基于量子粒子群优化的DAG并行任务调度研究*

任务调度是网络并行计算系统的核心问题之一。在有向无环图(DAG)描述问题的基础上,提出了一种进行并行任务调度的量子粒子群优化算法。首先对DAG并行任务调度问题作出定义,并给出了优化问题的目标;然后分别讨论了问题的编码表示、解码方案、位置向量的计算方法、离散问题连续化、算法的总体流程等;最后给出算法的仿真实验情况及分析,实验结果表明,该算法有良好的全局寻优性能和快捷的收敛速度,调度效果优于遗传算法和粒子群优化算法。     

基于免疫粒子群的嵌入式系统软硬件划分方法

针对嵌入式系统软硬件划分问题,提出一种粒子群算法与免疫克隆选择算法相结合的免疫粒子群软硬件划分方法。该算法重新定义了亲和力、克隆算子、变异算子和选择算子,有效克服了粒子群算法容易陷入局部最优的缺点。仿真实验表明该算法有效提高了解的精度,获得了更合理的软硬件划分结果。     

粒子群优化在嵌入式软硬件划分中的应用

针对嵌入式系统设计中的软硬件划分问题,提出了一种基于粒子群优化(PSO)算法的划分策略,并将该算法与整数线性规划、遗传算法、蚁群算法等进行计算机仿真比较。结果表明,该方法获得的最优解优于遗传算法和蚁群算法两种元启发式算法,充分接近由整数线性规划得到的最优解;在算法执行时间方面,该方法也优于其它三种算法。     

基于组合算法的嵌入式系统软硬件划分方法

嵌入式系统软硬件划分是一个多约束条件、多目标的组合优化问题,单一算法难以找到最优设计方案,为此,提出一种遗传算法和粒子群算法组合的嵌入式系统软硬件划分方法。首先建立嵌入式系统软硬件划分问题的数学模型,然后利用遗传算法找到问题的可行解,最后采用粒子群算法找到最优方案,并采用仿真实验测试算法的性能。仿真结果表明,该方法提高了嵌入式系统软硬件划分问题的求解效率,可以快速找到更优的软硬件划分方案。     

基于小波变异的二进制粒子群的软硬件划分算法

针对可重构片上系统软硬件划分问题,采用DAG建模,提出一种改进的图广度优先遍历法,将软硬件划分问题转化为带约束条件的0/1背包问题,提出基于小波变异的二进制粒子群算法。该算法改变BPSO的粒子参数计算模式,利用群体最优值和个体最优值决定粒子当前取值的概率,并引入小波变异以一定概率对粒子变异,得到最优计算结果。实验表明该算法提高了解的精度,得到令人满意的划分结果。     

一种嵌入式系统软硬件划分算法

软硬件划分是嵌入式系统软硬件协同设计中的一个关键问题.传统划分算法具有局部最优,收敛速度慢的缺陷.为使组成系统性能达到最优化,提出一种新的嵌入式系统软硬件划分算法.先采用嵌入式系统转化成有向无环图,可将嵌入式系统软硬件划分问题转换成一个多条件约束问题,用蚂蚁放置于有向无环图顶点上,对系统软硬件的划分准确率作为蚁群算法优化目标,通过蚁群算法搜索最优目标函数值,有效避免传统划分算法搜索陷入局部最小,大幅度降低搜索时间.实验结果表明,采用蚁群算法能够高效、快速获得准确地划分结果,为嵌入式系统设计提供了依据.     

基于交叉变异的混合粒子群优化算法

粒子群优化算法是一种基于群体智能理论的全局优化算法,通过群体中粒子间的合作与竞争实现对问题空间的高效搜索。针对算法后期收敛速度较慢、易陷入局部最优的缺点,提出了一种混合粒子群算法。该算法通过改变种群初始化方法,引入交叉和变异机制等措施改善基本粒子群算法的性能。数值试验结果表明,改进型粒子群算法在提高全局寻优能力和加快收敛速度等方面均有良好的表现。     

基于遗传交叉因子的改进粒子群优化算法

提出一种基于遗传交叉因子的改进粒子群优化算法,通过自适应变化惯性权重来改善算法的收敛性能,借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体粒子的优良特性,减小了算法陷入局部极值的可能。对几个典型的测试函数进行仿真表明,该算法较标准粒子群优化算法(PSO)提高了全局搜索能力和收敛速度,改善了优化性能。     

基于遗传和禁忌搜索混合的软硬件划分算法

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和禁忌搜索（TS）各自优缺点的基础上,提出采用遗传/禁忌混合算法（GATS）的策略,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子,遗传算法中变异过程解空间的搜索由禁忌搜索实现。实验结果表明,GATS具有多出发点和记忆功能强、爬山能力强的优势,能够克服GA爬山能力差、TS单点出发的弱点。最后与单纯的遗传算法和禁忌搜索算法进行对比实验,证明GATS更有优势,得到的划分结果也更优秀。     

基于广义遗传粒子群优化算法的供应链优化求解

供应链优化研究是供应链管理中的一个重要问题,也是一个难题,首先提出了一个新型供应链优化模型,针对该优化问题的求解,构造了融入特殊自然演化规则的广义遗传算法(GA),并且与粒子群优化结合,得到了广义遗传粒子群优化算法,克服了粒子群优化算法局部收敛的缺陷,提高了其全局收敛的能力。实验表明,对供应链优化问题的求解,广义遗传粒子群优化算法优于传统的遗传算法、粒子群优化算法和分枝界定法。     

基于遗传粒子群混合算法的供应链调度优化

针对大规模定制模式下的供应链调度优化问题,首先将供应链调度优化问题进行数学规划建模,并通过一些定义将模型映射为有向图,以便于智能搜索算法的应用;然后,结合遗传算法全局搜索能力强与粒子群算法收敛速度快的特点,进行优势互补,构造了一种混合算法;最后,运用混合算法对供应链优化调度问题模型进行求解.通过与其他算法进行比较,所得结果表明混合算法有着更好的整体性能.     

