任务分配与调度的共同进化方法

并行与分布式计算环境中随着独立任务的增多,传统进化类单种群的任务分配与调度算法的效率与效力随之大为降低,该文在分析传统解完整编码单种群进化类算法的基础上,基于生物界多物种间共同进化的机制提出了任务分配与调度的合作式共同进化计算模型,并探讨了任务分配与调度问题中的子种群合作方式与个体的适应值计算方法。此外,从数学上分析了基于合作式共同进化的任务分配与调度算法的性能,指出共同进化调度方法中好的调度方案能以高于传统单种群进化算法的递增指数递增。仿真分析证实了算法的理论分析结果,算法具有实际工程价值。     

基于遗传算法的任务分配与调度

现代社会许多领域都开始重视任务分配与调度工作,进而开展了许多相关的研究,其中较具有代表性的为基于遗传算法的任务分配与调度。因此,结合遗传算法的变化、特点及传统遗传算法的局限性,提出一种针对异构系统的任务分配与调度就产生的进化算法,并通过仿真实验验证其有效性。     

基于遗传算法的雷达网任务分配

任务分配是雷达作战指挥的重要内容,随着空防对抗强度及难度的增加,其重要性愈加突出。结合雷达部队实际,本文根据遗传算法理论,提出一种基于遗传算法的雷达网优化开机算法。计算机仿真表明该算法收敛速度快、收敛性好,适用于处理多雷达、多目标等复杂情况。     

网格计算中基于并行克隆遗传算法的任务分配与调度

实现网格计算的一个重要目的在于实现地理分布、异构资源的统一描述方法,提供用户虚拟的统一资源界面,并将用户提出的服务要求透明、动态地分配给最适应的资源上执行。针对目前任务调度的应用现状,提出了一种既能使资源负载均衡又能充分利用系统资源的并行克隆遗传算法,该启发式算法能显著地降低资源最优分配中的计算复杂度,使其能满足实时调度的需要。实验结果表明这种算法优于其他调度算法。     

任务分配与调度中的遗传算法：知识表示与遗传算法子研究

Task matching and scheduling play an important role in parallel and distributed systems.In order to use genetic algorithms(Gas) for tasks matching and scheduling,not only appropriate representations of solutions but also genetic operators’efficiency and generality are very important.In this paper,analysis between problem space and representation space is given at the first.Then based on the representation of permutation,two general efficient genetic operators are proposed,order crossover(OCX)and migration. OCX generates new schedules with heuristic due to the problem space with constraints among tasks. Migration transfers a task from one processor to another within a schedule. The simulation results of algorithms and conclusions are given at last.     

基于遗传算法的任务分配问题求解

分布式计算系统中的一个根本问题是任务模块在处理器上的合理分配,以使总费用最小。针对随机试探法对初始条件敏感的不足,本文利用改进的遗传算法,通过设计合理的遗传算子寻求该任务分配问题的最优解。实验结果表明,本文的方法对初始条件不敏感,对具有不同拓扑结构的一致性及非一致性任务分配问题,其平均总费用降低约２％ ,此外,在大多数情况下也能使完成费用降低。     

基于云雾协作模型的任务分配方法

针对在云雾协作下实现移动用户任务请求的合理分配与调度的问题，提出了一种基于云雾协作模型的任务分配算法--IGA。首先，采用混合编码的方式对个体进行编码，并采用随机的方式产生初始种群；其次设定服务商的花费作为目标函数；然后进行选择、交叉、变异操作产生出符合条件的新个体；最后，根据染色体中的任务请求类型分配到相应的资源节点上，并更新迭代计数器，直到迭代完成。仿真结果表明，在处理移动用户请求时，与传统的云模型相比，云雾协作模型在时延上降低了近30 s，服务水平目标（SLO）违规率上降低了约10个百分比，在服务提供商花费上亦有所减少。     

基于改进遗传算法的星地任务优化调度研究

星地任务优化调度是利用特定的星地资源合理地安排星地任务。由于星地任务众多而资源有限,而且星地任务受星地可见性以及多方面约束,星地任务调度问题十分复杂。针对星地任务的特点,建立了星地任务调度问题模型,提出了基于改进遗传算法的星地任务优化调度算法。算法采用按适应度排名轮盘赌选择、顺序交叉、随机对换变异的算法要素。针对遗传算法局部搜索能力弱的特点,提出了利用爬山算法优化新一代个体的方法,以增强遗传算法的局部搜索能力,给出了基于改进遗传算法的星地任务调度算法。     

基于遗传算法的网络处理器任务分配问题

流水线模式是网络处理器常用的一种编程模式,将任务映射到处理器处理引擎上去是NP-完全问题。针对以往基于遗传算法的解决方案过早收敛的局限性,提出m Ga Pipe算法。该算法采用优化交叉算子IMX和混合变异算子Hybrid M,避免遗传算法出现过早收敛,从而显著提高遗传算法解决此类问题的准确度。仿真结果显示m Ga Pipe算法在同等条件下将收敛到最优解的比率从传统遗传算法的解决方案的9.25%提升到52.25%。     

一种有效的任务分配算法

本文针对非均质问题,在TRANCUBE多处理机系统上利用图匹配中的启发式方法,提出一种新的任务分配算法.该算法不仅简单,而且效率高.     

