网格中执行SLA的并行多群体协作PSO框架

针对广域范围内的计算资源加入粒子群优化(PSO)执行从而提高计算效率并降低计算成本,提出一个网格环境下执行SLA的并行多群体协作PSO框架(PMCF)。给出一个适应网格环境的并行多群体协作PSO(PMCPSO)算法,基于WS-Agreement研究了利用网格技术和PMCPSO算法设计PMCF,把一个元任务调度器用于无缝的资源发现、选取及协商服务质量,通过模拟试验对PMCF进行了评估。     

网格环境下改进PSO算法的资源分配研究

针对网格计算中的资源分配问题,提出一种融合粒子群优化算法和遗传算法的新算法。通过在粒子群算法中引入遗传算法,有效克服粒子群算法容易陷入局部最优值这一固有缺陷,重新在搜索空间寻找全局最优值。该方法具有操作简单、设置参数少、收敛速度快等特点。仿真实验结果表明,该融合算法在网格资源分配方面能取得较好的效果。     

基于种子的多种群多策略并行PSO用于原子簇结构优化

针对Lennard-Jones(LJ)原子簇的结构优化问题,提出一种基于种子的多种群多策略并行PSO(SS-MG-MS-PPSO).该算法使用种子策略(SS)初始化种群,再将初始化的种群划分为具有不同搜索策略(RDPSO和FC-RDPSO)的子种群独立并行进化,通过发挥不同搜索策略的优势从而找到原子簇的最优结构或近似最优结构.实验结果表明,SS-MG-MS-PPSO对于原子数在2到35之间的原子簇搜索到其最优或近似最优结构,且相比其他算法更为稳定、高效,为原子簇的结构优化提供了一种新的解决思路.     

自适应信息选择PSO算法及其特性分析

针对粒子群优化过程中容易出现早熟收敛或停滞的问题,在全信息粒子群优化（FIPSO）算法的基础上结合社会心理学原理提出了一种新的粒子群优化算法——自适应信息选择粒子群优化算法（API-PSO）。在API-PSO算法中,粒子根据其邻域粒子不同表现,自适应地选择群体共享经验。实验表明,新的优化算法具有较好的收敛精度和收敛速度。分别对API-PSO算法的种群多样性和收敛性进行了数学分析,分析结果为合理选择算法参数,解决算法种群多样性匮乏,促进种群进化发展,改善算法性能提供了理论依据。     

基于粒子群算法的群体动画研究与实现

针对标准粒子群算法易陷入局部最优的问题,提出选择粒子视野范围内具有最优适应度值的粒子作为该粒子本次迭代所需的全局极值,测试结果证明改进算法的全局收敛能力明显提高。将该算法用于群体动画中。仿真实验表明个体具有良好的人工智能性,能够真实模拟群体行为。     

基于PSO改进算法的气象数据网格任务调度

为提高在有限带宽下气象观测中心海量数据的任务调度和数据传输效率,提出一种基于粒子群优化(PSO)改进算法的气象数据网格任务调度算法。给出副本域的概念,将PSO算法与副本域相结合,设计任务调度模型和符合气象数据网格环境的目标函数。仿真结果表明,该算法完成调度的时间小于遗传算法和穷尽搜索算法,收敛速度快于离散型PSO算法,且更加稳定。     

动态环境下的双子群PSO算法

通过两组搜索方向相反、相互协同的主、辅子群,构造一种新的双子群粒子群优化算法.该算法扩展了种群的搜索范围,充分利用搜索域内的有用信息,在感知到环境变化时能迅速、准确地跟踪动态变化的极值.使用DF1(Dynamic Function 1)生成的复杂动态环境对该算法进行了验证,并与Eberhart提出的动态环境下的粒子群优化算法进行了比较分析.仿真结果表明了该算法的有效性.     

