粗粒度并行遗传算法的计算性能分析

探讨了粗粒度并行遗传算法的机理和运行的基本步骤,通过对经典测试函数Bohachevsky 3#函数进行不同参数组合的多次计算并比较计算结果,分析了粗粒度并行遗传算法的计算性能特点.计算结果表明:粗粒度并行遗传算法相对于经典遗传算法有较为理想的运行结果和较为理想的运行过程.     

云计算环境下Apriori算法的MapReduce并行化

借助分割数据技术优化了经典的Apriori算法,实现了对候选项集的分组统计。给出了优化Apriori算法的MapReduce编程实现模型,达到了Apriori算法并行化的目的。实验结果表明,该算法能够大量减少键／值对的产生,提高了算法的效率,并且随着挖掘频繁项目集节点数的增加,算法的加速比成线性提高。     

并行遗传算法研究综述

扼要概括和评价了并行遗传算法的四种并行模型:主从式模型、粗粒度模型、细粒度模型及混合模型,不仅给出了每种模型的特点及适用范围,而且也指出了每模型在应用中需解决的关键问题.通过模型比较发现粗粒度模型以其较小的通信开销和对种群多样化,获得了最广泛的应用.最后介绍了目前并行遗传算法的主要评价模型,并指出了并行遗传算法的今后主要研究方向,将向理论化、模型化、异步化及混合化等方向发展.     

基于MapReduce框架的BCH码并行译码研究

传统BCH码串行迭代译码算法计算量大、译码速度慢,无法满足大数据环境下快速译码的要求。本文提出一种基于MapReduce分布式框架的并行译码算法,通过译码的分布式和并行化减少译码时间,通过查找表译码减少译码时的计算量,从而获得较好的译码性能。     

基于项目属性相似和MapReduce并行化的Slope One算法

针对Slope One算法存在预测精度依赖于用户对待预测项目的评分数量的缺陷,提出了一种基于项目属性相似度和MapReduce并行化的Slope One算法。首先计算项目间的属性相似度,并将其与Slope One算法相融合以提高预测精度,然后在Hadoop平台上对改进算法基于MapReduce进行并行化实现。在MovieLens数据集上的实验结果表明,相对于Slope One算法和加权Slope One算法,本文提出的改进Slope One算法具有更高的预测精度,并更适用于大规模数据集。     

一种K-means改进算法的并行化实现与应用

随着数据的爆炸式增长,聚类研究作为大数据的核心问题之一,正面临计算复杂度高和计算能力不足等诸多问题。提出了一种基于Hadoop的分布式改进K-means算法,该算法通过引入Canopy算法初始化K-means算法的聚类中心,克服传统K-means算法因初始中心点的不确定性,易陷入局部最优解的问题。本算法在Canopy（罩盖）中完成K-means聚类,并在Canopy间完成簇的合并,聚类效果稳定,迭代次数少。同时,结合MapReduce分布式计算模型,给出改进后算法的并行化设计方法和策略,进一步通过改进相似度度量方法,将该方法用于文本聚类中。实验结果证明该算法具有良好的准确率和扩展性。     

基于并行遗传算法的红外图像增强及相关技术

针对红外图像的增强采用改进的遗传算法,将输出图像与输入图像的灰度对应关系进行编码,利用一定的图像质量评价标准去搜索效果最好的对应关系,从而取得较好的增强效果. 为了提高遗传算法的效率,设计出了基于多线程的并行遗传算法计算模型. 仿真实验结果表明,该方法有很好的可行性和有效性.     

并行遗传算法在天线结构优化设计中的应用

将模拟退火和多种群并行遗传算法的思想分别引入到遗传算法中,可得具有模拟退火机制的多种群并行遗传算法,并将其应用到－15m毫米波射电望远镜天线结构的优化设计中,计算结果表明,该算法对大规模复杂优化问题具有较高全局收敛性和适应性。     

并行化高级语言的实现

给出了一个基于全互连并行计算机的并行化Ｃ语言实现方案．该方案采用扩充现有语言，主要扩充消息传输语句的方法，从而保证了和原有语言的兼容．实践证明，这是一种实用的并行语言实现方法．     

基于MapReduce的气象数据并行PK-means算法

随着气象信息化程度日益提高,气象数据呈指数级增长.由于数据量的过快增长,K-means算法很难满足实际应用需求,根据气象数据的特征,提出一种基于MapReduce的并行聚类算法PK-means,其中Map函数计算数据对象到中心点的距离,并重新标记新的聚类类别,Reduce函数根据中间结果计算新的聚类中心,然后迭代计算,中间迭代只计算中心点到所属类的所有点的距离,实验结果显示该算法具有很强的计算能力和可扩展性.     

