并行多机调度问题的一种基于组合规则的遗传算法

本文对最小化完工时间并行多机调度问题提出了一种基于组合规则的遗传算法.用遗传算法来优化调度策略,使得在不同的调度阶段,可采用不同的调度规则以提高算法性能,并用计算实例表明了该遗传算法优于基于机器编码的模拟退火算法和遗传算法,并能适用于大规模并行多机调度问题,算法计算量小,鲁棒性强.     

双归属环形网络拓扑规划算法设计

本文研究了一种高效的双归属环形网络拓扑规划算法,提出了在满环与非满环间调整节点的启发式搜索算法,当节点数在1 500个以内时,本算法都能很快求解,而现有算法通常只能处理几百个节点的中等规模网络.本文首先给出了相关数学模型,然后详述了初始拓扑生成过程及采用的启发式优化算法.最后通过将CPLEX规划结果、人工规划结果和算法规划进行比对,验证算法性能.     

实数遗传算法的改进及性能研究

提出一种粒子群优化方法(PSO)与实数编码遗传算法(GA)相结合的混合改进遗传算法(HIGAPSO).该方法采用混沌序列产生初始种群、非线性排序选择、多个交叉后代竞争择优和变异尺度自适应变化等改进遗传操作;并通过精英个体保留、粒子群优化及改进遗传算法(IGA)三种策略共同作用产生种群新个体,来克服常规算法中收敛速度慢、早熟及局部收敛等缺陷.通过四个高维典型函数测试结果表明该方法不但显著提高了算法的全局搜索能力,加快了收敛速度;而且也改善了求解的质量及其优化结果的可靠性,是求解优化问题的一种有潜力的算法.     

一种改进的新型布谷鸟搜索算法在工业流水作业中调度问题的优化应用

流水作业调度是近几十年来出现的一类重要调度问题。流水车间调度问题是一类非确定性多项式优化问题。因此,需要采用优化算法对其进行优化计算。布谷鸟算法是近年来发展起来的一种元启发式搜索算法。当布谷鸟搜索的参数不变时,算法的效率会降低,因此,本文提出了一种改进的布谷鸟搜索算法来解决传统布谷鸟算法排列流车间调度问题。该算法已应用于一些基准测试问题,可以在相关领域推广应用。     

最小化拖期任务数并行机调度问题的一种基于知识的遗传算法

本文研究了最小化拖期任务数并行调度问题,提出了一种基于知识的遗传算法,并在问题的描述、遗传算法编码、初始种群的产生办法、交叉方法、变异方法等方面作了研究,不同规模问题的数值计算结果表明了本文提出的基于知识的遗传算法优于目前为止最好的启发式算法和普通的遗传算法,并且能适应于较大规模的并行机调度问题。     

舰艇编队网络化反导作战动态目标分配方法

舰艇编队网络化反导作战条件下,目标分配问题演变为"发射节点-制导节点-目标"三者的优化匹配问题,该问题具有很强的实时性和动态随机性。将目标分配分为拦截适应性判断和优化匹配决策两个阶段。拦截适应性判断阶段给出了集成火力单元目标分配区、截止期的计算方法,进而确定了每个目标的拦截适应性判断结果;优化匹配决策阶段建立了静态"发射节点-制导节点-目标"三者的优化匹配模型,分析了动态随机性对目标分配方案的影响。最后,设计了基于遗传算法的Anytime算法求解模型,重点给出了算法的随机事件处理方法和算法的元级控制策略。仿真结果验证了方法的可行性和模型、算法的有效性。     

一种基于改进遗传算法的MIMO多用户检测算法

针对多输入、多输出（MIMO）系统中计算最优多用户检测指数的复杂度问题,提出利用遗传算法进行MIMO多用户检测方案,并从组合优化的角度,提出一种基于改进遗传算法的MIMO多用户检测算法-IGA～MUD。仿真表明,IGA—MUD的性能大大优于ZF和MMSE算法,在获取接近最大似然检测性能的同时,显著降低了算法的复杂度。     

异构计算环境下任务调度模型的启发式算法研究

针对一种具有普遍意义的任务调度模型,从算法特点出发讨论和分析各种启发式调度算法,得出min-min启发式算法和遗传算法在异构计算环境下有较好的性能表现.     

基于代价模型的多平台分析任务流调度优化

分析任务流的调度是人们关注的热点问题之一.在无法提前得知各子任务资源和时间开销以及算子间传输开销的情况下,现有研究缺少较好的调度方法,也无法很好地处理多平台环境下的任务调度.为此,本文提出了一种基于启发式规则优化的拓扑调度算法.该算法通过对同平台任务和后继任务优先选择的规则,对任务流调度顺序进行优化;其次,结合Spark平台下数据分析任务常见的SQL算子和机器学习算子的代价模型,有效对任务的开销做出估计.实验表明,调度优化算法能有效节约时间开销和内存开销,代价模型的估计也较为准确.     

