多目标卫星数传调度蚁群优化算法

卫星数传调度问题具有任务多、资源少、调度约束复杂等特点,为满足多目标优化调度的理论和现实需要,提出了多目标卫星数传调度蚁群优化算法。算法建立了基于任务调度关系的解构造图,提出了用于可行解构造的自适应伪随机概率决策模型,以及基于Pareto解偏离度的全局信息素更新策略。仿真结果表明,算法具有较好的Pareto前沿收敛性,各优化目标都能得到较好的指标评价值,所获得的Pareto解集规模适度,Pareto解的多样性、分布均匀性和散布范围都较好。     

卫星数传调度的蚁群优化模型及算法

针对卫星数传调度问题,提出了基于任务－资源关联结点的新型解构造图模型,人工蚁群通过任务边和资源弧分阶段进行任务调度序列和资源分配序列构造,设计了任务调度和资源分配启发式信息,以增强蚁群在伪随机状态转移过程中的搜索能力。通过局部信息素更新防止算法陷入局部最优,利用全局信息素更新的信息素正反馈机制使算法逐渐收敛到全局最优。仿真结果表明,新型解构造图反映了任务与资源之间的密切联系,分阶段状态转移策略和启发式信息的利用有助于增强算法的寻优能力,算法正确可行,并具有良好的收敛性、鲁棒性。     

基于蚁群算法的车间作业调度问题研究

对基于蚁群算法的车间作业调度问题求解进行了研究,在分析了传统蚁群算法求解车间作业调度问题容易出现早熟、收敛于局部最优解以及搜索速度慢的缺陷,提出了一种改进的混合蚁群算法。该方法在信息素更新规则上利用信息素局部更新策略和全局更新策略来进行信息素的更新,并将领域搜索与蚁群算法相结合,从而求得问题的可行解。最后,基于benchmarks问题进行了实验仿真,实验结果证明该改进混合算法的有效性及可行性。     

基于蚁群优化算法的网格任务映射策略

针对网格环境下实现任务最优映射的问题,提出一种基于蚁群优化算法的网格任务映射策略(ACO-GTM)。该算法通过人工蚂蚁在构建图上行走构建初始解,利用最优改进2-选择局部搜索方法对初始解进行局部优化,并采用全局信息素更新与局部信息素更新相结合的信息素更新策略。最后通过实验与其他算法进行比较,表明所提出的映射算法在最优跨度和负载平衡方面具有明显的优越性。     

动态信息素更新和路径奖惩的蚁群算法

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题的情况,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效地平衡算法的多样性和收敛性。在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,跳出局部最优。同时基于最优路径集合,对较优路径进行奖励,对其他路径进行惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度。并且使用三种局部优化方法,从而进一步提高解的精度。经过实验测试,该算法用于解决旅行商问题（traveling salesman problem,TSP）,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾。     

基于重要解成分的信息素更新策略

蚁群优化算法通过信息素记录搜索过程中获取的知识,并基于信息素搜索新的解,因此好的信息素更新策略对蚁群优化算法至关重要。针对不同解成分的贡献不同的特点,提出了新的信息素更新策略:首先识别候选解的重要成分,然后在更新信息素时只允许重要的解成分得到加强。基于新的更新策略更新的信息素更好地反映了优质解的特点,从而加快了信息的正反馈过程。以4阶欺骗问题为例,验证了新算法的有效性。     

双信息素蚁群算法及其在TSP中的应用研究

提出了一种新的蚁群算法,通过在算法中引入双信息素,很好地改进了算法在解决TSP(旅行商)问题时的收敛性和最优解的全局性.一方面通过提高全局信息素对城市路径选择的影响度,很大程度上缩短了算法寻优时间,使算法收敛性得到很大的改善;另一方面通过对接近最优解的一定范围内次优解进行局部更新,避免了算法容易收敛于局部最优解的缺点,极大地改进了最优解的全局特性.在MATLAB中构建了基于蚁群算法的TSP问题模型,仿真结果表明,独立的全局信息素使蚁群很快集中于各个次优解区域搜索,局部更新策略又使蚁群跳出局部级值寻找最优,仿真结果证明算法的改进十分有效.     

