求解多目标问题的Memetic免疫优化算法

将基于Pareto支配关系的局部下山算子和差分算子引入免疫多目标优化算法之中,提出了一种求解多目标问题的Memetic免疫优化算法(Memetic immune algorithm for multiobjective optimization,简称MIAMO).该算法利用种群中抗体在决策空间上的位置关系设计了两种有效的启发式局部搜索策略,提高了免疫多目标优化算法的求解效率.仿真实验结果表明,MIAMO与其他4种有效的多目标优化算法相比,不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且算法的收敛速度与免疫多目标优化算法相比明显加快.     

基于改进 NPGA 算法的多目标优化云任务调度算法

随着云计算的不断发展,传统的单目标优化下的任务调度已经不能满足用户的服务质量要求。论文选取运行时间、费用和负载均衡建立多目标优化的云任务调度模型,提出一种改进的多目标小生境 Pareto 遗传算法（NPGA）,采用相似任务序列交叉操作加快进化,再采用位移变异避免算法过早收敛。此外,通过自适应选取比较集合规模和小生境半径提高算法的收敛速度。仿真结果表明,改进后的 NPGA 算法在云调度中保持 Pareto 最优解的多样性和分布性更优。     

基于免疫算法和EDA 的混合多目标优化算法

在免疫多目标优化算法的基础上,引入了分布估计算法(EDA)对进化种群进行建模采样的思想,提出了一种求解复杂多目标优化问题的混合优化算法HIAEDA(hybrid immune algorithm with EDA for multi-objectiveoptimization).HIAEDA 的进化过程混合了两种后代产生策略:一种是基于交叉变异的克隆选择算子,用于在父代种群周围进行局部搜索的同时开辟新的搜索区域;另一种是基于EDA 的模型采样算子,用于学习多目标优化问题决策变量之间的相关性,提高算法求解复杂多目标优化问题的能力.在分析两种算子搜索行为的基础上,讨论了两者在功能上的互补性,并利用有限马尔可夫链的性质证明了HIAEDA 算法的收敛性.对测试函数和实际工程问题的仿真实验结果表明,HIAEDA 与NSGAII 算法和基于EDA 的进化多目标优化算法RM-MEDA 相比,在收敛性和多样性方面均表现出明显优势,尤其是对于决策变量之间存在非线性关联的复杂多目标优化问题,优势更为突出.     

基于人工免疫算法的多目标函数优化

提出了一种新型的人工免疫算法用来解决多目标函数优化问题。基于自然免疫系统固有的优良特性对算法进行了设计和分析。最后,算法对3个较复杂的多目标问题进行了优化,优化结果能很好地覆盖问题的Paret。最优面,并且把算法与某些混合遗传算法进行了对比实验,表明人工免疫算法在解决多目标优化问题上具有可观的研究前景。     

一种基于免疫原理的多目标优化方法

借鉴生物免疫原理中抗体多样性产生及保持的机理，建立了一种多目标优化方法．该方法定义了多目标选择熵和浓度调节选择概率的概念，采用了抗体克隆选择策略和高度变异策略．最后采用四种典型的多目标优化函数，将本方法同几种常用的多目标遗传算法进行了比较研究，证明了所建立的基于免疫原理的多目标优化方法能有效解决多目标优化问题且具有一定的优越性．     

基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

多目标优化免疫算法中核心算子抽象

人工免疫系统是受自然免疫原理启发而建立的计算模型,多目标优化问题是当前演化计算的一个重要研究方向。然而,当前的各种免疫优化算法的运行机制和操作过程均不相同。提出一种多目标优化免疫算法的统一表达方法,抽象出免疫算法的3类核心算子的主要原理和运行过程。核心算子可表达经典免疫优化算法NNIA和CMOIA,证明了3类免疫算子表达算法的可行性和高效性。     

大型工程项目任务多目标优化调度方法

提出了一种大型工程项目任务多目标优化调度方法。构建了一种以项目工期最小化、费用最小化及质量最大化为目标函数的多目标优化模型;针对模型的多变量、多约束、大组合量特点,提出了一种基于自适应变异和模拟退火思想的改进蚁群算法。将模型和算法在某大型工程项目任务调度中加以应用,验证了所提出的优化调度方法的正确性和有效性。     

一种新型的免疫多目标优化算法

免疫算法借鉴了生物免疫系统独有的自适应、自组织、多样性、免疫记忆等优良特性,是智能计算领域中继人工神经网络和进化计算之后的又一个研究热点.提出一种新型的基于聚类的免疫多目标优化算法(CMOIA),借鉴了免疫算法的亲和度定义,由此亲和度定义的免疫变异操作子使得算法产生的抗体群体能够逐渐向精英群体变异,结合进化算法在局部搜索中维持解个体多样性的能力对免疫变异产生的抗体群进行交叉变异操作,采用一种基于聚类的克隆选择算子来保持免疫算法在探测新解和加强局部搜索之间的平衡.选取了8个通用的多目标优化问题对3个广泛采用的性能指标进行了测试.与现有两个经典的进化优化算法相比较,算法所产生的解集在收敛性、多样性等方面显示了相当的独创性和先进性.     

