基于改进灰狼算法的云资源调度策略研究

针对云计算中任务调度考虑因素单一和大规模任务环境下任务存在调度效率低、分配不合理等问题,本文提出了一种基于改进的灰狼优化算法的云计算任务调度策略。通过建立基于多目标的评价模型,使其在单一适应度中处理多目标,其中包含任务总耗时、功耗以及系统负载度;提出一种将粒子群算法和灰狼优化算法相结合的搜索方法,以增强灰狼层次的全局最优搜索;引入自适应权重以增强灰狼优化算法的局部搜索能力;同时引入随机对立学习策略以避免陷入局部最优。将本文提出的改进算法与粒子群优化算法(PSO)、标准灰狼优化算法(GWO)及基于MakeSpan适应度的灰狼优化算法(MGWO)在CloudSim平台进行对比实验。仿真结果表明,该方法适用于大规模任务调度,且在任务完成总耗时、功耗以及系统的负载均衡度方面较PSO、GWO和MGWO均有明显提升,其中较MGWO算法综合提升14%。     

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。     

区域多任务安全隐患排除的机器人调度策略

针对灰狼优化算法易陷入局部最优且单一算法不易解决障碍物空间多机器人隐患搜排的调度问题,提出了一种分步引导式多机器人安全隐患协同排除调度策略。首先引入非线性收敛因子调整策略和静态加权平均权重策略改进灰狼优化算法以避免算法陷入局部最优;随后通过改进的灰狼优化算法先后两次求解遍历顺序,引导机器人规划搜索路径与排除隐患点路径;最后在领航者-跟随者模型的基础上多机器人编队与队形变换避障,逐一到达隐患点位置实现多机器人的调度策略。通过国际通用6个基准函数进行测试,改进的灰狼优化算法在收敛速度、搜索精度及稳定性上均有明显提高,验证了区域多任务安全隐患排除的分步引导式多机器人协同调度策略的有效性。     

反向学习的灰狼算法优化及其在交通流预测中的应用

本文针对灰狼优化(Grey Wolf Optimizer,GWO)算法平衡全局探索和局部搜索能力的不足,提出了一种基于反向改进的灰狼算法(Opposition Learning Grey Wolf Optimizer,OLGWO),来优化预测模型的超参数,以提高其用于交通流预测的精度与鲁棒性.本算法在迭代过程中采用了反向学习策略,并引入了等级相关概念,主要通过计算普通狼与目标狼的Spearman相关系数,并根据其值来选择性地更新狼种群.实验先对12个标准测试函数对比了四种算法OLGWO、TGWO(Transformed Grey Wolf Optimizer)、GWO、PSO(Particle Swarm Optimization),得到了寻优均值和标准差,验证了OLGWO算法具有突出的性能优势;然后采用美国加州公路交通流数据,在不同缺失率下比较了四种算法优化的反向传播(Back Propagation,BP)网络模型,结果显示,OLGWO-BP模型预测精度比其它三种模型最高分别有1.95％、3.98％和11.07％的提升,同时表现出更好的稳定性.     

混沌灰狼优化算法训练多层感知器

灰狼优化算法(GWO)是一种新的基于灰狼捕食行为的元启发式算法,被证明是一种具有高水平的探索和开发能力的算法。但是存在开发和探索不平衡的问题,以至于其优化性能并不理想。该文将混沌理论引入GWO中,用于平衡GWO的探索和开发,提出一种改进的混沌灰狼优化算法(CGWO),并应用于多层感知器(MLPs)的训练。首先,基于Cubic混沌理论对GWO的位置更新公式进行改进,以增加个体的多样性,增大跳出局部最优的概率和对解空间进行深入的搜索;其次,设计一种非线性收敛因子,用于协调和平衡CGWO算法在不同迭代进化时期的探索和开发能力;最后,将CGWO算法作为MLPs的训练器,用于对3个复杂分类问题进行分类实验。结果表明:CGWO在分类准确率,避免陷入局部最优,全局收敛速度和鲁棒性方面相较于其他对比算法均具有较好的性能。     

贪婪随机自适应灰狼优化算法求解TSP问题

对于求解TSP问题,提出一种贪婪随机自适应灰狼优化算法(GRAGWO)。GRAGWO算法基于贪婪随机自适应搜索算法(GRASP),采用其构造阶段生成初始解,在局部搜索阶段采用灰狼优化算法(GWO)对结果进行优化。GWO算法不能直接用于求解离散问题,易陷入局部最优,导致后期收敛速率较低。根据TSP问题的特性,针对易形成局部最优路径和随着迭代次数增进而导致种群多样性减退这两个缺陷,重新定义灰狼编码方式,与GRASP启发式算法相结合,应用于求解TSP问题。采用TSPLIB中的多组不同规模的TSP问题作为实验用例,并将GRAGWO算法与其他仿生算法进行对比,结果表明在求解准确率、稳定性和解决大型城市问题方面具有相对优势。     

