一种并行的正序变异的混合PSO算法研究与应用

为有效解决粒子群算法在求解路网问题时易陷入局部最优的缺点,根据高校地理数据和多核系统并行处理方式,将自平衡策略和变异思想结合且并行化,提出一种并行求解高校路网问题的正序变异的混合PSO算法。该算法引入适合此问题的自平衡正序变异策略且采用并行处理方式,使其生成相互独立子群体且并行求解,来提高算法求解精度,保证算法多样性及收敛,降低计算时间。实验以Visual Studio 2005中C++编程实现仿真,结果表明此算法不但能有效求解高校路网问题,而且比离散PSO算法、并行自平衡PSO算法的解更优。     

一种求解高校路网问题的新型自平衡SDPSO算法

根据智能算法中的粒子群(PSO)算法思想,利用实际的高校地理数据,以离散PSO算法为核心,结合运筹学旅行商问题,给出一种规划高校交通路网的新型自平衡机制PSO算法模型,即SDPSO算法。以Visual Studio 2005、MapInfo8.0、MapX5.0为系统开发工具,实现算法求解。实验结果表明,此算法不但能解决实际路网问题,而且具有一定的自我平衡搜索能力,改善了原有性能。     

一种求解高校路网的逆序变异的新混合PSO算法

针对标准粒子群算法在求解路网问题时显现出易陷入局部极值的问题,根据高校地理数据,提出一种求解高校路网的逆序变异的新混合PSO算法。为平衡算法的全局和局部搜索能力及增强种群多样性,将一种自平衡策略作为变异条件,在产生新的群体中按照逆序变异率算子对粒子进行位置变异,从而使得粒子摆脱局部极值后继续进行迭代更新操作。以Visual Studio 2005中C++编程实现实验仿真,结果表明此算法不但能有效求解高校路网问题,而且新算法收敛精度高,有效克服了早熟收敛问题。     

一种求解最优路径的新型混合PSO算法研究

粒子群算法是新型智能优化算法且已被应用于诸多领域,但在求解最优路径时显现出易陷入局部最优的缺点。为此根据地理坐标数据通过数学公式推导得到PSO算法所需的初始化数据,在算法寻优过程中将自平衡策略和变异思想结合协助粒子群迭代与更新,提出一种求解最优路径的新型混合PSO算法。该算法引入了适合此问题的自平衡变异策略来提高算法求解精度,使得算法摆脱局部最优。实验以Visual Studio2005中C++编程实现仿真,结果表明此算法不但能有效求解最优路径问题,而且比离散PSO算法、自平衡PSO算法的解更优,从而性能得到改善。     

一种并行的多群蚁群算法研究与应用

针对蚁群算法易出现早熟收敛的缺陷,蚁群按照一定比例分解为具有启发信息的多种群,同时利用多核系统发挥蚁群算法并行性,提出一种并行的多群蚁群算法。该算法在初始化蚁群时产生带有启发信息的多种群,多种群采用多核系统并行处理方式相对独立求解最短路径。在求解过程中每个群体可分享路径信息,当某个种群求解到最短路径时即生成整个群体全局最短路径,从而保证种群多样性,算法求解速率及全局搜索均衡性。实验以Visual Studio2005中C＋＋编程实现仿真,结果表明此算法不但能有效求解GIS的最短路径,而且综合改善了算法性能。     

利用坐标下降实现并行稀疏子空间聚类

随着数据规模的不断扩大,稀疏子空间聚类问题面临计算上的巨大挑战。现有稀疏子空间聚类算法如交替方向乘子法(ADMM)往往基于串行实现,难以利用多核处理器提高处理大规模聚类问题的效率。针对这个问题,提出一种基于坐标下降的并行稀疏子空间聚类方法。该方法利用稀疏子空间聚类可以建模为求解一系列的样本自稀疏表达子问题的特点,使用坐标下降方法来求解每个子问题,具有参数少、收敛快的优点;同时结合自稀疏表达子问题独立的特点,在处理器的各个核心上同时求解不同样本对应的子问题,因此可以充分利用计算机资源,减少运行时间开销。在模拟数据和运动分割数据集Hopkins-155上与常用的ADMM算法进行对比实验,结果表明该算法在多核处理器上可以显著提升运行速度且聚类精度与ADMM相当。     