基于并行遗传算法的去相关多用户检测器

通过将码分多址通信系统中的最佳多用户检测视为组合优化问题,利用遗传算法能全局寻优的优势,提出了一种基于并行遗传算法的去相关多用户检测器。理论分析和仿真表明:该多用户检测器无论是抗多址干扰的能力还是抗远近效应的能力都明显优于传统的检测器和去相关多用户检测器;由于采用了基于"联姻"策略的并行遗传算法,使这种多用户检测器更易于实时应用和硬件实现。     

基于粗粒度Agent的离散分段遗传算法

为了改善遗传算法早熟对性能的影响以及提高递阶分段遗传算法的整体寻优速度，在递阶分段遗传算法的基础上，提出用Agent技术来实现离散分段遗传算法．通过少数Agent进行粗粒度控制，这样不仅能减少因Agent过多而造成过大的内存和通讯开销，也能从根本上提高离散分段遗传算法的整体寻优速度,通过多峰值函数对算法的验证，表明算法的优化速度得到了一定程度的提高．     

一种新的基于MapReduce的并行关联规则算法

传统的关联规则算法要对数据库进行多次扫描,效率低下。使用MapReduce模型对Apriori算法进行改进,这种改进后的算法只需对数据库进行2次扫描,从实验结果可以看出挖掘效率得到明显提高。     

基于MapReduce的朴素贝叶斯算法文本分类方法

为了解决传统串行朴素贝叶斯算法分类性能低下的问题,提出一种基于朴素贝叶斯算法的并行化分类方法。选取多项式朴素贝叶斯,搭建Hadoop集群,通过卡方检验选取特征词,利用词频-逆文本频率指数方法计算出每个特征项的权值,并求出每类的权重总和,将权值应用到朴素贝叶斯公式中得到分类结果。实验结果表明:在该集群上设计的并行化朴素贝叶斯分类方法较比传统朴素贝叶斯方法,其精确率,召回率,F1值分别至少提高了7.66%,7.56%,11.98%,且用时更短,说明本文的方法能够提高处理文本的时间效率。     

基于伪并行遗传算法的路径测试数据自动生成

路径测试数据自动生成是结构测试中的关键问题,也是当前软件测试研究中的热点问题.为了探讨伪并行遗传算法用于路径测试数据生成的可行性及其效果,首先归纳了基于演化算法的路径测试数据自动生成方法的基本思想和流程,然后在MATLAB7.1上实现了一个基于粗粒度模型和基于适应度选择迁移个体的伪并行遗传算法和一个使用代沟的基本遗传算法.采用基于分支距离的适应度函数,以三角形分类程序为例比较了二者在生成路径测试数据时的性能差异.实验结果表明伪并行遗传算法较之基本遗传算法具有明显优势.此外,自由迁移和相邻迁移策略要优于单向迁移策略.     

并行遗传算法在天线结构优化设计中的应用

将模拟退火和多种群并行遗传算法的思想分别引入到遗传算法中 ,可得具有模拟退火机制的多种群并行遗传算法 ,并将其应用到一 15 m毫米波射电望远镜天线结构的优化设计中 ,计算结果表明 ,该算法对大规模复杂优化问题具有较高全局收敛性和适应性     

基于MapReduce的并行遮盖文本聚类算法

通过研究Hadoop平台和MapReduce编程框架,提出了一个基于MapReduce的并行遮盖文本聚类算法.遮盖算法提出了两个距离阈值T1,T2用来构建重叠子集,避免了传统聚类算法对噪声敏感的缺点.同时采用适当的快速近似距离度量,大大加快了聚类速度.实验表明该算法在MapReduce框架下有良好的集群加速性能,适合处理大规模的数据集.     

并行遗传算法在粗糙集属性约简中的应用

遗传算法是一种全局优化的数值计算方法，它存在自然并行性．给出一种求解粗糙集属性约简问题的并行遗传算法，并在普通网络环境下实现．结果表明，并行遗传算法适合于求解问题规模较大及大数据样本点的数据约简问题．