基于Hadoop的灰狼优化K-means算法在主题发现的研究

快速准确的在海量网络数据中发现热点主题对于网络舆情监控具有重要作用.针对K-means算法对初始中心点选择敏感和全局搜索能力不足的问题,提出一种基于Hadoop的改进灰狼优化K-means的IGWO-KM算法.首先,该算法将灰狼优化算法和K-means算法相结合,利用灰狼优化算法收敛速度快和可全局寻优的优势为K-means搜索最佳聚类中心,减小随机选取初始中心点而导致的聚类结果不稳定性,以获取更好的聚类结果.其次,使用非线性收敛因子改进灰狼优化算法,协调算法的全局和局部的搜索能力.然后,引入正弦余弦算法并进行改进,增强灰狼优化算法的全局搜索能力,优化寻优精度和收敛速度,避免陷入局部最优.之后,使用近邻空间球减少K-means聚类过程中冗余的距离计算加快算法收敛.最后,利用Hadoop集群可批量处理数据的特性,实现算法的并行化.实验结果表明,IGWO-KM算法具有更好的寻优精度和稳定性,相比于GWO-KM算法和K-means,该算法在查准率、召回率和F值均有明显提高,且具有良好的收敛速度和拓展性.     

GWO与ABC的混合优化算法及其聚类优化

灰狼优化算法（Grey Wolf Optimizer,GWO）和人工蜂群算法（Artificial Bee Colony,ABC）是两种流行且高效的群智能优化算法.GWO具有局部搜索能力强等优势,但存在全局搜索能力弱等缺陷;而ABC具有全局搜索能力强等优点,但存在收敛速度慢等不足.为实现二者优势互补,提出了一种GWO与ABC的混合算法（Hybrid GWO with ABC,HGWOA）.首先,使用静态贪心算法替代ABC雇佣蜂阶段中的动态贪心算法来强化探索能力,同时为弥补其收敛速度降低的不足,提出一种新型的搜索蜜源方式;然后,去掉影响收敛速度的侦查蜂阶段,在雇佣蜂阶段再添加反向学习策略,以避免搜索陷入局部最优;最后,为了平衡以上雇佣蜂阶段的探索能力,在观察蜂阶段,自适应融合GWO,以便增强开采能力和提高优化效率.大量的函数优化和聚类优化的实验结果表明,与state-of-the-art方法相比,HGWOA具有更好的优化性能及更强的普适性,且能更好地解决聚类优化问题.     

蝙蝠优化的二维Tsallis熵多阈值SAR图像分割

针对智能优化SAR图像分割算法存在计算量大、易陷入局部最优、分割精度不够等问题,融合蝙蝠算法和二维Tsallis熵多阈值,提出了一种蝙蝠优化的二维Tsallis熵多阈值SAR图像分割算法。算法利用立方映射均匀化初始蝙蝠种群,引入Levy飞行特征加强算法跳出局部最优能力,使用Powell局部搜索加快算法收敛等3方面改进蝙蝠算法;同时将二维Tsallis熵单阈值分割方法扩展到多阈值分割,建立基于多阈值的选取方法,并结合改进的蝙蝠算法,将二维Tsallis熵多阈值应用于SAR图像分割中。仿真结果表明,与其他智能优化分割算法相比,本分割算法在边缘处理和分割精度上都有明显优势。     

基于混沌的多策略优化麻雀算法及应用

针对原始麻雀搜索算法在寻优过程中出现多样性降低,难以跳出局部最优,以及收敛精度不够等问题,提出一种基于混沌的多策略优化麻雀算法.首先,通过Circle混沌映射进行种群初始化,生成分布更加均匀的麻雀种群,增加种群的多样性;其次,引入自适应比例,对发现者的种群规模占种群总规模的比例进行动态变化,平衡算法的全局搜索与局部挖掘能力;然后引入Levy飞行改进发现者位置更新方式,提高算法的搜索范围与局部搜索能力,并且加快收敛于最优值的速度;最后,选择逐维变异与反向学习相融合的方式来扰动当前全局最优位置,通过贪婪算法来筛选出变异前后的最优值作为当前全局最优值,从而提高算法跳离局部最优的能力.本次选择12个基准函数和Wilcoxon秩和检验进行验证,并于六种其他算法进行对比,证明了以上多种策略对于算法的性能提升明显.同时,将该改进算法应用于工程实践中,本文选择压缩弹簧设计优化问题,验证所提改进算法在工程设计中的可行性与优越性.     

Improved sparrow search algorithm for RFID network planning

To solve the problem that the performance of the coverage, interference rate, load balance andweak power in the radio frequency identification(RFID) network planning. This paper proposes an elite opposition-based learning and Lévy flight sparrow search algorithm(SSA), which is named elite opposition-based learning and Levy flight SSA(ELSSA). First, the algorithm initializes the population by an elite opposed-based learning strategy to enhance the diversity of the population. Second, Lévy flight ...     