一种求解多峰函数优化问题的量子行为粒子群算法

介绍了一种利用量子行为粒子群算法（QPSO）求解多峰函数优化问题的方法。为此,在QPSO中引进一种物种形成策略,该方法根据群体微粒的相似度并行地分成子群体。每个子群体是围绕一个群体种子而建立的。对每个子群体通过QPSO算法进行最优搜索,从而保证每个峰值都有同等机会被找到,因此该方法具有良好的局部寻优特性。将基于物种形成的QPSO算法与粒子群算法(PSO)对多峰优化问题的结果进行比较。对几个重要的测试函数进行仿真实验结果证明,基于物种形成的QPSO算法可以尽可能多地找到峰值点,峰值收敛性能优于PSO。     

基于多核并行的海量数据序列模式挖掘*

为了在多核处理器上充分利用多核资源以提升挖掘性能,提出了一种动态与静态任务分配机制相结合的基于多核的并行序列模式挖掘算法。该算法采用数据并行与任务并行相结合的策略,在各处理器核生成局部序列模式后,再与其他处理器核协同,以最终获得所有的全局序列模式。算法通过并行局部归约技术消除了局部序列的重复生成与计算,并可结合静态与动态任务分配机制解决处理器的负载不均衡问题。理论分析和实验都证实了该算法可有效利用多核计算平台及多核体系结构优势,具有较高的运行效率和加速比。     

一种非线性动态自适应的Agent联盟生产算法

代理(Agent)联盟是对无线传感器网络WSN(Wireless Sensor Network)进行管理的重要手段.引入粒子群算法PSO(Particle Swarm Optimization)并对其进行改进,使PSO的参数具有非线性动态自适应性.将改进的PSO用于求解Agent联盟生成问题,并针对WSN的特性设计了一种效益函数用于评价联盟的效益.采用基于非线性动态自适应PSO的Agent联盟生成算法,在联盟生成初期搜索范围较广,搜索后期在局部挖掘上表现出良好的性能.实验证明在解决Agent联盟生成问题中,基于PSO的算法在稳定性上优于其他算法,基于改进PSO的联盟生成算法可以加大搜索空间,更快的收敛到最优解,且该算法可以同时生成多个Agent联盟,支持并行多任务环境下的Agent联盟求解.     

一种新型的求解城市公交路网的并行PSO算法

粒子群算法是求解组合优化的新智能算法,本文以串行粒子群算法机理为核心,结合运筹学旅行商组合优化理论和并行的OpenMP技术,给出一种规划城市公交路网最短路径的并行PSO算法模型。通过Visual Studio 2005中C++编程实现仿真,得到城市公交路网路程权重最短目标,并与串行粒子群算法结果进行比较。实验结果表明,该算法不但能解决城市公交路网问题,而且执行时间短,具有更好的鲁棒性。     

基于多核微机的微粒群并行算法

提出了一种基于Logistic模型的惯性权重非线性调整策略,采用OpenMP多线程编程,在微机上实现了微粒群算法的多核并行计算。通过对BenchMark测试函数集中的5个函数进行测试,试验结果表明,采用基于Logistic模型的惯性权重非线性调整策略在算法成功率和收敛代数都优于线性调整策略,而基于OpenMP的微粒群多核并行计算使得计算速度得到提高。     

蚁群算法的三种并行模型分析

在单机多核下分别构造基于OpenMP和MPI的并行蚁群算法模型,在多核集群机下构造基于MPI和MPI+OpenMP的并行蚁群算法模型,并提出动态蚁群择优策略及分段周期交流策略。基于实际路网的路径寻优问题对上述模型进行比较,实验结果表明,在单机多核下,基于MPI的模型与基于OpenMP的模型相比,运行时间短,加速比高,在多核集群机下,基于MPI+OpenMP的混合模型相比基于MPI的模型,在进程数较多时仍具有较高的加速比。     

