QPSO算法在FIR数字滤波器设计中的应用

FIR数字滤波器的设计实际上是一个多维变量寻优问题,滤波器的设计可转化为滤波器参数优化的问题。文章介绍了粒子群优化算法、量子粒子群优化算法,然后利用算法对参数空间进行搜索以获得参数的最优化,根据预期频率特性的设计要求,通过仿真实验表明设计方法的有效性。     

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。     

量子粒子群多目标优化算法及其在云计算调度优化中的应用研究

粒子群算法是一种新的模仿鸟类群体行为的智能优化算法,现已成为进化算法的一个新的重要分支。基本粒子群算法和改进粒子群算法的原理对科技发展有相当重要的作用。本文主要分析了子群算法在函数优化、图像压缩和基因聚类中的应用,得出了粒子群算法的应用综述和相关程序代码。     

基于PSO算法的医疗大数据任务调度策略

在医疗信息共享平台下,选取一种合适的任务调度策略完成医疗数据查询任务在各医院内的调度分配,是医疗大数据处理所需解决的重要问题。为了保证任务调度时间最短和成本最低,提出一种改进的粒子群算法。该算法构造了时间最优和成本最优双适应度函数,自适应地调整粒子速度更新的惯性权重,加快搜寻最优粒子的速度,并求解出最合理的数据查询任务调度方案,最大限度地提高医疗信息共享平台中医疗数据查询的效率。实验结果验证了所提出算法的有效性。     

基于云计算的大数据聚类挖掘算法研究

基于云计算的大数据聚类挖掘,需要结合改进粒子群算法、k-means算法的优势,提出基于改进粒子群优化（Particle Swarm Optimization,PSO）的k-means聚类算法,设置自调节惯性权重、云变异算子,根据数据集种群的进化程度,调整粒子群算法的全局搜索、局部搜索能力,追踪数据粒子的个体极值、全局极值,更新每个数据个体在解空间中的点位置、更新速度,并在数据种群进化到一定程度时进行变异操作,选择全局极值作为期望Ex来控制种群迭代次数,避免数据挖掘陷入早熟收敛、局部最优解的情况。     

改进协同量子粒子群优化算法在流水车间调度中的应用

作为一类典型的调度问题,流水车间调度是N-P难调度问题,因而引起了众多研究者的兴趣。本文提出了一种改进的协同量子粒子群优化算法,该方法中定义了量子角的表达式,所有的子种群采用优化协同模式以确保算法收敛,采用扰动机制避免算法陷入局部最优,运用了综合学习策略以提高种群的多样性。改进的协同量子粒子群算法应用于流水车间调度,仿真结果验证了改进算法能改善全局收敛能力。     

车间调度问题的量子粒子群优化算法设计

针对粒子群优化算法搜索空间有限、容易出现早熟现象的缺陷,将量子粒子群优化算法用于求解车间调度问题,按照量子粒子群优化算法的进化规则在调度空间内搜索最优解,并对量子粒子群算法的参数选择进行了研究。以典型的Job-Shop调度问题作为实验对象,实验结果表明QPSO算法相对PSO算法具有较好的全局搜索能力。     

分组扰动的粒子群优化算法在车辆调度中的应用

车辆调度是一个复杂的系统,具有多目标控制、高度非线性、时变等特征。基于粒子群算法,本文引入了分组扰动的思想,将其应用于高铁施工现场混凝土预拌车调度方案优化问题中。通过对一个实例的仿真研究表明,该算法可以极大限度地同时满足混凝土拌合站和工地的利益,能够很好地解决车辆调度优化问题。     

基于QPSO的模糊C均值聚类算法

针对模糊C均值(FCM)聚类算法存在的缺点,利用量子粒子群优化(QPSO)算法的全局搜索能力,提出了一种新的聚类算法——基于量子粒子群优化的FCM聚类算法(QPSOFCM).QPSOFCM算法先对随机初始点利用QPSO进行优化,然后利用产生的中心点进行聚类,重复上述两步操作直至结果满意为止.新算法可以降低FCM算法对初始点的敏感度,一定程度上避免了FCM算法易陷入局部极优的缺陷.几组数据实验结果表明,与FCM和PSOFCM算法相比,提出的QPSOFCM算法聚类结果更可靠.     

PSO算法在物流配送车辆路径优化模型中的应用

物流配送中车辆路径优化问题是一类有实用价值的组合NP问题。粒子群算法是一种新出现的群智能优化方法,将其应用于车辆路径优化问题,构造车辆路径问题的粒子表达方法,建立此问题的粒子群算法,并与实际情况作了对比,结果表明,粒子群算法可以快速、有效的求得车辆路径问题的优化解,是求解车辆路径问题的一个较好方案。     

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。     

基于粒子群算法的嵌入式云计算资源调度

随着移动互联网的发展,基于嵌入式设备的云计算服务成为研究热点。在国内,嵌入式云计算目前正处于探索研究阶段,云资源管理调度是嵌入式云计算的核心技术之一,其效率直接影响嵌入式云计算系统的性能。为了提高云计算性能,本文提出一种基于粒子群优化算法的云计算任务调度模型。粒子群算法中粒子位置代表可行的资源调度方案,以云计算任务完成时间及资源负载均衡度作为目标函数,通过粒子群优化算法,找出最优资源调度方案。在matlab实验平台进行了仿真,通过大量数据模拟实验表明,该模型可以快速找到最优调度方案,提高资源利用率,具有较好的实用性和可行性。     

云环境下基于Min-Min改进的任务调度算法

在Min-Min的基础上,针对所存在的缺陷,提出了一种负载均衡的改进算法.仿真实验表明,在一定条件下,改进后的算法比传统的算法有一定的提高.     