基于图论和蚁群算法的虚拟装配序列规划研究

为了解决复杂装配体装配序列生成与优化问题,首先建立装配体的有向关联图,生成对应的关联矩阵.在运用蚁群算法求解满足最小装配代价的装配序列解的过程中,通过改进信息素更新策略,更新局部和全局信息素,指导蚁群快速寻找全局最优解;同时引入信息素挥发系数自适应调节机制,避免了求解过程陷入局部最优.最后通过实例验证了算法的有效性.     

基于混合行为的蚁群双序列比对方法

针对基本蚁群算法在双序列比对中存在的易陷入局部最优解及收敛慢的问题,提出了一种新的基于混合行为的蚁群双序列比对算法,该算法通过增加蚂蚁行为模式来增大搜索空间,并且通过改变信息素更新策略来加快收敛速度。实验表明,该算法得到的解的全局性和收敛速度相对基本蚁群算法都有较大提高。     

基于结点群的高效的动态二分查找器

针对求解NP-hard的车间生产调度存在的问题,提出了一种基于思维进化的蚁群算法。该算法建立在传统蚁群算法上,并结合思维进化思想和局部寻优思想克服了基本蚁群算法易陷入局部最优的缺陷,改进了状态转移规则,限定了信息素的范围,改进了信息素更新策略,并增加了邻域搜索。实验表明,对于典型生产调度问题,基于思维进化的蚁群算法可以求得理论最优解,在最优解、最差解和平均解3个指标上都优于基本蚁群算法,体现出了较好的性能。     

基于任务-资源分配图优化选取的网格依赖任务调度

任务调度是网格应用系统获得高性能的关键.网格计算中一个大型的应用程序往往被分解为具有依赖关系的多个任务.在资源个体差异较大、广域互连的网格环境下任务间的依赖关系对传统的调度策略提出了新的挑战.任务调度的主要工作是为任务分配资源以及确定任务的执行次序,将依赖任务的可能的资源分配方案表示为任务-资源分配图（T-RAG）,在该图的基础上提出了基于T-RAG优化选取的依赖任务调度模型,将依赖任务调度问题转化为图的优化选取问题,解析最优任务-资源分配图可以同时确定资源分配方案和任务的执行次序即为最优调度方案.最后,实现了基于该模型的任务调度算法,该算法与ILHA算法的对比分析表明,在资源差异较大及任务间存在大量数据传输的情况下所提出的算法更优.     

智能建筑室内环境分布式可计算WSN任务调度研究

针对智能建筑室内环境下并行计算的动态任务调度问题,构建了基于分布式CPS思想的无线传感器网络(WSN)模型,并分别设计了基于可计算复杂性的任务分配策略和基于动态调度算法的任务调度策略。通过先将任务分配成若干个子任务,采用多带图灵机输入任务,由合适的计算节点进行计算,形成有向无环图,再按调度优先级排列任务,形成任务调度序列表,依序处理任务,从而达到了将任务分配、调度和执行相结合的目的。实验结果表明该策略可有效减少智能建筑室内环境分布式可计算WSN分布运行时任务之间的通讯时间和等待时间,同时提高了任务调度的成功率,最终优化系统的运行效率。     

基于剪枝分层的柔性加工车间调度算法

针对柔性作业车间调度中工序间存在的冗余调度次序约束关系问题和工序-设备间存在的多加工模式情况,提出基于剪枝分层的柔性加工车间调度算法.该算法首先用有向无环图表示工序及工序间的调度次序关系,采用剪枝法消除图中的冗余弧,采用分层法对图中结点分层;其次对加工模式进行分类,制定工序-设备预约策略和工序-设备预分配策略;最后,采用事件驱动策略,驱动时刻按所提出的柔性加工策略调度工序加工.理论分析和实例表明,所提出的算法具有较好的调度效果.     