融合PSO与ACS的网格资源分配研究

资源分配和任务调度是网格计算的一个关键问题之一。提出一种融合离散粒子群优化算法和蚁群算法的新型算法来解决网格资源分配问题。该算法通过在粒子群算法中引入蚂蚁算法,可有效克服粒子群算法后期的局部搜索能力差和蚁群算法前期盲目搜索的缺陷。理论分析及模拟实验表明该算法具有良好的性能。     

动态环境下粒子分群与种群多样性的关系研究

如何构建策略解决动态优化问题一直是智能计算研究的重点.采用种群熵来刻画粒子群算法中群体的多样性,在由DF1(Dynamic Function 1)生成的动态环境下分析了4种不同粒子群方法中群体的多样性以及对动态目标点的跟踪效果.实验结果表明,动态环境下,群体多样性保持能够影响算法的跟踪效果.可以通过调整分群比例来改变群体的多样性,进而在不同的动态环境下采取不同比例的分群策略以达到较好的跟踪效果.     

多种群并行协作的粒子群算法

针对高维复杂优化问题在求解时容易产生维数灾难导致算法极易陷入局部最优的问题,提出一种能够综合考虑高维复杂优化问题的特性,动态调整进化策略的多种群并行协作的粒子群算法。该算法在分析高维复杂问题求解过程中的粒子特点的基础上,建立融合环形拓扑、全连接形拓扑和冯诺依曼拓扑结构的粒子群算法的多种群并行协作的网络模型。该模型结合3种拓扑结构的粒子群算法在解决高维复杂优化问题时的优点,设计一种基于多群落粒子广播-反馈的动态进化策略及其进化算法,实现高维复杂优化环境中拓扑的动态适应,使算法在求解高维单峰函数和多峰函数时均具有较强的搜索能力。仿真结果表明,该算法在求解高维复杂优化问题的寻优精度和收敛速度方面均有良好的性能。     

微粒群并行聚类在客户细分中的应用

提出了基于自适应微粒群优化的并行聚类算法 ,采用了任务分布方案和部分异步并行通信 ,降低了计算时间。这种并行自适应微粒群算法结合了并行微粒群算法的快速寻优能力和自适应参数动态优化特性 ,保持了群体多样性从而避免了种群退化。最后将该算法应用于电信客户细分中。实验证明 ,该算法在并行机群上具有了较好的准确性、加速性和可扩展性。     

基于多种群粒子群算法和布谷鸟搜索的联合寻优算法

为了提高动态多种群粒子群(DMS-PSO) 算法的全局搜索能力, 将布谷鸟搜索算法(CS) 引入DMS-PSO 算法中, 提出DMS-PSO-CS 算法. 采用中位数聚类算法将整个种群动态划分为若干小种群, 各个小种群作为底层种群通过PSO 算法进行寻优, 再将每个小种群中的最优粒子作为高层种群的粒子通过CS 算法进行深度优化. 将所提出算法应用于CEC 2014 测试函数, 并与CS 算法和其他改进的PSO 算法进行比较. 实验结果表明, 所提出算法能够显著提高全局搜索能力和算法效率.

     

一种改进的PSO网格调度算法

提出了一种基于独立任务的改进PSO网格调度算法(MCPSO)。该算法结合粒子群优化算法和混沌机制,在保证寻优速度的同时又能兼顾"跳出"局部最优的能力。实验结果表明,与基本粒子群优化算法相比,该算法具有更好的收敛速度和求解质量。     

基于微粒群算法和网格模型的参数优化方法

针对在半导体制造工艺参数优化过程中缺乏直观参考的问题,在微粒群优化算法(PSO)和等值线理论分析的基础上,将PSO与等值线矩形网格模型相结合,提出一种全新的工艺参数窗口选择方法,在二维标准多峰函数上验证了所提出方法的有效性,同时对所提出的方法进行了实际生产验证,对于双输入参数问题,该方法可以直接输出所有满足工艺要求的二维区域,从而为参数优化和范围选取提供直观参考,仿真测试结果和生产验证数据均表明了所提出的算法是一种有效的参数优化方法。     

网格工作流引擎的设计与实现

针对传统工作流调度策略只强调任务的执行顺序、忽略任务本身相互间的逻辑关系等不足,基于GT4网格环境,以网格服务及其间的协作关系为出发点,设计并实现了用DAG(directed acyclic graph)模型描述网格工作流,并通过网格服务流语言(gridserviceflowlanguage,GSFL)形式化解析工作流的网格工作流引擎系统架构。在该架构中,设计并实现了基于Dijkstra的工作流调度算法,通过实例对该网格工作流引擎和调度算法进行了实验,实现了预期效果。     

基于微粒群算法的网格工作流优化调度问题的研究

网格工作流中的调度问题是一个复杂且具有挑战性的问题,它影响着网格工作流执行成功与否及效率的高低.针对具有时序和因果约束关系的网格工作流优化调度问题进行了研究,建立了网格工作流的任务调度模型和调度问题的目标模型,并应用微粒群算法来优化网格工作流中任务的调度.实验结果证明该算法优于传统的调度算法.     

