基于种群规模可变的粗粒度并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注。本文分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于种群规模可变的粗粒度并行遗传算法,仿真结果验证了这种新算法的有效性和合理性。     

并行遗传算法的研究及应用进展

并行遗传算法(PGA)将并行计算机的高速并行性和遗传算法天然的并行性相结合,极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述,并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。     

并行遗传算法的研究及应用进展

并行遗传算法（PGA）将并行计算机的高速并行性和遗传算法天然的并行性相结合,极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述,并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。     

并行遗传算法与神经网络,模糊系统的结合

遗传算法是模拟自然界生物进化过程的计算模型。本文介绍了并行遗传算法的不同分类及不同并行策略，又将遗传算法分别与神经网络、模糊系统结合起来进行并行处理，并在曙光１０００系统上实现。算法分析表明，并行遗传算法可以有效地提高收敛速度。     

一种改进多亲遗传算法的并行模型研究

通过分析传统遗传算法和多亲遗传算法的不足，提出了一种多亲遗传算法的改进算法：基于共享存储器的多亲遗传算法，并对其进行了理论分析，讨论了GA的并行模型特点后，结合粗粒度并行模型和群体分组的并行方式，提出了一种MGASM的并行模型，该模型有利于改进MGASM的性能，提高其搜索效率。将MGASM-PPGA应用到了数据聚类问题中，进行了仿真实验，获得了理想的实验结果。     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘.在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生.以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性.     

基于并行遗传算法的规则发现研究

阐述了传统遗传算法的基本思想、原理和步骤及其在数据挖掘(规则集发现)中的应用,给出了基于遗传算法的知识规则挖掘算法的基本思想和关键问题,包括知识规则表示、适应度函数定义等,继而提出多种群并行进化结构,利用精英重组策略,产生池进化模型以及自适应参数的手段调整并行遗传算法进行数据挖掘。在算法具体实现过程中,采用了动态变异交叉概率等方法,有效避免了并行遗传算法中早熟现象的发生。以北美香菇数据为例,进行并行遗传算法挖掘分类规则,实验说明了该算法在发现和进化规则方面的有效性。     

一种新并行遗传算法及其应用

基于量子计算的概念和原理,本文提出一种新并行量子遗传算法,即粗粒度并行量子遗传算法(CGPQGA)。该算法的核心是引入层环粗粒度并行计算模型和一种新进化策略。由于CGPQGA只需迁移搜索到的最佳个体到各个子群体,因而算法的通信开销很小。通过用CGPQGA设计控制器的应用实例表明,CGPQGA优于常规并行遗传算法,能加速子群体中最佳个体的迁移,收敛速度快,全局寻优能力强,同时具有勘探和开采的能力。     

自主迁移的并行遗传算法用于马斯京根模型参数估计

遗传算法是一种随机性的全局优化算法,但简单遗传算法易陷入局部最优。将并行技术与遗传算法相结合,且针对影响并行遗传算法性能的迁移时机进行研究,提出自主迁移的并行遗传算法用于马斯京根模型参数估计。实验结果表明,该算法为估计马斯京根模型参数提供了一种有效的方法。     

并行遗传算法骨架的研究和实现

通过对并行遗传算法的4种并行模型和基于骨架的编程模型的对比研究,设计并实现了一个并行遗传算法骨架,用以简化并行遗传算法应用程序的开发过程.透明的并行机制,使得用户只需编写个体适应度函数的顺序程序,再调用该算法骨架就可以完成并行遗传算法程序开发;开放的算法骨架结构,可以吸收遗传算法研究领域众多优秀成熟的改进算法;多种编码方式的支持为用户提供的更自由的选择空间.该算法骨架通过调用现有的结构骨架实现具体的并行,从而与并行计算平台相独立,具有很高的重用性和灵活性.     

