基于Spark的蚁群算法在物流配送路径优化问题中的应用研究

为优化物流配送路径、降低物流成本,提出利用基于Spark的蚁群算法求解物流配送最优路径。充分利用Spark提供的基于内存的RDD,将蚁群封装成RDD,经过一系列的RDD转换操作,从而实现蚁群在云计算集群中分布式地并行构建可行解的过程。实验表明,该算法大幅降低运行时间和计算成本,提高了蚁群算法搜索最优物流配送路径的效率。     

基于MapReduce的蚁群优化算法实现方法

探讨了蚁群算法的几种并行方式与适用场景以及结合云计算编程框架MapReduce的可行性,并将局部搜索类蚁群优化算法抽象为几个组件,分别与MapReduce框架的几个接口对应实现,从而为该类蚁群优化算法在MapReduce框架下实现并行化提供了一种灵活、扩展性好的解决方案。最后通过旅行商问题的仿真实验验证了所提方法的有效性。     

基于MapReduce与蚁群优化的航路规划算法

航路规划是提高无人机生存能力的有效途径,可使其安全、快速到达目的地。为在云计算环境中分布式并行地求解航路规划问题,应用云计算技术提出基于MapReduce和多目标蚁群算法的航路规划算法( RPMA)。设计多目标蚁群算法,并采用多种优化策略对传统算法进行改进。 RPMA能预先规划出多条航迹,可根据不同的飞行任务选择不同的航路,并在飞行过程中根据不同需要临时确定合适的飞行航路。仿真实验结果表明, RPMA求解航路问题是可行、有效的,具有较好的收敛性和扩展性,以及对大规模数据的处理能力。     

基于蚁群优化蛙跳算法的云计算资源调度算法

针对云计算资源调度存在效率低的问题,提出了基于服务质量（QoS）的云计算资源调度算法。首先,在蚁群优化（ACO）算法中采用质量函数和收敛因子来保证信息素更新的有效性,设置反馈因子来提高概率的选择;其次,在蛙跳算法（SFLA）中通过交叉因子和变异因子来提高SFLA的局部搜索效率;最后,在ACO算法的每一次迭代中通过引入SFLA的局部搜索和全局搜索进行更新,提高了算法的效率。云计算的仿真实验结果表明,与基本的ACO算法、SFLA、改进后的粒子群优化（IPSO）算法、改进的人工蜂群算法（IABC）相比,所提算法在QoS的4个指标中有最少的完成时间、最低的消耗成本、最高的满意度和最低的异常数值,表明所提算法能够有效地运用在云计算资源调度中。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

基于交互式的并行蚁群优化算法

传统蚁群优化算法研究已经取得了很多重要的成果,但是在解决大规模组合优化问题时仍存在早熟收敛,搜索时间长等缺点.为此,将邻域搜索技术与蚁群优化算法进行融合,提出一种新的并行蚁群优化算法,实验结果表明,在解决大规模TSP问题时,该算法求解质量和稳定性更好,在短时间内即可得到较高质量的解.     

基于蚁群算法的Hadoop调度算法研究

为有效提高Hadoop集群作业调度的效率,提出一种基于蚁群算法的自适应作业调度的方案,有效利用蚁群算法正反馈的优势特点,使Hadoop作业调度器更高效地对任务进行分配,提高整体架构的作业性能。实验结果表明,该算法能够很好的平衡资源负载,减少任务的完成时间,提高系统处理任务的性能。     

求解多处理机调度问题的蚁群算法

蚁群算法是受自然界中的蚂蚁觅食行为启发而设计的智能优化算法,特别适合处理离散型的组合优化问题。提出一种求解多处理机调度的蚁群算法,利用一个蚂蚁代表一个处理机来选择任务,并通过分析关键路径及每个任务的最早、最迟开始时间来确定每个任务的紧迫程度,让蚂蚁以此来选择任务。实验证明,该算法可比传统算法取得有更好运行效率的调度策略。     

蚁群算法不确定性分析

蚁群算法作为一种开创性的生物仿真算法,因其具有并行性、鲁棒性等优良性质得到了广泛的应用。在对蚁群算法进行系统仿真的实验中,发现蚁群算法存在很多不确定因素。这些因素对蚁群算法的性能造成不同程度的影响,作为一种基于实验的研究性的探讨,本文对所发现的不确定因素做了分析,并根据分析结果对蚁群算法作了相应的改进。     

基于蚁群优化算法的云计算任务分配

针对已有的适用于分配任务的蚁群算法易陷入局部最优解的缺陷,提出了一个保证云服务质量的分组多态蚁群算法。该算法将蚁群按职能不同分为搜索蚁、侦察蚁和工蚁,根据预测完成时间的更新使平均完成时间逐渐取得最小值,从而减少产生局部最优解的可能,最后通过Cloudsim仿真实现。结果表明该方法减少了处理请求任务的平均完成时间,提高了任务处理的效率。     