基于DBTNN算法的场景调度策略研究

构建了一种能有效描述大规模虚拟环境的场景图和基于该场景图的场景多叉树,以此为基础提出了基于改进的动态二叉树神经网络(Dynamical Binary-tree Based Neural Network,DBTNN)进行场景调度的新方法,并给出了神经网络挖掘装配过程中视点变化的规律.同时,通过该网络输出预测下一步或下几步的视点状态信息,使场景调度具有一定的容错性,提高了场景调度的实时性并使调度更加智能化.最后给出了不同场景的测试结果,表明该算法对于大规模复杂场景有非常好的优化效果.     

求解柔性作业车间调度问题的鸟群算法

柔性作业车间调度问题是生产调度领域中非常重要的一类带约束优化问题。根据其求解特性,提出一种基于改进的鸟群算法求解以最小化最大完工时间为目标的柔性作业车间调度问题的方法。该方法采用随机黑洞策略改进鸟群的觅食方式,自适应的动态调整策略改善鸟群的迁移步长,从而提高种群的多样性并加速算法的收敛速度;通过对关键路径上工序的领域搜索加强算法的局部搜索能力。最后利用实际制造企业的生产加工数据以及标准测试实例进行仿真实验,实验结果表明,该算法在问题的求解精度和收敛速度上具有一定的优势,是一种有效的求解柔性作业车间调度问题的新方法。     

具有空闲时间的云制造作业车间调度方法

针对云制造企业的剩余能力利用问题,研究具有空闲时间的车间调度方法.构建云制造作业车间的调度框架,以最小化工期为目标,考虑设备空闲时间,提出工序加工时间序列的确定方法和空闲时间段的更新策略,采用基于工件的精简编码和改进的二阶粒子群算法求解工件最优调度顺序.仿真结果验证了所提出调度方法的可行性.与已有算法的对比分析表明,改进算法具有良好的搜索性能.     

基于正态云模型的状态转移算法求解多目标柔性作业车间调度问题

为了求解具有多目标多约束的柔性作业车间调度问题,提出一种基于正态云模型的状态转移算法.构建以最小化最大完工时间、机器总负荷及瓶颈机器负荷为目标的多目标柔性作业车间调度问题的数学模型;针对灰熵关联度适应度分配策略在Pareto解比较序列与参考序列之间的差值相等时不能引导算法进化的情况,提出一种改进灰熵关联度的适应度值分配策略;同时引入兼具模糊性和随机性的云模型进化策略以改进状态转移算法,可有效避免算法早熟并增加候选解的多样性.仿真结果表明:基于正态云模型的状态转移算法能够有效解决多目标柔性作业车间调度问题;与其他算法相比,所提出算法求解问题的收敛精度更高、收敛速度更快.     

数据密集作业在GPU集群上的调度算法研究

数据密集型作业包含大量的任务,使用GPU设备来提高任务的性能是目前的主要手段.但是,在解决数据密集型作业之间的GPU资源公平共享以及降低任务所需数据在网络间的传输代价方面,现有的研究方法没有综合考虑资源公平与数据传输代价的矛盾.分析了GPU集群资源调度的特点,提出了一种基于最小代价最大任务数的GPU集群资源调度算法,解决了GPU资源的公平分配与数据传输代价较高的矛盾.将调度过程分为两个阶段：第1阶段为各个作业按照数据传输代价给出自己的最优方案;第2阶段为资源分配器合并各个作业的方案,按照公平性给出全局的最优方案.首先,给出了GPU集群资源调度框架的总体结构,各个作业给出自己的最优方案,资源分配进行全局优化;第二,给出了网络带宽估计策略以及计算任务的数据传输代价的方法;第三,给出了基于GPU数量的资源公平分配的基本算法;第四,提出了最小代价最大任务数的资源调度算法,描述了资源非抢夺、抢夺以及不考虑资源公平策略的实现策略;最后,设计了6种数据密集型计算作业,对所提出的算法进行了实验.通过实验验证,最小代价最大任务数的资源调度算法对于资源公平性能够达到90%左右,同时亦能保证作业并行运行时间最小.