基于改进遗传算法在无功优化中的应用

遗传算法是一种基于自然选择和遗传机制的搜索算法,适合于求解电力系统无功优化问题。对基本遗传算法进行改进,建立了以有功网损为目标函数的电力系统无功优化计算的数学模型。算法对IEEE14节点系统进行了无功优化计算,结果证明了算法的正确性和有效性。     

无线自组网中基于离散粒子群优化的睡眠调度感知最小功率广播

针对当网络使用睡眠调度并且节点的传输功率连续可调节时的最小功率广播调度问题,首先给出了一种计算节点内部最优发送调度的递归方法,然后提出了一种构造最小功率广播调度的离散粒子群算法。该算法搜索最优广播树结构,并融合基于最小广播功率增量的贪心算法和基于启发式调整广播树结构的局部优化算法以提高收敛速度和求解质量。模拟实验结果表明所提算法能够有效地减少广播功率。     

改进遗传算法应用于超低副瓣天线阵的综合设计

提出了一种改进的遗传算法.在同一代中对各个个体采用不重复交叉和不重复变异的策略和分别在交叉和变异后采用精英保留的策略,并改进了自适应规则.将该算法应用于实现线阵超低副瓣方向图.将各个天线单元的电流幅度和单元间距作为参量进行优化.给出了线阵天线单元在不同单元个数和不同间距条件下的优化结果.结果表明,该改进的遗传算法能够优化实现低于-40dB的超低副瓣,优于已有文献中遗传算法对天线阵副瓣的综合设计结果.     

基于混合免疫遗传算法的车辆调度问题

免疫算法是模仿生物体高度进化,复杂的免疫系统仿生的一种智能化启发式算法。在描述车辆调度问题数学模型及免疫算法综述的基础上,引入了一种基于抗体亲和力的混合免疫遗传算法,改进了抗体的交叉算子,解决了路径长度受限的车辆调度问题,实验结果表明,与遗传算法相比较,混合免疫遗传算法能更有效的解决车辆调度问题。     

Internet中基于启发式遗传算法的受限镜像放置问题求解

求解受限镜像放置问题对于Internet内容提供商具有重要的应用价值,但其在数学上归结为k-supplier问题,是一个NPC问题.本文提出了一种求解受限镜像放置问题的启发式遗传算法,该算法采用启发式交叉和变异算子,本质上是对标准两点交叉和单点变异产生的非法染色体进行启发式修正,以提高算法的局部搜索能力,加速收敛.仿真实验详细考察了启发式算子对收敛速度与全局优化性能的影响,并与两种常用启发式算法进行了性能比较.实验结果表明本文算法具有快速收敛,高性能,全局收敛等优点,证明其可行性和有效性.     

一种面向移动边缘计算的多用户细粒度任务卸载调度方法

在移动边缘计算中(Mobile Edge Computing,MEC),任务卸载可以有效地解决移动设备资源受限的问题,但是将全部任务都卸载到边缘服务器并非最优.本文提出一种面向移动边缘计算的多用户细粒度任务卸载调度新方法,把计算任务看作一个有向无环图(Directed Acyclic Graph,DAG),对节点的执行位置和调度顺序进行了优化决策.考虑系统的延迟把计算卸载看作一个约束多目标优化问题(Constrained Multi-object Optimization Problem,CMOP),提出了一个改进的NSGA-Ⅱ算法来解决CMOP.所提出的算法能够实现本地和边缘的并行处理从而减少延迟.实验结果表明,算法能够在实际应用程序中做出最优决策.     

用改进遗传算法优选测试节点

针对模拟电路故障诊断中的测试节点优选问题,首先定义了决策矩阵A及其相关概念,对测试节点优选问题建立了数学模型,将测试节点优选问题转化为典型的0/1规划问题,将测试节点的优选过程变成数学模型的求解过程;然后针对建立的数学模型,提出了一种改进遗传算法,并通过和传统遗传算法、分枝定界法的比较,对算法性能进行了分析.仿真结果表明,提出的节点优选方法可靠有效,具有较高的工程应用价值.     

基于蚁群算法的云计算资源调度分析

当前,云计算资源调度中常用的算法包括遗传算法、蚁群算法、粒子群算法以及综合优化算法等。不同算法所关注的角度存在一定的差异,遗传算法和粒子群算法主要从资源调度的效率方面进行优化,而蚁群算法则是从云计算资源调度的计算成本方面进行考虑。论文讨论了基于优化蚁群算法的云计算资源调度,在兼顾任务效率的基础上,能够进一步降低计算成本。     

基于分支定界法的相控阵雷达事件调度算法

为解决相控阵雷达事件调度问题中调度成功率、时间偏移率与算法时效性三者之间的矛盾，本文提出一种基于分支定界法的调度算法；该算法首先在现有调度结果上调取所有可执行事件，即获得若干"节点"，多步递推后由多"层"节点形成若干条备选"分支"，扩大解空间范围，提高算法性能；然后通过"删减"操作删减掉收益较低分支，将解空间控制在一适当范围内，减小搜索盲目性，降低算法计算量.仿真实验表明，与基于综合优先级算法的调度结果相比，利用本文算法调度时调度成功率提升了52%；与基于时间指针算法的调度结果相比，本身算法时间偏移率降低了61%；与基于遗传算法的调度结果相比，本文算法调度耗时仅为前者1~2%.     

基于决策树挖掘技术的调度算法研究

作业车间的历史调度隐含着丰富的调度信息,文章在传统调度规则、数据挖掘、遗传算法相结合的作业车间调度方法的基础上,提出了基于数据挖掘的调度算法。选择与优化目标相关的工序信息作为历史离线调度数据集的属性,提出了一种应用于决策树的属性分类方法,再利用决策树C4.5算法从数据集中获得调度知识,形成C4.5多叉树规则,进一步与启发式算法融合,改进了初始种群随机的局限性,实现作业车间的实时调度优化。仿真表明,文章所提出的算法在优化性能和收敛速度方面具有明显的优势。     

基于改进遗传算法的多目标JSP调度研究

针对多目标车间作业调度问题(JSP),提出了一种混合遗传算法,将多目标遗传算法得出的初步优化结果作为粒子群算法的初始粒子,利用粒子群算法强化局部搜索,加快收敛速度,改善了简单遗传算法局部搜索能力差、迭代效率低的问题.仿真结果表明了该算法对JSP调度的良好效果.