基于遗传算法的分布式测控系统任务分配与调度

相关任务分配与调度是分布式测控系统中的出了一种新的分布式任务分配与调度算法,即先寻求最优分配方案,再在此基础上寻求最优调度方案,从而使任务分配与调度方案最优.此算法不仅保证了任务的相关性,而且算法的实现清晰明了.文中详细介绍了遗传算子的设计.     

MULTIROBOT MOTION PLANNING USING HYBRID MNHS AND GENETIC ALGORITHMS

Planning the motion of multiple robots deals with computing the motion of all robots avoiding any collision. This article focuses on the use of hybrid Multi Neuron Heuristic Search (MNHS) and Genetic Algorithm (GA). The MNHS is an advancement over the conventional A* algorithm and is better suited for maze-like conditions where there is a high degree of uncertainty. The MNHS contributes toward optimality of the solution, and the GA gives it an iterative nature and enables the approach to be used on high-resolution maps. MNHS works over the set of points returned by the GA in its fitness function evaluation. A priority-based approach is used, in which the priorities are decided by the GA. Path feasibility is speeded up by using the concept of coarser-to-finer lookup called momentum. Experimental results show that the combined approach is able to easily solve the problem for a variety of scenarios.

[Supplementary materials are available for this article. Go to the publisher's online edition of Applied Artificial Intelligence for the following free supplemental resource(s): Videos 1-4]     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.     

总线互连机群系统上的静态任务调度

与大规模并行处理（ＭＰＰ）系统相比,基于总线互连的机群系统是一种较为廉价的并行计算环境,文中提出了一个基于总线互连机群系统上的静态任务调度算法。在该算法具有３个主要特点：（１）由于不同处理机之间的通信都必须通过共享总线,故在调度时将总线与处理机一些看成是资源加以分配;（２）针对总线适合于广播的特点,在调度中考虑了广播,地于某些应用而言可以大大通信次数,（３）在确定任务在某个处理机上的开始执行时间以     

AUTOMATICALLY CONSTRUCTING MEMBERSHIP FUNCTIONS AND GENERATING FUZZY RULES USING GENETIC ALGORITHMS

The most important task in designing a fuzzy classification system is to find a set of fuzzy rules from training data to deal with a specific classification problem. In recent years, many methods have been proposed to construct membership functions and generate fuzzy rules from training data for handling fuzzy classification problems. We propose a new method to generate fuzzy rules from training data by using genetic algorithms (GAs). First, we divide the training data into several clusters by using the weighted distance clustering method and generate a fuzzy rule for each cluster. Then, we use GAs to tune the membership functions of the generated fuzzy rules. The proposed method attains a higher average classification accuracy rate than the existing methods.     

基于遗传算法与蚁群算法动态融合的网格任务调度

深入分析遗传算法和蚁群算法的机理,并结合网格任务调度的研究,提出基于遗传算法和蚁群算法动态融合的网格任务调度策略.该策略通过不同迭代次数中种群相似度的差值实现两种算法的动态融合.仿真实验表明该策略是可行的,并且具有高效性.     

基于遗传蚁群算法的雾计算任务调度研究

雾计算是部署在网络边缘的分布式系统,任务调度是雾计算中最重要的研究问题之一.针对雾计算环境下任务请求的合理调度问题,提出基于雾计算的遗传蚁群算法.算法前期利用遗传算法快速搜索能力避免蚁群算法前期搜索能力不足的问题,后期利用蚁群算法正反馈的特性进行解空间的搜索.仿真实验结果表明,该算法在CPU执行时间和分配内存方面优于传...     

移动微云任务迁移与调度

为了解决移动微云中时间期限约束下的任务能效调度问题,提出一种基于自适应概率的分布式任务调度算法。算法分为两个阶段:资源发现阶段和自适应概率调度阶段。第一阶段主要通过修正的QoS OLSR协议,使发送任务执行请求的源节点周期性地收集邻近处理节点的资源信息;第二阶段主要根据源节点的任务到达率,以概率计算方式选择最优的处理节点执行任务,在满足时间约束的同时,达到最优的能效。经过大量仿真场景的验证,结果表明该算法在维持较高的任务完成率的同时,还可以降低任务完成的平均能耗。     

基于遗传算法的多移动机器人协调路径规划

采用链接图法建立了机器人工作空间模型;应用遗传算法规划多移动机器人运动路径;引入适应值调整矩阵新概念,以达到对多移动机器人运动路径的全局优化;基于面向对象技术,研制成功多移动机器人路径规划动态仿真系统.大量仿真实验结果表明,所提方法可行.     

混沌系统的一种自学习模糊控制

提出一种基于遗传算法的自学习模糊控制方法控制混沌系统。用一种改进的遗传算法学习模糊控制器的隶属度函数，以改善模糊控制器的性能，使其达到良好的控制效果。用此方法控制Ｈｅｎｏｎ系统的混沌行为，效果良好。