多元优化算法的渐近性分析

本文提出了一种多元化智能个体分工明确、协同合作的超启发式智能优化算法—–多元优化算法.多元优化算法通过交替的全局、局部搜索迭代对解空间搜索以逐渐逼近全局最优解.搜索个体按照分工不同可以分为全局搜索个体(全局元)和局部搜索个体(局部元).全局元负责对整个解空间进行全局搜索以快速找到较优潜在解区域,局部搜索元负责对各个潜在解区域进行局部搜索以提高解的质量.该算法具有两个特点:分工明确的搜索策略不需要考虑均衡全局搜索和局部搜索,能够保证局部搜索能力的同时加强全局搜索以避免陷入局部最优解;全局、局部交替搜索保证了算法对全局最优解的渐近性.本文从理论上证明了算法的渐近性并且基于复杂多模态测试函数比较了几个优秀的进化算法.实验结果表明多元优化算法在渐近性方面优于其他几个比较的算法.     

基于多群智能算法的云计算任务调度策略

为提高云计算任务调度的服务质量(QoS),提出一种多群智能算法的云计算任务调度策略。首先利用全局搜索能力强的遗传算法快速找到云计算任务调度问题的较优解,然后将较优解转换成蚁群优化算法的初始信息素,最后通过蚂蚁间的信息交流和反馈找到云计算任务调度的全局最优解。以CloudSim为仿真平台进行了模拟实验,结果表明,与同类算法相比,多群智能算法不仅大幅提高了云计算任务调度效率,而且减少了处理请求任务的平均完成时间。     

基于改进遗传算法的网格资源调度策略算法研究

提出了一种基于改进遗传算法的任务调度策略算法,该算法并将子任务按照层次深度排序,兼顾网格资源的运算能力。通过DAG图荻取层次关系,解决种群中的非法染色体问题。在种群进化的时候采用多种群、强父代染色体进化重组的方案。通过仿真实验表明,该算法具有一定的全局搜索能力和局部搜索能力,通过仿真对比可以表明该算法在搜索能力和搜索速度上优于普通的遗传算法。     

分层粒子群优化算法

针对粒子群优化算法存在进化后期局部搜索能力不强、收敛速度变慢的问题,提出一种分层粒子群优化算法。利用标准粒子群优化算法在整个搜索空间内进行全局搜索,由全局搜索获得的较优个体产生局部搜索区域,在局部区域内进行进一步搜索。为避免陷入局部最优,采用动态调整局部搜索区域的策略,保持算法的全局收敛性。通过典型测试函数计算表明,该算法的收敛速度和局部搜索能力有明显改善。     

基于混合蚁群算法的网格任务调度

针对网格任务调度的调度时间长、资源负载不平衡等问题,提出一种基于混合蚁群算法的网格任务调度方法。该方法将禁忌搜索作为蚁群算法的局部搜索策略,以扩大解的搜索空间,避免陷入局部最优,并通过多样化机制提高算法收敛速度。利用平衡因子调节信息素的更新,改善资源的负载平衡性能。     

混合变邻域和声搜索的独立任务调度问题研究

结合和声搜索和变邻域搜索算法的特点,提出混合的和声变邻域搜索算法,并将混合算法用于解决多处理机独立任务调度问题.混合算法采用列表调度方法对和声解进行编码,把和声分量转换为基于优先级的独立任务调度模型,利用变邻域搜索算法对和声解进行局部搜索以提高和声算法的搜索效率和解质量,利用模拟退火算法中的Metropolis准则作为新解接受准则,防止算法陷入局部极值.仿真实验对比结果表明,混合算法在解决独立任务的多处理机调度中具有更强的全局搜索能力和更快的收敛速度,并且能够跳出局部极小获得更高质量的解.     

