一种基于排挤机制的改进遗传算法

为解决遗传算法求解具有多个极值点的函数时容易出现的早熟的弱点,根据排挤机制,提出了一种改进的遗传算法。该算法采用分组选择的方式,首先按适应度大小进行分组,然后根据个体间相似度来淘汰种群中相似个体,以此维持种群的多样性,避免算法未成熟收敛。用典型函数对算法进行测试,结果表明该算法性能优于基本遗传算法。     

基于遗传模拟退火算法的QoS组播路由问题求解

提出了一种基于遗传模拟退火算法的带宽时延约束费用最小组播路由选择方法,该方法针对遗传算法的局限性,采用基于备选路径集的整数序列编码机制,对适应度函数进行了调整,改进了交叉和变异操作,并结合了模拟退火算法.实验表明,该算法能够有效地提高收敛速度,避免早熟收敛,能够满足多媒体网络对相应QoS的需求.     

改进自适应遗传算法在函数优化中的应用研究

为了改善传统自适应遗传算法的收敛速度以及局部收敛问题,根据种群适应度的集中程度,以种群的最大适应度、最小适应度以及适应度平均值这3个变量为基础,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度的改进自适应遗传算法.将该算法应用于函数优化中,仿真结果验证了其具有"快速收敛"的特点,且在很大程度上可避免遗传算法的早熟现象.     

基于种群成熟度的修正遗传算法

提出了一种基于种群成熟度的修正型遗传算法.在该算法中,提出一种新的对个体选择进行交叉的方法.同时分析了遗传算法出现早熟情况的机理.为了避免遗传算法的过早收敛问题,在遗传算法的进化过程中计算和判断种群的成熟度,为种群提供了双进化模式.实验结果表明,新算法不仅提高了算法的精度,而且能克服GA算法中出现的"早熟"现象,是一种提高遗传算法性能的有效改进算法.     

基于数量化一类分析的IGA算法及应用

针对交互式遗传算法（IGA）中用户易疲劳的问题,引入数量化一类分析方法,从提高收敛速度和模拟人工评价两方面入手,改善IGA性能.采用均匀设计法确定遗传算法的初始种群,使得各基因单元类型在初始种群中均匀分布,从而提高遗传算法全局最优解的收敛性能;利用数量化一类分析,求取各基因单元类型对适应度评价的贡献权值,指导GA选择、交叉、变异等操作,以加速算法收敛;在GA操作后期,利用各基因单元类型对适应度评价的权值,模拟个体适应度的自动评价,降低用户疲劳度和提高效率.将该方法应用于动漫玩具形态造型中.结果表明,采用该方法可以有效地提高收敛速度和降低用户疲劳度.     

基于竞争协同进化的改进遗传算法

针对标准遗传算法中的早熟收敛现象,提出一种基于竞争协同进化的改进遗传算法.该算法根据个体与对手竞争的表现来衡量个体的生存能力,生存能力由个体所击败对手的数量和优秀程度决定,个体在击败更多更优对手的努力中逐步进化.函数优化实验结果表明,该算法收敛速度快,且能有效保留种群多样性,与标准遗传算法及其他多种群遗传算法相比,能有效减轻早熟收敛现象.     

自适应混沌遗传退火的片上网络映射

针对带宽和时延约束的低能耗片上网络（NoC）映射问题,提出了一种自适应的混沌遗传退火映射算法. 该算法利用Boltzmann更新机制选择遗传个体,引入自适应混沌方法优化适应度较差个体,采用多邻域的退火策略优化较优个体. 实验结果表明,所提算法有效地避免了早熟收敛,提高了算法收敛速度,与标准遗传算法和混沌遗传算法相比,平均节能分别为45%和226%,有效地降低了NoC系统通信能耗.     

基于K-近邻域搜索的遗传算法求解旅行商问题

针对传统遗传算法在求解旅行商问题时存在容易陷入局部最优和运算时间较长的问题,着重考虑影响算法局部搜索能力和种群多样性保持两个方面的因素,提出改进策略.将交叉变异产生的新个体与父代种群合并后剔除重复个体,再选择优势个体作为新种群,防止种群中适应度值较低但具有优质基因的个体被剔除,促进种群多样性的发展;通过分析旅行商问题的内在特性,采用K-近邻域搜索的方式减少变异算子的无效操作,提高算法局部搜索能力及算法寻优效率.实验结果表明：与BLS算法相比,改进遗传算法的平均解误差降低了15.36%;相较于传统遗传算法,应用新型变异算子的改进遗传算法收敛速度明显提高.全精英选择法能较好地保持种群多样性,新型启发式变异算子在全局搜索的同时加强了局部搜索能力,对提高算法求解精度和寻优效率都有较好的效果.     

一类改进的遗传算法及其优化性能分析

分析了传统遗传算法易早熟收敛的主要原因,提出了一类改进的遗传算法.通过采用多种群进行并行搜索,改进原有的适应值函数.采用最优保存策略和赌轮选择相结合的选择思路,以及采用二元变异算子、个体重新分配等方法,提高了全局搜索性能和收敛速度.通过典型的测试函数进行了数字仿真,验证了算法的有效性.     

改进自适应遗传模拟退火算法的结构优化设计

为提高遗传算法的收敛性,避免发生早熟收敛,对遗传算法进行改进.引入一种基于个体适应度值的自适应遗传算法,并将遗传算法和模拟退火算法结合形成一种混合算法,从而提高算法的运行效率和计算精度.算例表明改进的自适应遗传模拟退火混合算法较基本遗传算法更加有效.     