云制造环境下面向多目标优化的虚拟资源调度研究

为解决云制造环境下虚拟资源调度存在的算法求解效率不高、模型建立缺乏考虑任务间关系约束和任务间及子任务间的物流时间及成本因素等不足,构建了兼顾交货期时间最小化、服务成本最低化、服务质量最优化为目标的多目标虚拟资源调度模型;采用一种基于项目阶段的双链编码方式进行编码,并提出自适应交叉与变异概率公式,以避免交叉、变异概率始终不变导致算法效率下降与过早收敛的问题;在此基础上利用基于项目阶段的多种交叉变异策略相结合的改进遗传算法进行求解,保证了算法的全局与局部搜索性能。实例结果表明,相比于传统的模型与算法,该模型适用性更强,改进的遗传算法在求解效率、准确度与稳定性方面均有较大提高。     

面向多目标优化的适应度共享免疫克隆算法

多目标优化的日标在于使得解集能够快速的逼近真实Pareto前沿.针对解的分布性问题,以免疫克隆算法为框架,引入适应度共享策略,提出了一种新的具有良好分布性保持的多目标优化进化算法;算法建立外部群体以保存非支配解,以Pareto优和共亨适应度作为外部群体更新与激活抗体选择的双重标准.为了增强算法对决策空间的开发能力,引入...     

多目标蚁群优化网格调度算法

提出基于蚁群算法的网格调度算法,优化作业完成时间。同时局部升级和全局升级采用不同策略,解决资源负载均衡问题,满足网格的多目标优化。最后通过Gridsim仿真环境和其他算法进行比较分析。     

云环境下改进SOS的多目标任务调度算法

为有效获取云计算中多目标任务调度求解算法的全局最优解,提出一种云环境下基于改进期望服务质量(Qo S)的多目标任务调度算法。设计多目标任务调度框架,提出相应的目标函数与约束条件。利用准反射学习构建初始种群以改进共生生物搜索(SOS)算法,加入自适应变异率以提高全局搜索能力。通过设定坐标进行任务分配,利用改进后SOS算法实现多目标任务优化调度。云计算仿真结果表明,所提算法相比于其它算法,有效改善了能源利用率、能耗和时间成本,具有较好的Qo S传输性能。     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于多目标免疫系统算法的云任务调度策略

针对云计算环境下任务调度问题,为减少任务完工时间,同时降低任务执行费用,提出一种改进的基于多目标免疫系统的任务调度算法IMISA来寻找较优的可行分配方案。与传统分配适应度值不同,该算法将抗体群划分为非支配解集和支配解集,分别将非支配解的独立支配区域面积、支配解与所有非支配解所围成的多边形面积作为相应的抗体-抗原亲和力,根据相应亲和度计算克隆比例后克隆变异生成子代。在CloudSim平台上进行仿真实验,结果表明,与NSGA-Ⅱ及多目标免疫系统算法(MISA)相比,IMISA能够找到具有更短完工时间及更小的执行费用的调度方案,同时获得的Pareto解集也具有更好的分布性。     

面向云制造平台的模型修复算法及任务调度算法的研究

随着三维打印技术的发展,面向3D打印服务的云制造平台也得到快速发展,改变着传统的制造模式。然而目前的云制造平台也面临着诸多问题,针对目前存在的模型修复难度高及任务不能合理调度的问题,本文提出了保特征的模型修复算法和基于遗传算法的任务调度算法,并通过实验和仿真验证了算法的有效性。为了更好的体现算法效果,本文搭建了一个基于分布式制造的云制造平台,该平台配合模型自动修复算法以及基于遗传算法的任务调度算法,为用户提供低门槛、高效、优质的3D打印服务。     

云环境下调度算法综述

对任务调度在云计算中的地位作了分析,并由任务调度出发,对云计算任务调度算法的研究现状进行分类、梳理和总结。根据调度目标的不同,介绍了多目标的任务调度算法:人工蜂群算法,帝国竞争算法,蝙蝠算法,猫群算法等。对每类方法的代表性算法进行了分析介绍,并详细总结了每类方法的基本思想、优缺点做了分析、对比和改进方式的归纳,对相关实验平台进行了分析对比。     

免疫克隆算法求解动态多目标优化问题

求解动态多目标优化(dynamic multi-objective optimization,简称DMO)问题的主要困难在于目标函数、约束条件或者相关的问题参数是随时间不断变化的.基于免疫克隆选择学说,提出一种用于解决DMO问题的新算法--动态多目标免疫克隆优化(immune clonal algorithm for DMO,简称ICADMO).该算法改进了现有的克隆策略,采用整体克隆的方式;在选择策略上,根据Pareto-占优的概念,将抗体群中的个体分为支配个体和非支配个体,对非支配个体进行选择.采用3个特色算子,使其很好地保持了所得解的多样性、均匀性和收敛性.通过数值实验,与DBM(direction-based method)算法进行比较,结果表明,新算法在收敛性、多样性以及解分布的广度方面都体现了很好的性能.     

基于云多目标微粒群算法的多项目调度方法

针对多技能员工受限的多项目调度问题的特点,建立了以项目群的总工期及总费用最小为目标的调度模型;将云模型嵌入到基于Pareto的向量评价微粒群算法（VEPSO-BP）中,提出了一种新的云多目标微粒群算法（CMOPSO）;该算法结合任务分配矩阵及开工时间设计了微粒编码,能根据微粒适应度自动调整惯性因子;结合软件研发实例测试了CMOPSO的性能,与VEPSO-BP进行了对比;实验结果表明CMOPSO能取得更为丰富且优化效果更好的Pareto非支配解。     

自适应邻域的多目标网格任务调度算法研究

针对网格计算中的多目标网格任务调度问题,提出了一种基于自适应邻域的多目标网格任务调度算法。该算法通过求解多个网格任务调度目标函数的非劣解集,采用自适应邻域的方法来保持网格任务调度多目标解集的分布性,尝试解决网格任务调度中多目标协同优化问题。实验结果证明,该算法能够有效地平衡时间维度和费用维度目标,提高了资源的利用率和任务的执行效率,与Min-min和Max-min算法相比具有较好的性能。