多核处理器上的并行联机分析处理算法研究

近年来,计算机硬件技术获得了很大发展,尤其是大内存和多核,但算法效率并没有随着硬件技术的发展而提高,根本原因是没有充分利用CPU缓存以及单线程程序设计的局限性。在联机分析处理领域,数据方体计算是一个重要而又耗时的操作,因此如何提高数据方体的计算效率是该领域的一个研究难点。探讨了基于多核CPU特征的并行立方体算法,提出了MT-Multi-Way(multi-threading multi-way)和MT-BUC(multi-threading bottom-up computation)算法。该算法通过有效的数据划分和多线程协作,避免了Cache竞争,并确保了负载均衡,获得了近似线性加速比。以上述算法为基础,提出了处理立方体算法的多核框架,包括数据划分策略及递归算法的多核处理,指导立方体算法的并行化。     

点云重建的并行算法

在三维重建问题中,为了提高重建模型的精确度和完整性,需要增大三维重建的数据量,由此会增加重建的计算量和运行时间。针对该问题,对点云重建过程进行并行设计,降低耗时、提高三维重建的效率,提出在多核CPU、GPU架构和CPU/GPU异构环境下点云重建的并行算法,并在不同实验平台上对Kermit和hallFeng数据集进行了点云重建的并行实验。实验结果表明,相比于串行的点云重建算法,点云重建并行算法在保证重建精度的条件下,取得了较好的加速比,并且并行算法具有实验平台和数据规模的可扩展性。     

基于图形处理器的并行方体计算

方体(cube)计算是数据仓库和联机分析处理(Online analytical processing,OLAP)领域的核心问题,如何提高方体计算性能获得了学术界和工业界的广泛关注,但目前大部分方体算法都没有考虑最新的处理器架构.近年来,处理器从单一计算核心进化为多个或许多个计算核心,如多核CPU、图形处理器(Graphic Processing Units, GPU)等.为了充分利用现代处理器的多核资源,该文提出了基于GPU的并行方体算法GPU-Cubing,算法采用自底向上、广度优先的划分策略,每次并行完成一个cuboid的计算并输出;在计算cuboid过程中多个分区同步处理,分区内多线程并行.GPU-Cubing算法适合GPU体系结构,并行度高.与BUC算法相比,基于真实数据集的完全方体计算可以获得一个数量级以上的加速比,冰山方体获得至少2倍以上的加速.     

应用GPU集群加速计算蛋白质分子场

针对生物化学计算中采用量子化学理论计算蛋白质分子场所带来的巨大计算量的问题,搭建起一个GPU集群系统,用来加速计算基于量子化学的蛋白质分子场.该系统采用消息传递并行编程环境(MPI)连接集群各结点,以开放多线程OpenMP编程标准作为多核CPU编程环境,以CUDA语言作为GPU编程环境,提出并实现了集群系统结点中GPU和多核CPU协同计算的并行加速架构优化设计.在保持较高计算精度的前提下,结合MPI,OpenMP和CUDA混合编程模式,大大提高了系统的计算性能,并对不同体系和规模的蛋白质分子场模拟进行了计算分析.与相应的CPU集群、GPU单机和CPU单机计算方法对比,该GPU集群大幅度地提高了高分辨率复杂蛋白质分子场模拟的计算效率,比CPU集群的平均计算加速比提高了7.5倍.     

多核系统的软件开发方法

针对大规模多核系统软件开发过程中产生的问题,论述一套完整的开发方法,阐述该方法中可行性分析、并行模式分解、数据和任务依赖性分析、并行算法设计、并行编程模式的选择、编码和性能优化等步骤的实施要点。实践证明,该方法可用于指导编程人员开发多核应用程序,具有实际应用价值。     

关联规则挖掘算法的多核并行优化

分析了并行关联规则挖掘算法存在的不足,提出了一种改进的关联规则挖掘的多核并行优化算法。该算法对Apriori算法的压缩矩阵进行了改造,并在多核平台下利用OpenMP技术和TBB技术对串行程序进行循环并行化和任务分配的并行化设计,最大限度地实现并行关联规则挖掘。