了演化算法的一种最优轨道分析方法.将演化算法描述成一个动力系统,定义了它的时间最优控制模型.运用著名的Pontryagain极大值原理,分析了演化算法的最优轨道,并利用矩阵范数理论对最优轨道进行了一些理论估计.同时将理论分析结果应用于演化算法的设计之中,导出了一种新的选择策略和终止条件.     

基于修复技术的组合电路进化设计算法研究

提出基于修复技术的组合逻辑电路快速进化设计算法。该算法利用候选电路在进化的初始阶段适应度增加很快的现象,先进化出一个功能大致正确的电路;然后转入修复过程并对不正确的输出进行修正,最终设计出功能正确的电路。为了能对进化出的有错误的电路进行修复,专门设计出简单而规整的修复电路的构造方法。附加的修复电路与进化生成的对大部分输入都能输出正确结果的电路结合在一起,形成最终的功能完全正确的电路。该方法极大地减少进化所需的时间。     

针对技能型员工项目调度的GA进化策略研究

为解决技能型员工具有异质效率、最小化总误工时间的项目调度优化问题,建立了0-1型整数规划模型,并设计了一种遗传算法,采用插入分区基因进行染色体编码,应用改进的前向递归算法求解适应值,并提出了概率进化策略和精英进化策略。数值实验表明,在相同运行时间内,概率进化策略的寻优能力优于精英进化策略。     

基于遗忘策略的双群进化规划算法

在分析导致进化规划算法早熟原因的基础上,提出了一种基于遗忘策略的双群进化规划算法.在该算法中,进化在两个不同的子群间并行进行,其中一个子群使用遗忘策略不断淘汰和更新个体以实现在变量空间中足够分散的探索,另一个子群使用指数递减的高斯变异算子以实现在子群所在的局部尽可能细致搜索.通过种群重组实现子群间的个体与信息交流.基于典型算例的数字仿真证明该算法具有更好的全局收敛性,更快的收敛速度和更强的鲁棒性.