基于马尔科夫链的灰狼优化算法收敛性研究

针对灰狼优化算法（Grey Wolf Optimization,GWO）在收敛性研究上的不足,首先,通过定义灰狼群状态转移序列,建立了GWO算法的马尔科夫（Markov）链模型,通过分析Markov链的性质,证明它是有限齐次 Markov链;其次,通过分析灰狼群状态序列最终转移状态,结合随机搜索算法的收敛准则,验证了GWO算法的全局收敛性;最后,对典型测试函数、偏移函数及旋转函数进行仿真实验,并与多种群体智能算法进行对比分析.实验结果表明,GWO算法具有全局收敛性强、计算耗时短和寻优精度高等优势.     

自适应遗传灰狼优化算法求解带容量约束的车辆路径问题

带容量约束的车辆路径问题是NP难的组合优化问题,精确算法无法在合理的时间内得到有效的解.本文提出了一种采用灰狼空间整数编码和先路由后分组解决方案生成策略的自适应遗传灰狼优化算法用于求解带容量约束的车辆路径问题.该算法提出了移动平均自适应灰狼更新策略和灰狼基因遗传策略提高全局收敛能力,同时提出带3-opt的劣势点启发邻域搜索策略来增强算法的全局和局部搜索能力.实验结果表明：所提出算法具有较高的计算精度和较强的寻优能力,有较高的鲁棒性,通过与自适应扫描和速度推测粒子群优化算法、K均值聚类和灰狼优化混合算法、大邻域搜索和蚁群优化混合算法、基于精英选择的多种群人工蜂群算法、基于集覆盖的扩展节省算法、混合变邻域生物共栖搜索算法等6个算法对比证明了算法的有效性.     

Hybrid gray wolf optimization-cuckoo search algorithm for RFID network planning

In recent years, with the rapid development of Internet of things (IoT) technology, radio frequency identification (RFID) technology as the core of IoT technology has been paid more and more attention, and RFID network planning(RNP) has become the primary concern. Compared with the traditional methods, meta-heuristic method is widely used in RNP. Aiming at the target requirements of RFID, such as fewer readers, covering more tags, reducing the interference between readers and saving costs, this paper proposes a hybrid gray wolf optimization-cuckoo search (GWO-CS) algorithm. This method uses the input representation based on random gray wolf search and evaluates the tag density and location to determine the combination performance of the reader's propagation area. Compared with particle swarm optimization ( PSO) algorithm, cuckoo search( CS) algorithm and gray wolf optimization ( GWO) algorithm under the same experimental conditions, the coverage of GWO-CS is 9.306% higher than that of PSO algorithm, 6.963% higher than that of CS algorithm, and 3.488% higher than that of GWO algorithm. The results show that the GWO-CS algorithm cannot only improve the global search range, but also improve the local search depth.     

基于灰狼算法的抗干扰跳频序列设计

为了提高跳频通信系统的抗干扰能力,本文提出一种结合干扰信息综合考虑跳频序列的汉明相关性、均匀性、被干扰概率和跳频增益的抗干扰跳频序列优化设计方法。使用改进灰狼算法求解优化问题,提出新型反向学习策略和使用莱维飞行的个体信息交流机制,提升灰狼算法性能。通过基本测试函数的仿真实验表明本文的改进灰狼算法比其他灰狼算法有更好的收敛速度和求解精度。本文的抗干扰跳频序列优化设计结果表明,在多种干扰情况下,本文方法设计的跳频序列相比于传统跳频序列和宽间隔跳频序列具有更强的抗干扰能力。      

Novel wolf pack optimization algorithm for intelligent medical treatment personalized recommendation

To help the people choose a proper medical treatment organizer, this paper proposes an opposition raiding wolf pack optimization algorithm using random search strategy ( ORRSS-WPOA) for an adaptive shrinking region. Firstly, via the oppositional raiding method (ORM), each wolf has bigger probability of approaching the leader wolf, which makes the exploration of the wolf pack enhanced as a whole. In another word, the wolf pack is not easy to fall into local optimum. Moreover, random searching strategy (RSS) for an adaptive shrinking region is adopted to strengthen exploitation,which enables any wolf to be more likely to find the optimum in some a given region, so macroscopically the wolf pack is easier to find the global optimal in the given range. Finally, a fitness function was designed to judge the appropriateness between a certain patient and a hospital. The performance of the ORRSS-WPOA was comprehensively evaluated by comparing it with several other competitive algorithms on ten classical benchmark functions and the simulated fitness function aimed to solve the problem mentioned above. Under the same condition, our experimental results indicated the excellent performance of ORRSS-WPOA in terms of solution quality and computational efficiency.     

基于改进灰狼优化算法的DV-Hop定位算法

针对无线传感器网络节点DV-Hop定位算法由于节点分布不均,距离估计不准确,导致定位精度较低的问题,提出了一种基于改进灰狼优化算法的DV-Hop定位算法,采用先进的灰狼优化算法以寻找最优值的方式得到未知节点、坐标。同时,为进一步提高优化算法的寻优能力,克服可能出现局部最优的情况,将优化算法与免疫算法相结合,提高优化算法中灰狼种群的多样性,进而提高对最优解的搜索能力,达到提高定位精度的目的。实验结果表明,相对于普通的DV-Hop定位算法和普通的灰狼优化算法,改进之后的定位算法精度更高。