基于粒子群优化算法的Hadoop调度算法研究

为提高Hadoop平台性能,提出一种基于粒子群优化算法的Hadoop调度算法。以粒子位置代表可行的资源调度方案,以任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找到最优的资源调度方案。实验结果表明,该算法能够很好的平衡资源负载,减少任务完成时间,有效的提高了Hadoop平台的性能。     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降.为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法.改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决.分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度.     

基于弹性碰撞优化算法的传感云资源调度

针对当前智能优化算法普遍存在收敛精度不高、容易“早熟”的缺陷,提出全新的智能优化算法-弹性碰撞优化（ECO）算法.算法基于弹性碰撞物理学现象,通过模拟碰撞过程中物理属性相互影响的变化过程,抽象出“与种群最优碰撞”、“与自身历史最优碰撞”和“随机碰撞”3种粒子更新机制.为了有效提升复杂高维优化问题的寻优能力,设计自适应核模糊C-均值聚类（AKFCM）算法,利用AKFCM对ECO种群进行聚类分析,通过迭代比对策略实现种群自动最佳聚类划分,确保粒子学习对象的合理性与多样性.种群样本多样性定量分析表明ECO在运算后期具有较好的种群多样性.将ECO应用于传感云资源调度问题,为了满足传感云系统管理多样性需求,构建多目标优化传感云资源调度模型,设计符合调度问题的ECO粒子编码方式,实现传感云资源高效率调度优化.多维复杂测试函数以及传感云资源调度实例仿真结果表明,ECO具有较高的收敛精度和成功率,有效降低了传感云资源调度的能耗和任务长度.     

基于自适应遗传算法的粗糙集属性约简方法

针对遗传算法在全局优化问题中出现的早熟收敛和后期收敛速度较慢的现象,提出了一种基于自适应遗传算法的粗糙集属性约简方法。该算法基于自适应交叉概率算子和变异算子,根据进化代数和群体的适应值,动态调整各个个体的交叉概率和变异概率,优化了各个个体被选择的概率。实验表明,该方法能够明显地改善全局寻优能力,并大大加快了收敛速度。     

负载均衡优先的改进优先级表调度算法

针对当前云计算环境下DAG任务调度时存在的负载失衡、任务调度效率不高的问题,提出了一种负载均衡优先的改进优先级表调度算法(LS-IPLB).算法将云计算集群中虚拟机的状态参数变化抽象成空间中的参数向量变化,给出实时衡量云计算集群的负载均衡性方法,并作为虚拟机选择权值的重要参数.同时以任务执行代价、任务的出度和任务间的通信代价作为参数计算任务优先级,并在任务调度时采用任务复制策略进一步优化调度过程.结果表明,LS-IPLB算法能有效缩短DAG任务图的完成时间,并实现了良好的负载均衡性.     

改进遗传算法求解基于MPN混流制造车间调度问题

大规模混流制造系统存在规模大、资源约束多的特点,?造成在作业调度时产生维数灾难,?从而产生搜索求解难的问题.本文针对此类问题,?在基于(Manufacturing?Petri?Net,?MPN)模型的基础上,?提出一种改进遗传算法进行求解.首先,?重新定义了染色体的结构,?并采用染色体安排段压缩求解的搜索空间.其次,?...     

基于改进NSGA-Ⅱ的云服务PDTs调度算法

基于多目标优化的云计算PDTs调度是一个NP问题,考虑云计算用户的服务质量(Qo S)要求,将处理PDTs的成本和时间要求作为目标,提出一种基于改进NSGA-Ⅱ的云服务PDTs调度算法.采用相似任务序列交叉(STOX)操作加快进化,而采用位移变异避免算法过早收敛,此外,还利用一个拥挤距离自适应算子(SCD)来改善Pareto最优前沿的个体多样性.仿真结果表明该算法在云PDTs调度中保持Pareto最优解的多样性和分布性方面优于NSGA-Ⅱ算法.     

化验室资源调度优化的改进型克隆选择算法

为了提升化验室处理化验单能力,实现资源调度优化,建立了化验室调度模型,引入了克隆选择算子、自适应变异算子以及多种群协同进化思想,提出了改进型克隆选择算法,并运用该算法对化验室处理化验单进行了调度优化。将改进型克隆选择算法与多种类型算法进行对比,结果显示,改进型克隆选择算法能有效改善早熟收敛问题,提高搜索效率,获得最优分配方案,适用于化验室化验单调度问题,满足实际要求。     

基于改进遗传算法的配电网故障定位方法

针对传统遗传算法在分布式电源的不同投切情况下需要改变适应度函数和开关函数,导致故障定位稳定性和精度降低的问题,提出了一种基于改进遗传算法的含分布式电源配电网故障定位方法.该算法使用改进变异和交叉算子在提高收敛速度的同时能避免陷入局部最优解;使用改进的适应度函数和开关函数,以更好地适应分布式电源的不同投切情况;引入分级处理思想以加快大规模电网故障定位的计算速度.仿真实验结果表明,该算法能有效地定位含分布式电源配电网的多重故障问题,相比于传统的遗传算法具有更优的稳定性与定位精度.     

基于云模型的网格任务调度遗传算法研究

针对网格环境动态多变性的特点,为了克服传统遗传算法易陷入局部最优的缺陷,提出了一种基于云模型的网格任务调度遗传算法。该算法由正态云模型的Y条件云发生器实现交叉操作,由基本云发生器实现变异操作,对调度模型进行优化求解,并在任务调度中对初始种群的产生、选择、变异和交叉操作进行了改进,通过实验分析,表明了该算法的可靠性、有效性和实用性。