用改进的模拟退火算法实现对单伺服机分层水平旋转货架存取路…

针对一类组合优化问题，提出并设计了改进的模拟退火算法，首次将其应用于解决自动化仓库中分层水平旋转货架存取货物路径的优化问题。计算机仿真结果表明：改进的模拟退火算法可以在较短时间内计算出十分接近全局最优解的次优解，在解决复杂性高、规模大、变量离散、目标函数不可微的优化问题中，改进的模拟退火算法具有巨大的优越性。     

基于改进遗传模拟退火算法的WSN路径优化

针对无线传感器网络路径优化问题,提出了一种改进的最优保存的遗传模拟退火算法。利用LEACH算法构建初始路由表,使用GASA的高效率搜索,将路由计算和遗传演化计算同时进行,并直至寻找到近似最优路径为止。将最优保存遗传算法和模拟退火算法相结合,引入自适应的概率变化,有效地解决了这两种算法的早熟现象和时间问题。仿真实验表明,该算法有效地解决了无线传感器路径优化问题,具有定位准确、节能和搜索能力较强等优点。     

一类非线性规划的模拟退火求解

本文针对一类非线性规划问题，提出并设计了模拟退火求解算法，分析证明了算法能够渐近敛于全局最优解且具有多项式计算复杂性，为研究非线性规划提供了新的有效的求解途径。实例计算也表明，模拟退火求解非线性规划确实是有效的。     

有限计算量下模拟退火算法的参数序优化

针对模拟退火算法作为一类全局随机搜索算法，其理论收敛条件难以严格实现，有限计算量下的算法性能在实际应用时对参数有严重的依赖性，并且确定合适参数的经验或试验方法缺少系统性等问题，提出将有限计算量下模拟退火的最优参数确定问题视为随机优化问题，并基于序优化和最优计算量分配技术研究出一种确定最优参数组合的系统性方法．典型调度问题的仿真结果验证了该方法的可行性和有效性．     

流不平衡条件下飞机恢复的优化模型与算法研究

为更有效地解决航空公司飞机恢复问题,在经典的资源指派优化模型中放宽飞机流平衡约束,加入合并航班的恢复策略;在贪婪随机自适应算法(GRASP)和模拟退火算法的基础上,提出一种新的启发式算法贪婪随机模拟退火算法,降低了陷入局部最优解的概率,同时通过限定路径对的种类和候选解的数量,提高了算法的时间效率.实例计算结果表明,本文提出的模型和算法能有效处理流不平衡条件下大规模飞机恢复问题,在有效的时间内求得最优解或近似最优解.     

模拟退火算法收敛性的研究

模拟退火算法是一个全局最优的有效算法。本文在传统的模拟退火算法的基础上,引入Marquardt-Leven-berg方法,来加快该算法的计算速度,增强其算法的收敛性。     

改进型模拟退火算法在设备布局设计中的应用

由于设备布局问题是NP完全问题，它在有限合理的时间内难以求得最优解，因此问题的求解只能依赖于各种启发式方法。文章针对传统的模拟退火算法经常出现迂回搜索，导致搜索效率低，解的质量差这一现象，通过在传统模拟退火算法搜索过程中增加记忆功能，来避免迂回搜索，将改进的模拟退火算法应用于设备布局的研究中，通过实例证明改进的模拟退火算法解的质量有了很大提高。     

基于模拟退火离散粒子群算法的测试点优化

针对复杂系统的测试点优化问题,提出一种基于模拟退火离散粒子群（SA-BPSO）算法的测试点优化算法。该算法利用模拟退火算法的概率突跳能力,克服了基本粒子群算法易陷入局部最优解的缺陷。阐述了该算法在系统测试点优化应用中的流程及关键步骤,并且理论分析了该算法的复杂度。仿真结果表明,该算法在计算时间和测试费用方面都优于遗传算法,能够应用于复杂系统的测试点优化。     

一种改进的模拟退火算法

讨论了传统模拟退火算法的原理、求解过程,详细地分析了它存在的局限,简单叙述了模拟退火算法中关键参数对该算法性能的影响,并给出了该算法的可行的改进方案.提出了一个改进的模拟退火算法.在该改进算法中,为避免遗失当前最优解,增加了记忆功能,将当前最好的状态记忆下来,从而使得模拟退火算法成为一种智能化算法;设计了一个自适应温度更新函数,并设置双阈值使得在尽量保持最优性的前提下减少计算量.最后用改进前后的两个算法来解决一个非线性寻找组合最优问题,实验证明改进后的模拟退火算法是高效的.     

