云环境中基于粒子群算法的任务调度研究

任务调度是云计算实现高效计算的关键技术。本文采用粒子群算法进行任务调度求解,对每个子任务占用的资源采用间接编码方式,考虑时间和成本定义合理的初始化参数,选择合适的适应度函数,尽量避免陷入局部最优。仿真结果表明,改进算法具有寻优能力强、耗时少等优点,实现较为理想的任务调度结果。     

基于粒子群的网格任务调度算法研究

为了更好地解决异构动态环境下的资源管理问题,提出了一种网格环境下的任务调度模型。该模型考虑了当前网格虚拟组织下的计算资源、存储资源和带宽资源,模型的最优化目标是实现三者利用率最高和代价最低,即构造min-max函数。与遗传算法相比,利用粒子群优化算法对min-max函数求解提高了资源的利用率和任务的执行效率,同时在随着迭代次数增加的情况下,搜索速度、寻优率和避免早熟方面也有明显的提高。     

布谷鸟粒子群优化算法的多目标任务调度

高效的调度方法促使云计算更快更好地服务,一般采用优化算法来解决云计算中的调度问题。将布谷鸟搜索(CS)和粒子群优化(PSO)两种算法相结合,提出多目标布谷鸟粒子群优化算法(MO-CPSO),主要目的是提高云计算的服务质量。使用Cloudsim仿真工具对MO-CPSO算法的性能进行了评估。仿真结果表明,与CS、ACO和Min-Min算法相比,MO-CPSO算法使makespan、开销和截止时间违背率均最小。     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

基于粒子群算法的钻进参数多目标优化

为了使钻进过程达到最优,提出了基于机械钻速、钻头寿命和钻头比能的钻进参数多目标优化模型。参考典型的多目标优化进化算法NSGA-Ⅱ,提出了一种多目标粒子群算法(MOPSO)。采用一个钻进参数优化实例对优化模型和算法进行检验,得到分布均匀的Pareto最优解,一些最优解与传统的钻进参数单目标优化的解近似;讨论了算法中的种群规模、迭代次数和外部档案规模三个参数,得到一组兼顾解质量和计算时间的参数值,其计算时间的统计结果证明模型和算法满足钻进参数动态优化的要求。     

求解独立任务调度问题的改进粒子群算法

独立任务调度问题是分布式系统中的一个NP难题.提出了基于实数编码和基于机器编码的两种改进粒子群算法.前者利用协同子群进化的方式进行问题寻优,后者通过重新定义粒子的位置更新方法,使粒子群算法更好地应用于组合优化问题.仿真结果表明,与遗传算法和基本粒子群算法相比,改进算法具有更快的收敛特性和更好的求解质量.     

基于多种群动态协同的多目标粒子群算法

针对复杂的多目标问题,文中提出了一种基于多种群动态协同的多目标粒子群算法。该算法设置多个种群同时进行独立搜索,从而有效提高算法的搜索能力。此外,为进一步保证种群多样性,该算法利用动态聚类策略将种群划分为两个子群,并改变子种群的更新方式。通过动态学习样本和差分变异,进一步避免算法陷入局部最优。经过对一系列标准测试函数进行仿真,验证了该算法在多目标问题上的有效性。将该算法与5种现存算法进行比较,结果显示该算法的多样性和收敛性均具有明显的优势。     

基于多目标粒子群优化的DCT域数字水印算法

根据对粒子个体的非支配排序和计算拥挤距离,提出一种改进的多目标粒子群优化(IMOPSO)算法。将IMOPSO应用于DCT域数字水印系统设计,提出基于多目标粒子群优化的数字水印算法。该算法以水印嵌入位置作为粒子的解,以不可见性(PSNR)和鲁棒性(NC)作为两个优化目标,得到数字水印系统的最优解集。实验结果表明,提出的算法得到多种满足PSNR值和NC值平衡的水印嵌入方案。与其他相关算法在同等条件下相比较,算法满足水印不可见性的同时,在噪声、压缩、裁剪等攻击下具有较好的鲁棒性。     

基于粒子群优化的地震应急物资多目标调度算法

合理高效地优化调度救灾物资对提升地震应急救援效果具有重要意义。地震应急需要同时兼顾时效性、公平性和经济性等相互冲突的多个调度目标。该文对地震应急物资调度问题建立了带约束的3目标优化模型,并设计了基于进化状态评估的自适应多目标粒子群优化算法(AMOPSO/ESE)来求解Pareto最优解集。然后根据“先粗后精”的决策行为模式提出了由兴趣最优解集和邻域最优解集构成的Pareto前沿来辅助决策过程。仿真表明该算法能有效地获得优化调度方案,与其他算法相比,所得Pareto解集在收敛性和多样性上具有性能优势。

     

基于动态交换策略的快速多目标粒子群优化算法研究

本文提出了一种基于动态交换策略的快速多目标粒子群优化算法,通过把初始种群分割成Pareto和Non_Pareto集合,并在迭代过程中对Pareto解集进行动态调整,从而较好地完成了多目标优化算法对Pareto解集的搜索和逼近.实验和应用实例均表明了该算法的有效性和快速性,并通过性能指标ER的计算验证了本算法优于某些同类的多目标优化算法.     