基于量子粒子群算法的可重构系统软硬件划分

针对软硬件协同设计中软硬件划分的这个关键问题,提出了一种基于量子粒子群算法的动态可重构系统软硬件划分的算法;首先使用有向无环图对嵌入式系统建模,得到软硬件划分优化系统的目标函数;然后通过采用自适应的量子旋转角调整策略以及引入量子变异操作,有效避免搜索过程陷入局部最优,提高搜索效率;对比实验结果表明本文算法对解决软硬件划分问题的有效性;文章算法不但能够以更快的搜索速度得到软硬件划分结果,并且得到划分结果更优,是一种具有较高性能的划分方法.     

一种基于遗传算法改进的粒子群优化算法

在研究标准粒子群算法和遗传算法的基础上,介绍一种加入遗传选择,交叉算子以及变异算子的扩展算法,以提高粒子群算法摆脱局部极值点的能力,并且算法具有较快的收敛能力。     

一种基于有向动态网络拓扑的粒子群优化算法

该文提出了一种改进的PSO算法PSO-DSF。引进有向类无标度网作为粒子群寻优的拓扑结构,提出作为粒子邻域拓扑的有向网络动态变化机制,使有向网络在出度服从幂律分布的条件下动态变化,从而提高算法的多样性,避免过早陷入局部最优的情况。通过函数测试,证实了该改进方案的有效性。     

基于混合粒子群优化算法的现金流优化

以最大化现金流净现值为优化目标的多模式资源约束调度问题MMRCPSP(Multi-mode Resource-Constrained Project Scheduling Problem)是一类带有复杂非线性特征的NP-hard问题,传统粒子群算法在解决该类离散问题上具有一定局限性。从粒子群算法的优化原理出发,结合遗传算法,在粒子群算法中引入交叉和变异操作,得出一种应用于MMRCPSP现金流优化的快速、易实现的混合粒子群算法,拓宽了粒子群优化算法在离散优化领域的应用。仿真实验结果验证了算法的有效性和高效性。     

基于遗传算子的改进粒子群优化算法

为了克服PSO算法容易陷入局部最优的缺陷,提出一种基于遗传算子的改进PSO算法。该算法借鉴常规的遗传算法中的选择交叉操作,在优化搜索过程中更新粒子的位置时,进行交叉操作,可以扩大全局搜索范围,避免局部最优,提高粒子的多样性。对改进后的算法使用几个典型的测试函数进行了仿真实验,实验结果表明,相比于标准PSO该算法的全局搜索能力和收敛精度都有较大提高,有效地改善了优化性能。     

基于粒子群优化的遗传粒子滤波算法

针对遗传粒子滤波算法中粒子匮乏问题,提出一种新的基于粒子群优化的遗传粒子滤波算法。利用粒子群优化算法,驱动粒子向高似然区域移动,以增加有效粒子的数目,从而抑制粒子退化和匮乏现象,同时将遗传算法中的选择、交叉、变异引入粒子滤波,以改善粒子退化及计算量大的问题。实验表明,该算法有效地改善了粒子匮乏现象,同时提高了状态预估的精度,降低了算法的计算量,提高了算法的鲁棒性。     

基于混沌粒子群的有向传感器网络覆盖优化

研究有向传感器网络覆盖控制问题,全向传感器不能直接应用于有向传感器网络.为改善有向传感器网络覆盖性能,在分析有向感知模型的基础上,提出了应用混沌粒子群的有向传感器网络覆盖优化算法,可随机部署有向传感器网络,以网络区域覆盖率为优化目标,利用粒子群算法较快的收敛速度和混沌搜索的遍历性、随机性,通过调整传感器节点的主感方向,减少网络感知重叠区和感知盲区.仿真结果表明,改进算法能有效提高网络覆盖率.与基本粒子群等覆盖优化算法相比,改进算法覆盖优化性能更好.     

粒子群优化算法

系统地介绍了粒子群优化算法，归纳了其发展过程中的各种改进如惯性权重、收敛因子、跟踪并优化动态目标等模型。阐述了算法在目标函数优化、神经网络训练、模糊控制系统等基本领域的应用并给出其在工程领域的应用进展，最后，对粒子群优化算法的研究和应用进行了总结和展望，指出其在计算机辅助工艺规划领域的应用前景。     

基于遗传粒子群算法的高维复杂函数优化方法

针对高维复杂函数优化的特点,提出了一种遗传算法与粒子群算法相结合的主-从结构算法。算法中,主级为全局搜索的遗传算法;从级为局部邻域搜索的粒子群算法。通过主-从协调机制和从级转换函数设计,使算法不依赖复杂的编码方式和进化算子进行全局精确搜索。通过仿真和比较实验,验证了算法对高维复杂函数优化的有效性。