一种融合改进模拟退火技术的新型遗传算法

通过对传统遗传算法和模拟退火算法各自优缺点的分析,提出了一种新型遗传算法。算法以最优保留策略的遗传算法作为主体流程,在主体流程过程中融入改进的模拟退火技术,即设置双阈值和保留中间最优解来减少计算量,加快算法的收敛速度,从而为求得全局最优解提供了保障。通过对F6函数仿真试验,新型遗传算法的收敛速度和跳出局部最优的能力有很大提高。     

Task assignment for minimizing application completion time using honeybee mating optimization

Effective task assignment is essential for achieving high performance in heterogeneous distributed computing systems. This paper proposes a new technique for minimizing the parallel application time cost of task assignment based on the honeybee mating optimization (HBMO) algorithm. The HBMO approach combines the power of simulated annealing, genetic algorithms, and an effective local search heuristic to find the best possible solution to the problem within an acceptable amount of computation time. The performance of the proposed HBMO algorithm is shown by comparing it with three existing task assignment techniques on a large number of randomly generated problem instances. Experimental results indicate that the proposed HBMO algorithm outperforms the competing algorithms.     

Dynamic task allocation models for large distributed computingsystems

Dynamic task allocation for distributed computing systems (DCS) is an important goal to be achieved for engineering applications. The purpose of dynamic task allocation is to increase the system throughput in a dynamic environment, which can be done by balancing the utilization of computing resources and minimizing communication between processors during run time. In this paper, we propose two dynamic task allocation models which are: 1) the clustering simulated annealing model (CSAM); and 2) the mean field annealing model (MFAM). Both of these models combine characteristics of statistical and deterministic approaches. These models provide the rapid convergence characteristic of the deterministic approaches while preserving the solution quality afforded by simulated annealing. Simulation results of the CSAM and MFAM provide a stable and balanced system with 50% and 10% of the convergence time needed by simulated annealing, respectively. The results of this research are important in that it presents the feasibility of applying statistically based task allocation models on large DCSs in a dynamic environment. Solutions of these models depend on the annealing process instead of the structures of the input data, providing the possibility of obtaining better solutions by using more efficient computing hardware     

基于混合优化算法的云计算资源调度

由于云计算的动态性、异构性和不可预测性等特点,使得资源调度策略面临很大的挑战。目前解决资源调度的方法主要是一些启发式算法,如模拟退火算法、人工神经网络算法、粒子群算法、蚁群算法和遗传算法等,由于优缺点分明,不能单独实现云计算任务的最优分配。因此,提出了使用混合优化算法解决云计算资源分配问题。在算法前期,借助粒子群全局广泛搜索能力,快速寻找到较优解;在算法后期,借助蚁群算法的正反馈性和高效性,寻找最优解。实验表明该算法有较短的任务执行时间和实现各个物理主机间的负载均衡。     

基于云环境的高效任务调度算法

高效的任务调度是云服务提供商高效处理业务并降低运营成本的关键。针对云环境下的任务调度问题,提出一种贪心模拟退火的新型算法。首先,利用贪心算法求出局部最优解,并用它来初始化所提新型算法的当前最优解及模拟退火算法的初始解;然后,采用模拟退火算法来不断更新当前最优解。实验结果表明,与传统调度算法相比,所提算法能够更快地达到全局收敛,并得到更加稳定的寻优结果,提高了寻优的质量和效率;同时,该算法不仅减少了总任务时间开销,而且使虚拟机的平均资源利用率稳定在99%以上,负载也更加均衡。     

