非达尔文效应多目标免疫算法

为了强化非基因信息的传承与利用, 提出一种非达尔文效应多目标免疫算法(non-Darwin effect multiobjective immune algorithm, NDIA). 首先, 利用区间记忆变异矩阵来保存进化中成功变异的区间信息, 以引导后续的进化操作, 加强局部搜索能力. 其次, 算法使用Pareto排序来选择非劣解. 当非劣解的数量超出预设规模时,利用拥挤距离进行排序来选择相对稀疏的抗体保留. 最后, 算法对最后的非劣解集进行删减时设计了均匀度增强算子, 通过多次拥挤距离的排序反复删减最拥挤的抗体, 从而提高非劣解集在目标空间上的均匀性. 通过多目标测试函数的仿真试验, 与经典的多目标进化算法相比, 新算法得到的最终解集在覆盖性、收敛性和分布性均有明显的改善, 并能更好地逼近理论Pareto前沿.     

基于正交设计的多目标粒子群算法*

为了提升粒子群算法求解多目标问题的能力,通过分析初始种群的方法对算法的影响,提出一种基于正交设计的多目标粒子群算法(ODMOPSO)。在算法运行过程中,通过正交设计来产生初始种群,使得种群均匀分布在可行区域,进而使得算法能够在整个可行解空间上进行均匀搜索;同时,引入广义学习策略提升粒子向Pareto前沿飞行的概率。在基准函数的测试中,结果显示ODMOPSO算法获得了质量更高的解。     

一种改进的多目标粒子群优化算法

提出一种改进的多目标粒子群优化算法,该算法采用精英归档策略,由档案库中的非劣解提供粒子速度更新时的全局最优位置,根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的线密度度量非劣解前端的均匀性,通过删除小密度的非劣解提高非劣解前端的均匀性。针对多目标进化算法理论型指标的不足,设计了应用型评价指标。标准函数的仿真实验结果表明,所提算法能够获得大量的非劣解,快速地收敛于Pareto最优解前端,且分布比较均匀。     

一种改进的基于pareto解的多目标粒子群算法

研究一种改进的多目标粒子群优化算法,算法采用精英归档策略,利用粒子的个体最优定位,通过Pareto支配关系更新全体粒子最优位置,由档案库中动态提供。根据Pareto支配关系来更新粒子的个体最优位置。使用非劣解目标的密度距离度量非劣解前端的均匀性,通过删除密度距离小的非劣解提高非劣解前端的均匀性。从归档中根据粒子的密度距离大小依照概率选取作为粒子的全局最优位置,以保持解的多样性。标准函数的仿真实验结果表明,所提算法能够获得大量且较均匀的非劣解,快速地收敛于Pareto最优解前端。     

基于密集度的搅动多目标演化算法

多目标演化算法的研究目标是使算法种群快速收敛并均匀分布于问题的非劣最优域.定义和使用密集度来保持群体中个体的均匀分布,将个体的Pareto强度值和密集度合并到个体的适应值定义中.提出搅动策略,以提高算法对解空间的遍历性,从而较大程度上避免算法的早熟,对每次搅动得到的部分非劣解个体进行邻域搜索以加快非劣解前沿的进化.最后,测试函数的实验结果表明了算法的可行性和有效性.     

高效求解Pareto最优前沿的多目标进化算法

设计了一种新的求解均匀分布的Pareto最优解集的多目标进化算法(MOEA),其主要的特点是使用了一种新的个体适应值的计算方式,方法是通过群体中某一个体与群体的最优非劣解集的最小距离来刻画个体的适应值的.算法还结合了遗传算法中的精英策略以及NSGA-Ⅱ中的拥挤距离[12],提高了非劣解向Pareto最优前沿收敛的速度,并且保证了Pareto 最优解集的多样性.仿真结果表明,算法不仅能够获得分布良好的Pareto最优前沿,而且能够极大地简化计算,减少了算法的运行时间,其计算复杂度为o(mn2)(m表示的是目标函数的个数,n是种群的规模).     

