改进GAs算濡大规模资源分配问题中的应用

采用改进ＧＡｓ算法建立了求解大规模规划的资源分配模型，针对大规模资源分配问题的具体特点，设计了合适的ＧＡｓ算子，并以实全我验证了处工法的合理性及有效性。     

TS与GAs混合算法在大规模资源分配问题中的应用

采用ＴＳ与ＧＡｓ混合算法建立资源分配模型来分解协调大规模规划问题。针对大规模资源分配问题的特点，选择合适的ＴＳ参数及ＧＡｓ算子，构造出一种新的混合算法。具体实例验证了算法的合理性及有效性。     

基于改进的蝙蝠算法在云计算中的资源分配

云计算中的资源分配一直都是研究的重点, 提出了一种基于改进的蝙蝠算法的云计算资源分配方法. 在蝙蝠算法中引入差分遗传算法, 通过变异, 交叉和选择等操作避免个体陷入局部最优, 以及过早产生最优解的可能,改进后的蝙蝠算法能够有效的提高收敛速度和精度. 仿真实验表明, 本文算法不但有效提高了算法性能, 还优化了云计算系统中的资源调度能力, 提高了云计算资源的利用率.     

云计算中虚拟机资源分配算法

为了解决云计算中虚拟机部署预留方案浪费大量资源和单目标部署方案不够全面问题,提出了一种基于组的多目标遗传算法虚拟机资源分配算法.该算法分成组编码和资源编码,资源编码根据虚拟机历史资源需求进行整合编码,通过改进的交叉和变异操作,将物理机器个数和虚拟机占用物理机器资源整合.实验结果表明,该算法有效减少了物理机器个数使用和提高了物理机器资源使用率,达到了节能目的.     

网格资源分配算法的研究

资源分配是网格计算研究领域中的一个要点问题,目前已研究的若干计算智能方法大多是单一的用于解决网格资源分配问题,对于在混合的前提下提高资源分配性能方面还缺乏深入的研究。为此,针对网格资源分配问题提出了一个启发式混合搜索算法,通过带有启发式的遗传算法在资源中进行搜索,在生成的解中再利用蚁群算法做进一步的探索。仿真实验结果表明,该算法在满足用户需求的前提下,有效地提高了网格资源利用率。     

反馈网络在资源分配中的应用

消耗性资源的分配是现实中许多领域都会遇到的问题。如何提高资源的利用效率是资源分配研究的重点。该文用数学的方法描述了资源分配效率和分配的约束条件并将离散反馈网络应用在这个问题中。该算法有良好的并行性,能够使网络收敛到稳定状态,并得到较高的资源分配效率。     

流问题中的资源分配

复杂系统的通讯网络中的流依赖于网络的拓扑结构和每条弧上的流量。系统的可靠性说明了在已知条件下系统完成特定功能的特性。故障的产生会使得故障点信息传送达不到满负荷，网络上弧上的流量减少。本文使用计算信息量减少的方法度量传送网中操作的可靠性，关键是考虑弧上流量的限制，以保证网络最优的可靠性。     

基于改进遗传算法的D2D资源分配策略

针对D2D（Device to device, D2D）通信技术在蜂窝系统中的资源分配与干扰问题,提出一种基于改进遗传算法的D2D资源分配策略。首先,确定保证蜂窝用户和D2D用户通信质量的功率范围,然后提出一种改进的遗传算法来确定D2D的最佳发射功率,最大化系统吞吐量。该算法在保证蜂窝系统服务质量（Quality-of-service, QoS）的同时,让交叉算子和变异算子随进化代数进行自适应变化,从而达到全局最优。仿真结果表明,本文所提算法可有效提升系统吞吐量并提高D2D用户的信道利用率。     

超密集网络中基于干扰协调的资源分配算法

超密集网络中,严重的小区间干扰制约了终端用户的数据速率,针对该问题,该文提出一种基于干扰协调的资源分配方案。该方案分为两个模块：第一模块基于毫微微接入点(Femtocell Access Points, FAPs)间的干扰程度,将干扰强的FAPs分到同一簇内,同簇内的FAPs共享频带资源,通过FAPs间的协作使不同簇之间实现频谱的复用;第二模块基于最大功率和最低速率的公平性准则进行最优功率分配,动态分配资源。仿真结果表明,该算法在超密集网络场景下能够有效控制FAPs间的干扰,最大化系统吞吐量。     

基于模糊集和遗传算法的多传感器信息融合工件识别

本文首先通过模糊逻辑和遗传算法相结合的方法确定出信息的冗余度和模糊度,然后对传感器信息以最优的方法在决策级进行融合.工件识别结果表明了多传感器信息融合的优越性和该方法的可行性.     