一种基于ACO的K-medoids聚类算法

K-medoids算法作为聚类算法的一种,不易受极端数据的影响,适应性广泛,但是K-medoids聚类算法的精确度不稳定,平均准确率较低,用于实际的聚类分析时效果较差.ACO是一种仿生优化算法,其具有很强的健壮性,容易与其他方法相结合,求解效率高等特点.在K-medoids聚类算法的基础上,借鉴ACO算法的优点,提出了一种新的聚类算法,它提高了聚类的准确率,算法的稳定性也比较高.通过仿真实验,验证了算法的可行性和先进性.     

求解TSP的改进信息素二次更新与局部优化蚁群算法

针对蚁群（ACO）算法收敛速度慢、容易陷入局部最优的缺陷,提出了一种改进信息素二次更新局部优化蚁群算法（IPDULACO）。该算法对蚁群搜索到的当前全局最优解中路径贡献度大于给定的路径贡献阈值的子路径信息素进行二次更新,以提高构成潜在最优解的子路径被选择的概率,从而加快算法的收敛。然后,在搜索过程中,当蚁群陷入局部最优时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。将改进算法应用于若干经典的旅行售货商问题（TSP）进行仿真实验,实验结果表明,对于小规模的TSP,IPDULACO可以在较少的迭代次数内获得已知最优解;对于较大规模的TSP,IPDULACO可以在较少的迭代次数内获得更精确的解。因此,IPDULACO具有更强的搜索全局最优解的能力和更快的收敛速度,可以高效求解TSP。     

基于信息素强度的蚁群算法

现有的蚁群算法在选择路径的时候都是同时考虑信息素和路径长度两个因素,导致算法未能很好地模拟真实蚂蚁。为了更好地模拟现实蚂蚁的行为,提出一种新的蚁群算法。该算法在选择路径的时候只考虑信息素强度, 而在信息素强度初始化和信息素强度更新的时候考虑了路径长度这一因素,同时也给出一种动态的信息素更新方式。经实验验证这一算法可以取得较好的搜索效果,并且它的运算速度要比现有的蚁群算法快5倍以上。     

基于蚁群优化算法的虚拟现场可编程门阵列部署策略

针对可重构密码资源池中,如何在最少的现场可编程门阵列（FPGA）上部署虚拟FPGA （vFPGA）的问题,结合FPGA的工作特点和应用场景的需求,在传统蚁群算法的基础上进行了优化,提出了一个基于蚁群优化（ACO）算法的vFPGA部署策略。首先,通过赋予蚂蚁资源状态感知的能力实现各个FPGA之间的负载均衡,同时避免频繁的vFPGA迁移;其次,设计预留空间,有效减少因为租户需求动态变化带来的服务等级协议（SLA）冲突;最后,对CloudSim进行功能扩展,使用合成的工作流进行仿真实验,对该策略性能进行评估。实验结果表明,所提策略可以在保证系统服务质量的前提下,提高FPGA资源利用率,减少FPGA使用量。     

基于Spark的人工蜂群改进算法

针对人工蜂群（ABC）算法求解组合优化问题时效率低的问题,提出了基于Spark云计算框架的并行ABC改进算法。首先,将蜂群划分为子蜂群并将蜂群构造为弹性分布式数据集,子蜂群使用广播机制交换优秀个体;然后,采用一系列转换算子,实现蜜蜂寻找解过程的并行化;最后,用万有引力质量计算代替轮盘赌概率计算,减少计算量。通过旅行商问题（TSP）求解说明了算法的可行性。实验结果表明：对比标准ABC算法,所提算法加速比最大达到3.24;对比未改进的并行ABC算法,该算法收敛速度提高约10%。所提算法在复杂问题求解方面优势更加明显。     

基于滑动窗口和蚁群优化算法的二次路径规划算法

针对蚁群优化(ACO)算法在复杂环境下规划能力较弱的问题,提出了一种基于滑动窗口和蚁群优化算法的二次路径规划(QACO)算法.对回退蚁群优化(ACOFS)算法的回退策略进行改进,通过降低回退路径上的信息素量,减少回退次数.第一次规划中,使用改进后的ACO算法对栅格环境进行全局路径规划;第二次规划中,滑动窗口沿着全局路径滑动,通过ACO算法规划出滑动窗口中的局部路径,并使用局部路径对全局路径进行优化,直至滑动窗口中包含目标位置.仿真实验表明:相比ACO、ACOFS算法,QACO算法的平均规划时间分别下降了26.21%、52.03%,平均路径长度下降了47.82%、42.28%,因此在复杂环境下QACO算法具有将强的路径规划能力.