基于ε占优的正交多目标差分演化算法研究

演化多目标优化是目前演化计算中热门研究方向之一.但是,要设计一种高效、鲁棒的演化多目标优化算法,使其找到接近最优和完整的非劣解集是一项很困难的任务.为了能有效求解多目标优化问题,提出了一种新的多目标差分演化算法.新算法具有如下特征:1)利用正交实验设计和连续空间量化的方法产生初始群体,使得初始群体中的个体可以均匀分布于搜索空间,并且可以使好的个体在演化过程中得到利用;2)采用Archive群体保存非劣解,并利用ε占优方法更新Archive群体,从而可以使算法较快获得分布很好的Pareto解集;3)为了加快算法收敛,提出一种基于随机选择和精英选择的混合选择机制.通过8个标准测试函数对新算法进行测试,并与其他一些多目标演化算法进行比较,其结果表明新算法可以有效逼近真实Pareto前沿且分布均匀,并且在收敛性和多样性的求解精度和稳     

基于档案交叉的动态多目标粒子群优化算法

为保证在动态环境中及时跟踪到最新的真实Pareto前沿,保持解集的均匀性,提出一种基于档案交叉的动态多目标粒子群优化算法。着重利用保存在外部档案的最新非劣解,对这些非劣解进行交叉操作以增加种群的多样性,促进档案中个体信息的交流;提出一种高效的欧氏拥挤距离策略,并将其应用于对外部档案的维护;修改粒子群算法模型使之更适用于动态多目标优化。实验结果表明,该算法能适应动态环境,快速跟踪动态Pareto面,解集均匀性良好。     

基于空间网格划分的多目标进化算法

为了有效求解多目标优化问题,找到分布宽广、均匀的Pareto解集,提出了一个基于空间网格划分的进化算法。将目标空间网格化,利用网格的位置,删除大量被支配个体。在杂交算子中利用了单个目标最优的个体信息,以增加非劣解的宽广性。利用一种新设计的基于最大距离排序的方法删除非劣解集中多余个体。数值实验表明提出的算法是可行有效的。     

基于交叉和变异的多目标粒子群算法

为了保证粒子群算法求得的非劣解尽可能接近真实的Pareto前沿并保持多样性分布. 提出一种基于交叉和变异的多目标粒子群算法(CMMOPSO). 在CMMOPSO算法中, 首先, 识别Pareto前沿的稀疏部分包含的粒子, 并对这些粒子进行交叉操作以增加多样性分布; 其次, 对于远离Pareto前沿的粒子进行变异操作, 以提升粒子向真实的Pareto前沿飞行的概率. 在基准函数的测试中, 结果显示CMMOPSO算法比其它算法有更好的运行效果. 因此, CMMOPSO算法可以作为求解多目标问题的一种有效算法.     

Multi-criteria human resource allocation for solving multistage combinatorial optimization problems using multiobjective hybrid genetic algorithm

Multi-criteria human resource allocation involves deciding how to divide human resource of limited availability among multiple demands in a way that optimizes current objectives. In this paper, we focus on multi-criteria human resource allocation for solving multistage combinatorial optimization problem. Hence we tackle this problem via a multistage decision-making model. A multistage decision-making model is similar to a complex problem solving, in which a suitable sequence of decisions is to be found. The task can be interpreted as a series of interactions between a decision maker and an outside world, at each stage of which some decisions are available and their immediate effect can be easily computed. Eventually, goals would be reached due to the found of optimized variables. In order to obtain a set of Pareto solutions efficiently, we propose a multiobjective hybrid genetic algorithm (mohGA) approach based on the multistage decision-making model for solving combinatorial optimization problems. According to the proposed method, we apply the mohGA to seek feasible solutions for all stages. The effectiveness of the proposed algorithm was validated by its application to an illustrative example dealing with multiobjective resource allocation problem.     

An efficient two phase approach for solving reliability–redundancy allocation problem using artificial bee colony technique

The main goal of the present paper is to present a two phase approach for solving the reliability–redundancy allocation problems (RRAP) with nonlinear resource constraints. In the first phase of the proposed approach, an algorithm based on artificial bee colony (ABC) is developed to solve the allocation problem while in the second phase an improvement of the solution as obtained by this algorithm is made. Four benchmark problems in the reliability–redundancy allocation and two reliability optimization problems have been taken to demonstrate the approach and it is shown by comparison that the solutions by the new proposed approach are better than the solutions available in the literature.     

Xen虚拟机资源调度优化算法

针对Xen虚拟化平台中虚拟机资源分配不合理的问题,提出了两种资源调度优化算法,即细粒度优化算法和粗粒度优化算法.细粒度优化算法主要解决单个物理节点上虚拟机资源分配不合理问题,能够根据物理节点上运行的各虚拟机的资源利用情况来调整资源分配量,适当增加利用率较高的虚拟机的资源,减少资源利用率低的虚拟机的资源,从而优化资源分配,提高资源利用效率,避免不必要的虚拟机迁移.粗粒度优化算法是针对集群中多个物理节点之间虚拟机负载不均衡问题而提出的.该算法结合粒子群优化技术,选择将集群系统中热点物理机上的部分虚拟机迁移到最适合的冷点物理机上,从而避免高载物理机宕机.实验结果表明,这两种资源调度优化算法能够有效解决虚拟机资源分配不合理的问题,具有较好的适用性和应用前景.     