基于Spark的并行遗传算法在物流配送问题中的应用

传统的遗传算法在数据量不足的单机情况下可能存在早熟的现象,遗传算法对搜索范围的依赖性很强,大搜索范围的遗传算法往往有更好的表现。为解决以上问题,可把Spark海量存储和并行计算的能力运用到遗传算法的求解上,实现一种粗粒度的并行遗传算法。利用Spark并行执行遗传算法的选择、交叉和变异等操作,可以大大提高遗传算法的搜索范围和执行速度。实验将改进后的遗传算法应用到物流配送问题中,结果表明,与单机和传统的并行模型相比,基于Spark的遗传算法在运行时间上明显减少,同时早熟的现象也得到了缓解。     

A network parallel genetic algorithm for the one machine sequencing problem

This paper presents a network parallel genetic algorithm for the one machine sequencing problem. It examines a parallel genetic algorithm in which processors exchange their best solution found at periodic intervals and the case when no exchange is performed. The network parallel genetic algorithm is executed on a cluster of IBM RS/6000 workstations using a master-slave approach. Performance to a serial genetic algorithm is reported.     

一种求解TSP问题的多种群并行遗传算法

遗传算法是一种基于自然群体遗传机制的有效搜索算法,由于它在搜索空间中同时考虑许多点.减少了收敛于局部极值的可能,也增加了处理的并行性.因此可以利用并行遗传算法研究典型的TSP问题的求解.提出一种有效的多种群并行算法求解旅行商(TSP)问题,应用多种群遗传并行进化的思想,并在种群之间进行遗传信息交流,以解决经典遗传的收敛到局部最优值问题.仿真实验结果表明,方法在解的精度上以及解的质量上优于经典的遗传算法.     

基于OpenCL大规模种群并行遗传算法

为了提高RNA二级结构预测的准确率和加速遗传算法,提出基于OpenCL大规模种群并行遗传算法。通过研究遗传算法中潜在的并行性,以Acer TMP246M-MG-5086为实验平台,先在CPU中实现遗传算法,再使用OpenCL技术在GPU中实现大规模种群并行遗传算法。测试结果表明,并行遗传算法对于RNA二级结构预测的准确率平均提高了约49.88%,使用GPU平均加速比为9.76x。     

基于并行遗传算法的配送路线求解

遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律演化而来的随机化搜索方法,已经成功运用在很多大规模的组合优化问题中。利用如今流行的并行计算机系统,对遗传算法进行并行化,可解决标准遗传算法的速度瓶颈问题。本文在MPI并行环境下,用C++语言实现了粗粒度模型的并行遗传算法。结合并行遗传算法的特点,提出了解决物流配送路线优化的策略以及给出相应的算法过程,并进行了有效验证。通过研究结果表明,与传统遗传算法相比,并行遗传算法提高了运算速度,降低了平均开销时间并且最小总路径值更理想。     

分布式并行计算环境下混合遗传算法的研究

为提高混合遗传算法的计算效率和求解质量,提出一个并行混合遗传算法框架。该框架主要由遗传算法、小生境操作和单纯形3部分组成,遗传算法和小生境操作采用串行执行方式,单纯形采用分布式并行执行方式。分布式并行计算环境由4台计算机通过交换机连接构成,并设计了一个动态任务调度方案。一个典型工程算例验证了新算法的有效性,并且在分布式并行环境下取得了较好的加速比和并行效率。     

并行遗传算法分析

在科学计算机领域,并行遗传算法开始受到关注。分析了遗传算法并行化的同和实现模型,讨论了遗传算法隐含的并行性,对于灵活应用并行遗传算法有指导意义。     

一种主从式并行遗传算法设计

该文对串行遗传算法进行了并行设计,加入对当前通用消息传递接口MPI的支持,形成了一个主从式并行遗传算法。针对该算法用经典的测遗传算法效率的OliverTSP问题进行测试,得出并行遗传算法可以更好的提高遗传算法的收敛性。     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。