Crow–penguin optimizer for multiobjective task scheduling strategy in cloud computing

Task scheduling in the cloud is the multiobjective optimization problem, and most of the task scheduling problems fail to offer an effective trade‐off between the load, resource utilization, makespan, and Quality of Service (QoS). To bring a balance in the trade‐off, this paper proposes a method, termed as crow–penguin optimizer for multiobjective task scheduling strategy in cloud computing (CPO‐MTS). The proposed algorithm decides the optimal execution of the available tasks in the available cloud resources in minimal time. The proposed algorithm is the fusion of the Crow Search optimization Algorithm (CSA) and the Penguin Search Optimization Algorithm (PeSOA), and the optimal allocation of the tasks depends on the newly designed optimization algorithm. The proposed algorithm exhibits a better convergence rate and converges to the global optimal solution rather than the local optima. The formulation of the multiobjectives aims at a maximum value through attaining the maximum QoS and resource utilization and minimum load and makespan, respectively. The experimentation is performed using three setups, and the analysis proves that the method attained a better QoS, makespan, Resource Utilization Cost (RUC), and load at a rate of 0.4729, 0.0432, 0.0394, and 0.0298, respectively.     

A genetic algorithm‐based task scheduling for cloud resource crowd‐funding model

With the rapid development of cloud computing, the number of cloud users is growing exponentially. Data centers have come under great pressure, and the problem of power consumption has become increasingly prominent. However, many idle resources that are geographically distributed in the network can be used as resource providers for cloud tasks. These distributed resources may not be able to support the resource‐intensive applications alone because of their limited capacity; however, the capacity will be considerably increased if they can cooperate with each other and share resources. Therefore, in this paper, a new resource‐providing model called “crowd‐funding” is proposed. In the crowd‐funding model, idle resources can be collected to form a virtual resource pool for providing cloud services. Based on this model, a new task scheduling algorithm is proposed, RC‐GA (genetic algorithm for task scheduling based on a resource crowd‐funding model). For crowd‐funding, the resources come from different heterogeneous devices, so the resource stability should be considered different. The scheduling targets of the RC‐GA are designed to increase the stability of task execution and reduce power consumption at the same time. In addition, to reduce random errors in the evolution process, the roulette wheel selection operator of the genetic algorithm is improved. The experiment shows that the RC‐GA can achieve good results.     

PSO 应用于 QoS 偏好感知的云存储任务调度

研究有QoS偏好要求的云存储任务调度。首先,分析云存储与云计算的差异,用存在矩阵避免无效解的产生。其次,归纳云存储的QoS需求为时间、代价与质量3大类,并据此修改PSO算法的适应度函数用权重因子调节QoS偏好。实验发现,在不同优先级任务分布不均的情况下,分布广的任务的偏好会掩盖其他任务的偏好,因而不适宜用PSO进行整体性调度,而必须进行分级调度。实验证明,改进后的分级PSO算法对QoS偏好具有较好的感知能力。     

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。     

A workflow task scheduling algorithm based on the resources' fuzzy clustering in cloud computing environment

Cloud computing is the key and frontier field of the current domestic and international computer technology, workflow task scheduling plays an important part of cloud computing, which is a policy that maps tasks to appropriate resources to execute. Effective task scheduling is essential for obtaining high performance in cloud environment. In this paper, we present a workflow task scheduling algorithm based on the resources' fuzzy clustering named FCBWTS. The major objective of scheduling is to minimize makespan of the precedence constrained applications, which can be modeled as a directed acyclic graph. In FCBWTS, the resource characteristics of cloud computing are considered, a group of characteristics, which describe the synthetic performance of processing units in the resource system, are defined in this paper. With these characteristics and the execution time influence of the ready task in the critical path, processing unit network is pretreated by fuzzy clustering method in order to realize the reasonable partition of processor network. Therefore, it largely reduces the cost in deciding which processor to execute the current task. Comparison on performance evaluation using both the case data in the recent literature and randomly generated directed acyclic graphs shows that this algorithm has outperformed the HEFT, DLS algorithms both in makespan and scheduling time consumed. Copyright © 2014 John Wiley & Sons, Ltd.     

大数据典型相关分析的云模型方法

针对传统大数据典型相关分析（CCA, canonical correlation analysis）方法的高复杂度在面临大数据PB级数据规模时不再适应的现状,提出了一种基于云模型的大数据CCA方法。该方法在云计算架构的基础上,通过云运算将各端点云合并为中心云,并据此产生中心云滴,以中心云滴作为大数据的不确定性复原小样本,在其上施以CCA运算,中心云滴的较小数据量提高了运算效率。在真实数据集上的实验结果验证了该方法的有效性。