一种基于离散粒子群的多星任务规划算法

对地观测卫星的任务规划是卫星管控中的关键内容,其本质是一个优化决策的过程。面向多对地观测卫星任务规划的问题特点,建立了问题的数学模型,提出了一种基于离散粒子群的优化算法,设计了离散粒子群的位置变化公式。仿真结果表明,离散粒子群算法具有收敛速度快、寻优能力强等优点,能够有效地解决多约束条件下的多星任务规划问题。     

一种基于Kalman滤波和粒子群优化的测试数据生成方法

为减少进化代数,提高路径覆盖成功率,提出了多邻域Kalman滤波PSO测试数据生成方法.在该方法中将粒子固定划分到不同邻域中,各邻域内指定一个粒子向全局最优粒子学习,其余各粒子向所在邻域中最优粒子学习,而全局最优粒子利用无速度项的简化PSO进化.在此过程中,除全局最优粒子外的各粒子利用Kalman滤波方程更新粒子的位置.实验表明,相较于基本PSO和其他PSO方法,即使是覆盖困难的路径,本文方法也具有进化代数少、路径覆盖成功率高及性能稳定的特点.     

基于改进粒子群算法的天基预警系统资源调度方法

天基预警系统资源调度是一项重要而棘手的问题。对预警任务特性进行了分析,在此基础上提出一种基于关键点的任务分解方法,将其转换为可求解的组合优化问题;建立了问题的约束满足模型。针对该模型规模大、变量多的特点,设计一种具有快速求解能力的改进粒子群算法进行求解,该算法采取早熟避免机制,防止粒子群算法易产生的早熟现象。实验结果表明算法能够在给定时间内求得理想的调度方案。     

基于粒子群算法的软件可靠性分配问题研究

针对软件可靠性分配中不易求解全局最优解这一问题,将可靠性指标分配到每个模块中,并利用改进的粒子群优化算法来搜索模型的最优解.实验结果表明,改进的粒子群优化算法在求解软件可靠性分配问题时的效果优于遗传算法等其他智能优化算法.     

一种消解协商僵局的多目标粒子群优化算法

解决协商僵局问题是协商优化中的重要研究课题.利用协商议题之间的相关性,提出了一种用于消解双边多议题协商僵局的多目标粒子群优化算法(MOPSO).MOPSO首先动态放宽僵局议题的保留值,然后将僵局议题相关的多个议题的保留值缩紧问题转化为一个多目标优化问题,通过粒子群搜索到Pareto最优解集,从而并行优化了这些相关议题的保留值,最后在不降低协商者整体利益条件下进行协商议题保留值向量等效置换.实验验证了MOPSO是有效的,其僵局解决能力明显比现有的其他方法强.     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

一种基于粒子群算法的DC-NOMA系统遍历容量优化方案

为提升设备到设备（Device-to-Device,D2D）辅助的协作非正交多址接入（Non-orthogonal Multiple Access,NOMA）中继系统的性能,以最大化系统遍历容量为目标建立优化模型,利用粒子群优化（Particle Swarm Optimization,PSO）算法设计最优功率分配策略,求出每个用户的最佳功率分配因子,从而得到系统遍历容量的最优值。仿真结果表明,所提出的基于PSO的功率分配方案不仅能提高系统容量,还可以降低用户的中断概率。     

一种基于动态边界的粒子群优化算法

2007年提出的标准粒子群优化算法(PSO-2007)在进化的后期容易出现停滞现象而导致早熟收敛,为此本文提出了一种基于动态边界的粒子群优化算法(DBPSO).该算法根据停滞期粒子运动的特点,将边界动态调整策略引入到PSO-2007中,通过跟踪粒子飞行位置的分布动态调整搜索空间的边界,引导粒子在更有效的区域内进行搜索,从而减轻早熟收敛,提高收敛精度.典型测试函数的求解实验结果表明DBPSO是可行而有效的.