改进遗传算法在汽车悬架系统中的应用

本文应用遗传算法模式理论，采用灰度编码，给出模式交叉、模式变异操作的定义，并提出一种新的改进遗传算法。该算法使交叉、变异操作有机结合，避免了交叉概率和变异概率的主观选择，具有收敛速度快，迭代次数少且不易陷入局部最优等优点。最后使用该方法对33自由度的汽车悬架多体模型进行实例分析并和传统优化方法、标准遗传算法和小生境遗传算法进行比较，结果明显优于其它方法。     

遗传算法的初步研究及改进后的遗传算法程序IGA1.0

遗传算法是近年来被广泛应用的一种非线性和并行算法。本文研究了几种改进遗传算法效率，提高搜索速度的方法，引入了两种变异的方法，并根据最大最小适应值的差值对适应值函数进行了修正，同时，对三种算子进行了重新安排以拓展搜索工在搜索过程中加入排序以提高杂交效率，同传统的遗传算法相 文的遗传算法没有使用固定的变异率和杂交率，而是让它们随着搜索过程中群体中的个体的重复情况改变，用经典的验证函数检验，这些改进提高     

作战指挥控制下利用改进遗传算法进行资源调度的方法

作战任务系统是调度指挥和协同控制的有机结合.系统的整体性、可靠性不仅取决于系统所利用的最优控制算法,还取决于战场资源的合理调度组合.融入相关约束条件及组合搭配方案能更好达到组织的协调控制.传统遗传算法存在早熟收敛、陷入局部最优等问题,对此提出聚类组合方式、关联作战因素的适应度函数及目标模型、二维关联编码方法等改进方法....     

统计遗传算法

本文讨论了遗传算法中框架定理的不足之处，并对之进行了改进，然后分析了遗传算法与Ａ算法的相似性，以及遗传算法的概率性质．由此联想到它与ＳＡ算法的相似性，在此基础上，作者将原先发展的一套ＳＡ算法的理论移植到遗传算法中来，建立一个新的算法，称之为统计遗传算法（简记为ＳＧＡ算法）．为适合于优化计算，作者引入最大值统计量及其对应的ＳＡ算法（简称为ＳＭＡ算法），并将ＳＭＡ算法与ＧＡ算法相结合（记为ＳＧＡ（ＭＡＸ）算法）．新的算法不仅提高了算法的精度和降低了计算的复杂性，而且能克服ＧＡ算法中出现“早熟”的现象以及提供进行并行计算的可能性．更主要的是新的方法为ＧＡ算法的精度、可信度和计算复杂性的定量分析提供了理论和方法上的有力工具.     

遗传算法求解完全欺骗性问题的平均计算时间

讨论了一类遗传算法求解完全欺骗性问题的平均计算时间,证明了这类算法的平均计算时间是问题规模的指数次方,同时指出存在一种基于多重结构的遗传算法,它求解这个问题的２计算时间是问题规模的多项式次方。     

A COMPARATIVE STUDY ON PARTICLE SWARM OPTIMIZATION AND GENETIC ALGORITHMS FOR TRAVELING SALESMAN PROBLEMS

This article deals with a performance evaluation of particle swarm optimization (PSO) and genetic algorithms (GA) for traveling salesman problem (TSP). This problem is known to be NP-hard, and consists of the solution containing N! permutations. The objective of the study is to compare the ability to solve the large-scale and other benchmark problems for both algorithms. All simulation has been performed using a software program developed in the Delphi environment. As yet, overall results show that genetic algorithms generally can find better solutions compared to the PSO algorithm, but in terms of average generation it is not good enough.     

基于改进RBF的变压器油色谱在线监测装置配置策略研究

变压器油色谱在线监测是变压器故障诊断的重要举措,也是电网变电检修的重要手段。考虑到110千伏(66千伏)电压等级油浸式变压器在线监测装置的选配对其诊断效果具有较大影响,并且其影响因素较多且复杂,提出一种基于K-means聚类和遗传算法相结合的RBF神经网络在线监测装置配置策略。从变压器内部本体特征和外部所处环境两个方面对装置选配影响因子进行筛选和分析得到最终的影响因子;对RBF模型的适用性进行分析和阐述;建立以影响因子为输入向量,以监测装置配置评分作为输出向量的基于改进RBF在线监测装置配置模型。实验结果表明,该模型能够对在线检测装置进行准确评分,提高了选配准确度,证明了该模型的有效性。与神经网络(BP)模型相比,该模型加快了网络收敛速度,能够更加有效地解决在线监测装置配置问题,为电网提供切实可行的方案。     

LEARNING OF RESOURCE ALLOCATION STRATEGIES FOR GAME PLAYING

Human chess players exhibit a large variation in the amount of time they allocate for each move. Yet, the problem of devising resource allocation strategies for game playing has not received enough attention. In this paper we present a framework for studying resource allocation strategies. We define allocation strategy and identify three major types of strategies: static, semi-dynamic, and dynamic. We then describe a method for learning semi-dynamic strategies from self-generated examples. We present an algorithm for assigning classes to the examples based on the utility of investing extra resources. The method was implemented in the domain of checkers, and experimental results show that it is able to learn strategies that improve game-playing performance.     

遗传算法优化效率的定量评价

为了评价遗传算法的优化效率,提出了"平均截止代数"和"截止代数分布熵"的概念,并用二者组成的平面测度作为评价准则.在此基础上,以浮点型遗传算法为例,对不同遗传算子的优化效率进行了详细的研究.结果表明,不同遗传算子对应着不同的优化效率;这为选择高效的遗传算子提供了科学依据.