选煤厂信息物理系统任务调度研究

建立了选煤厂信息物理系统模型,将动态联盟思想引入选煤厂信息物理系统任务调度中,并提出了一种基于改进离散粒子群优化算法的选煤厂信息物理系统任务调度算法。该算法首先采用离散粒子群优化算法进行全局寻优,然后采用禁忌搜索算法进行局部搜索,求得全局最优解。仿真结果表明,该算法提高了任务调度的收敛速度、精度以及处理器的平均利用率。     

混合算法在网格任务调度中的应用研究

研究网格任务优化调度问题,针对需求的复杂和网格系统具有异构性和动态性,导致网络任务调度过程相当困难.传统调度算法调度效率低、资源负载不平衡.为了提高任务调度效率,降低资源负载不平衡性,提出一种混合的网格任务调度优化算法.首先采用遗传算法全局搜索能力快速形成初始解,然后将遗传算法的调度结果作为蚁群算法的初始信息素分布,最后利用蚁群算法所正反馈性机制迅速地形成任务调度的最优解.仿真结果表明,混合算法减少网格任务调度系统任务完成时间,提高了任务调度效率,为网格设计提供了依据.     

多元优化算法及其收敛性分析

提出了一种搜索个体分工明确、协同合作的群智能优化算法,并从理论上证明了其收敛性. 由于搜索个体(搜索元)具有分工不同的多元化特点,所以我们称该算法为多元优化算法(Multivariant optimization algorithm, MOA).多元优化算法中, 全局搜索元和局部搜索元基于数据表高效的记录和分享信息以协同合作对解空间进行搜索. 在一次迭代中,全局搜索元搜索整个解空间以寻找潜在解区域,然后具有不同种群大小的局部搜索元组对潜力不同的历史潜在解区域以及新发现的潜在解区域进行不同粒度的搜索. 搜索元找到的较优解按照一定的规则保存在由队列和堆栈组成的结构体中以实现历史信息的高效记忆和共享. 结构体中保存的候选解在迭代过程中不断更新逐渐接近最优解,最终找到优化问题的多个全局最优解以及局部次优解.基于马尔科夫过程的理论分析表明:多元优化算法以概率1 收敛于全局最优解.为了评估多元优化算法的收敛性,本文利用多元优化算法以及其他五个常用的优化算法对十三个二维及十维标准测试函数进行了寻优测试. 实验结果表明,多元优化算法在收敛成功率和收敛精度方面优于其他参与比较的算法.     

一种基于遗传—蚁群算法的网格任务调度策略*

针对遗传调度算法局部求解能力不足、容易早熟和退化的问题,以及蚁群调度算法初始搜索阶段效率低下的缺陷,充分应用遗传算法全局搜索能力较好和蚁群算法求解精度较高的优势,提出了一种基于遗传-蚁群算法的网格任务调度策略.该方法集成了遗传算法和蚁群算法的双重优点.仿真测试结果表明,提出的网格任务调度方法总体上优于遗传算法和蚁群算法...     

基于遗传算法的网格任务调度方法分析

网格任务调度为多项式复杂程度的非确定性问题,其中所有非确定性多项式时间可解的判定问题,共同构成了NP类问题。如何快速地找到全局最优解是网格任务调度的难点所在。而遗传算法在验证猜测的正确性方面,具有自动获取和快速搜索的特性,是解决非线性问题的最优方案。本文主要对基于遗传算法的网格任务调度方法进行分析,通过网格任务调度模型构建、资源分配等操作,来完成遗传算法的仿真实验研究。     

基于禁忌算法的双层结构网格任务调度研究

合理的任务调度算法可以在很大程度上提高网格系统的利用率。针对网格环境异构、分布等特点,提出了基于禁忌搜索算法（TS）的双层结构网格任务调度算法,仿真实验表明,该方法具有良好的解质量和搜索能力,对异构系统中的任务调度具有较好的处理结果。     

Push-Pull: Deterministic Search-Based DAG Scheduling for Heterogeneous Cluster Systems

Consider directed acyclic graph (DAG) scheduling for a large heterogeneous system, which consists of processors with varying processing capabilities and network links with varying bandwidths. The search space of possible task schedules for this problem is immense. One possible approach for this optimization problem, which is NP-hard, is to start with the best task schedule found by a fast deterministic task scheduling algorithm and then iteratively attempt to improve the task schedule by employing a general random guided search method. However, such an approach can lead to extremely long search times, and the solutions found are sometimes not significantly better than those found by the original deterministic task scheduling algorithm. In this paper, we propose an alternative strategy, termed Push-Pull, which starts with the best task schedule found by a fast deterministic task scheduling algorithm and then iteratively attempts to improve the current best solution using a deterministic guided search method. Our simulation results show that given similar runtimes, the Push-Pull algorithm performs well, achieving results similar to or better than all of the other algorithms being compared.     