基于改进蚁群算法的遥感信息处理负载均衡任务调度算法研究

遥感信息服务链动态构建技术是根据用户提出的航天信息需求,以及用户0终端行为感知后形成的主动推送需求,将遥感信息获取与处理作为一种服务对待,利用服务组合与优化,动态构建服务链,实现网络环境下的信息资源按需聚合与高效协同,以满足对"端"的遥感信息支援应用需求;文章首先研究了蚁群算法和模拟退火算法在遥感信息处理计算节点任务上的调度原理,并分析了上述传统算法在得出最优解之前会出现的问题;基于蚁群算法并结合其他启发式算法的优点,提出了一种基于改进蚁群算法的负载均衡任务调度算法,完成了遥感信息多任务处理服务链的计算任务分配,提升了天基信息处理系统整体的计算效率;最后通过仿真实验验证了算法的有效性.     

车联网中改进粒子群算法的任务卸载策略

当前,多数车联网任务卸载工作仅考虑时延因素将任务卸载至边缘服务器执行(LOCAL-MEC),但是,车载单元仍有一定的计算能力可以利用.针对上述问题,研究了任务卸载的总代价即时延和能耗两个目标,提出一个将车辆自身的计算单元、附近车辆的计算单元与边缘服务器协同计算的任务卸载模型.该模型既考虑了任务的优先关系,又同时考虑了系统的时延和能耗.通过借鉴模拟退火算法思想并引入压缩因子改进粒子群算法来实现任务卸载.实验结果表明:与其他任务卸载策略相比,提出的任务卸载策略优化效果明显,TPSO算法的总代价为传统粒子群算法的53.8％、LOCAL-MEC策略的27.1％、DCOS(distributed computation offloading scheme)算法的78％,并且适用于多种现实场景.     

Task allocation for maximizing reliability of distributed computing systems using honeybee mating optimization

This paper deals with the problem of task allocation (i.e., to which processor should each task of an application be assigned) in heterogeneous distributed computing systems with the goal of maximizing the system reliability. The problem of finding an optimal task allocation is known to be NP-hard in the strong sense. We propose a new swarm intelligence technique based on the honeybee mating optimization (HBMO) algorithm for this problem. The HBMO based approach combines the power of simulated annealing, genetic algorithms with a fast problem specific local search heuristic to find the best possible solution within a reasonable computation time. We study the performance of the algorithm over a wide range of parameters such as the number of tasks, the number of processors, the ratio of average communication time to average computation time, and task interaction density of applications. The effectiveness and efficiency of our algorithm are demonstrated by comparing it with recently proposed task allocation algorithms for maximizing system reliability available in the literature.     

模糊作业时间的拆卸线平衡Pareto多目标优化

针对实际拆卸作业的复杂性,建立了考虑模糊作业时间的多目标拆卸线平衡问题的数学模型,提出了一种基于Pareto解集的多目标遗传模拟退火算法进行求解。改进了模拟退火操作的Metropolis准则,使其能够求解多目标优化问题。采用拥挤距离评价非劣解的优劣,保留了优秀个体,并通过精英选择策略,将非劣解作为遗传操作的个体,引导算法向最优方向收敛。基于25项拆卸任务算例,通过与现有的单目标人工蜂群算法进行对比,验证了所提算法的有效性和优越性。最后将该算法应用于某打印机拆卸线实例中,求得8种可选平衡方案,实现了求解结果的多样性。     

基于DNA计算的混合遗传算法研究*

提出一种混合遗传算法。该算法从微观策略和宏观遗传策略两方面考虑,在微观方面将DNA计算引入到交叉算子和变异算子中;在宏观方面提出一种以遗传算法流程为基础,引入改进的小生境模拟退火操作,构造合理的混合框架。典型算例的实验结果表明,该算法有效,收敛性好。     

基于启发式模拟退火的曲线多边形近似算法

针对平面曲线最优多边形近似问题,结合曲线的局部和全局特征,提出一种新的基于启发式模拟退火思想的多边形近似方法。将曲线多边形近似问题转换为最小化代价函数的问题,利用模拟退火算法对其求解最优解,并采用启发式方法将曲线的局部特征作为先验知识引入退火过程加速其收敛。通过与多种局部及全局算法的实验比较表明,该方法在数据压缩率和近似误差等方面具有更好的性能,且有效地压缩了运行时间。