基于种群规模动态减小的混合微粒群优化算法研究

针对基本微粒群优化(PSO,particle swarm optimization)算法存在早熟、易陷入局部极值等缺点,提出了一种改进的PSO优化算法。该算法分为全局搜索和局部搜索两个阶段。在全局搜索阶段采用基本PSO算法快速收缩搜索范围;在局部搜索阶段将PSO算法与模拟退火(SA,simulated annealing)算法结合,通过产生部分变异微粒确保算法能够跳出局部极值。同时为提高搜索效率,动态地减少种群规模。仿真结果表明,该算法具有较好的优化性能以及较高的执行效率。     

PSO and APSO for optimizing coverage in indoor UWB communication system

This article presents a method for determining the required number and locations of transmitting antennas (TXs) to optimize wireless propagation coverage in an indoor ultra wideband (UWB) communication system. In the coverage prediction model, we use the three‐dimensional ray‐tracing technique associated with a particle swarm optimization (PSO), and asynchronous particle swarm optimization (APSO) for optimizing the TXs location in an indoor environment. The three‐dimensional ray tracing and optimization algorithm was applied in indoor environment to find the best location of the TXs by maximizing the power in the coverage area. A deployment is proposed to minimize the TXs and maximize the power in the coverage area. Simulation results illustrate the feasibility of using the integrated ray‐tracing, and optimization methods to find the optimal transmitter locations in determining the optimized coverage of a wireless network. The APSO has better optimization results compared to the PSO and numerical results also show that the APSO outperforms the PSO in convergence speed. © 2012 Wiley Periodicals, Inc. Int J RF and Microwave CAE, 2013.     

Orthogonal PSO algorithm for economic dispatch of thermal generating units under various power constraints in smart power grid

Particle swarm optimization (PSO) algorithm has been successfully applied to solve various optimization problems in science and engineering. One such popular one is called global PSO (GPSO) algorithm. One of major drawback of GPSO algorithm is the phenomenon of “zigzagging”, that leads to premature convergence by falling into local minima. In addition, the performance of GPSO algorithm deteriorates for high-dimensional problems, especially in presence of nonlinear constraints. In this paper we propose a novel algorithm called, orthogonal PSO (OPSO) that alleviates the shortcomings of the GPSO algorithm. In OPSO algorithm, the m particles of the swarm are divided into two groups: active group and passive group. The d particles of the active group undergo an orthogonal diagonalization process and are updated in such way that their position vectors become orthogonally diagonalized. In the OPSO algorithm, the particles are updated using only one guide, thus avoiding the conflict between the two guides that occurs in the GPSO algorithm. We applied the OPSO algorithm for solving economic dispatch (ED) problem by taking three power systems under several power constraints imposed by thermal generating units (TGUs) and smart power grid (SPG), for example, ramp rate limits, and prohibited operating zones. In addition, the OPSO algorithm is also applied for ten selected shifted and rotated CEC 2015 benchmark functions. With extensive simulation studies, we have shown superior performance of OPSO algorithm over GPSO algorithm and several existing evolutional computation techniques in terms of several performance measures, e.g., minimum cost, convergence rate, consistency, and stability. In addition, using unpaired t-Test, we have shown the statistical significance of the OPSO algorithm against several contending algorithms including top-ranked CEC 2015 algorithms.     

改进的PSO在TSP中的应用

粒子群优化算法（PSO）是Eberhart和Kennedy提出的,该算法具有思想简单、易编程实现等特点,引起了国内外相关领域众多学者的关注。本文以旅行商问题为例,提出一种离散粒子群优化算法,对粒子的位置、速度等量及运算规则进行定义,并在迭代过程中对速度引入收缩因子。实验结果表明,该算法具有很好的性能。