一种适用于多任务多资源移动边缘计算环境下的改进粒子群算力卸载算法

为了研究移动设备在多资源复杂环境下的能量消耗问题,提出一种针对移动边缘设备计算卸载的改进粒子群算法。首先基于多环境的移动设备能耗提出一种移动设备能量消耗的计算模型;其次针对计算资源分配问题设计一种可以用于衡量分配方案优劣的适应度算法;最后提出一种改进的粒子群算法,用于求解进一步降低移动边缘设备能耗分配方案的最优解。通过使用模拟仿真软件对多种卸载策略下移动设备能耗、系统响应时间等关键指标对比表明,本文算法在满足用户响应时间的前提下,在求解降低移动设备能耗调度分配方案最优解的过程中具有更优的表现。     

混合蚁群优化算法求解卫星数传调度问题

为了求解卫星数传调度问题,提出了混合蚁群优化算法。算法设计了基于任务数传操作的解构造图,提出了基于解构造图的任务调度序列和资源分配序列概率决策模型,采用基于随机加权的混合策略综合利用问题的启发式信息。算法通过基于混沌变异的列信息素向量更新策略增强解构造的多样性,通过具有补偿机制的全局信息素更新策略来保证算法的收敛性。利用STK工具设计了五个调度场景,并利用计算机生成各场景的数传任务。仿真实验结果表明,该算法是可行、有效的,收敛性和解多样性较好。     

网格资源分配算法的研究

资源分配是网格计算研究领域中的一个要点问题,目前已研究的若干计算智能方法大多是单一的用于解决网格资源分配问题,对于在混合的前提下提高资源分配性能方面还缺乏深入的研究。为此,针对网格资源分配问题提出了一个启发式混合搜索算法,通过带有启发式的遗传算法在资源中进行搜索,在生成的解中再利用蚁群算法做进一步的探索。仿真实验结果表明,该算法在满足用户需求的前提下,有效地提高了网格资源利用率。     

基于网络图的资源分配问题的算法研究及实现

图论是应用十分广泛的运筹学分支,用网络图来解决资源分配的问题不仅可以简化求解过程而且丰富了求解方法。在深入分析Dijkstra算法的基础上,实现了基于网络图的资源分配问题的求解和图形表示。     

基于网络图的资源分配问题的算法研究及实现

图论是应用十分广泛的运筹学分支，用网络图来解决资源分配的问题不仅可以简化求解过程而且丰富了求解方法。在深入分析Dikstra算法的基础上，实现了基于网络图的资源分配问题的求解和图形表示，     

求解多目标社区发现问题的离散化随机漂移粒子群优化算法

针对求解复杂网络的多目标社区发现问题,提出了一种离散化随机漂移粒子群优化（DRDPSO）算法。首先,通过对社区进行随机化编码操作和针对随机漂移算法的离散化操作,来改善局部网络结构并逐渐增强全局模块度值;其次,根据核K均值（KKM）和比例割（RC）两个目标函数来控制网络中的社区规模、缓解模块度分辨率限制;最后,根据多目标求解策略逐步更新Pareto非劣解集,从Pareto非劣解集选取满足需求的目标社区结构。为了验证所提算法的有效性,将DRDPSO算法与其他社区发现算法在三种具有10个不同参数设置的生成网络及三种真实网络上进行对比实验,并采用两个最佳社区评价指标对各算法获得的社区发现结果进行对比分析。实验结果表明,使用DRDPSO算法求解复杂网络的多目标社区发现问题时,获得的社区发现评价指标（归一化互信息和模块度）最高的概率达到95%以上。可见DRDPSO算法在真实网络进行应用能进一步地提高网络社区划分的精确度和鲁棒性。     

基于CRQP的多小区OFDMA系统联合资源分配算法

针对OFDMA多小区系统中相邻小区同频干扰下的吞吐量最大化问题,在系统功率的约束条件下,基于协同量子粒子群算法提出一种子载波和功率联合分配的协同随机量子粒子群算法（CRQP）。分别利用粒子群算法独立优化子载波的功率分配,并利用改进的量子遗传算法独立优化用户的子载波分配。在独立优化的同时,通过随机协同策略避免陷入局部最优解,达到全局最优。仿真结果表明,与传统的分步求解算法相比,CRQP算法能获得更多的系统吞吐量和更高的资源利用率。