基于禁忌搜索算法的网格任务调度

合理的任务调度算法可以在很大程度上提高网格系统的有效利用率。在网格环境中，用户希望自己的任务尽可能快地得到完成，而网格环境则希望尽可能充分地利用所有节点。针对这种情况，该文提出了基于禁忌搜索算法的网格任务调度，具有较小的时间复杂度和良好的调度性能。实验证明了其正确性和实用性。     

基于混合粒子群算法的网格任务调度

减少分布式程序的执行时间是网格调度系统需要解决的重要问题。因分布式程序常建模为DAG图,故该问题又称异构DAG调度问题。在研究网格环境下的任务调度的基础上,提出了一种用于解决DAG任务调度问题的通用混合粒子群优化算法(Common Hybrid Particle Swarm Optimization),简称为CHPSO。该算法将问题的解(粒子)表示为任务的调度优先权向量,采用混合粒子群优化算法探索解空间。实验结果表明,在求解不含孤立点的单个DAG调度问题时,该算法所得解的调度长度仅为HEFT的90%～92%,求解质量与PSGA相当;在多张DAG图(含孤立节点)并发执行的网格环境中,该算法的调度性能明显优于PSGA及文中列出的其它演化计算方法。     

Management system for distributed and hierarchical robot groups

This paper introduces a management system for robot groups with distributed and hierarchical architecture. In order to manage cooperation tasks of a great many robots, we put management systems on each work sub-area. A management system on a certain sub-area divides a task given by the upper sub-area into sub-tasks and gives the lower sub-areas those sub-tasks. With this architecture, we obtain distributed and hierarchical management system for the whole working area. We produced a simulation system and showed an example of task division and execution. We also produced a demonstration system.     

基于动态粒子群优化的网格任务调度算法*

提出了一种基于动态粒子群优化的网格任务调度算法。设计了网格任务调度问题的数学模型,给出了自适应变异的动态粒子群优化算法的框架,引入了自适应学习因子和自适应变异策略,从而使算法具有动态自适应性,能够较容易地跳出局部最优。实验结果表明,本文算法能有效地解决异构网格任务调度问题,具有较好的应用价值。     

一种用于网格的启发性智能调度策略

任务调度是计算网格系统中极其关键的一部分,一种好的调度方法可以极大地提高整个系统的性能。针对蚂蚁算法在网格调度中早期信息素匮乏和蚂蚁分工单一的缺陷,提出了一种新的启发性智能调度方法。在调度过程前期,采用遗传算法为各网格节点生成丰富的信息素,作为调度中心进行任务调度的依据,然后在多群蚂蚁算法中,各种群的蚂蚁根据分工的不同在属于自己的空间中寻找最优解,从而缩小了搜索规模,加快了收敛速度,优化了调度性能。     

基于多尺度量子谐振子算法的云计算任务调度

合理地分配虚拟计算资源以进行有效的任务调度是云计算中的一个核心问题。为了更好地利用虚拟计算资源,高效地完成服务需求,提出了一种基于多尺度量子谐振子算法（MQHOA）的任务调度算法。首先,该算法将每一个调度方案当成一个采样位置,利用高斯采样的随机性在当前尺度下搜索局部最优解;其次,判断算法是否处于能级稳定状态,如果稳定,则进入能级降低过程,最坏的调度方案将被替换;最后,算法进入尺度下降的过程,算法由全局搜索过渡到局部搜索,迭代多次之后,算法停止并输出找到的最优结果。通过在CloudSim平台上进行仿真实验,与现有的先来先服务（FCFS）算法和粒子群优化（PSO） 算法对比,MQHOA总任务完成时间减少10%以上,负载不均值下降0.4以上。实验结果表明,基于MQHOA的任务调度算法能够快速收敛,有良好的全局收敛性和自适应能力,在云计算任务调度过程中,能够起到减少总任务完成时间和均衡负载的作用。