基于改进蚁群算法的SDN数据中心流调度研究

目前在软件定义数据中心网络中,基于蚁群算法的流调度策略在对路径进行选择时存在收敛过慢和搜索停滞等缺点,容易导致数据中心网络时延过高和资源利用率低等问题.为此,提出一种基于蚁群改进的流调度算法.该算法以最大化平均链路带宽利用率为优化目标,将流调度问题抽象为整数线性规划模型,通过重定义蚁群算法中的信息素更新方式对大流的重路...     

基于蚁群模拟退火算法的云环境任务调度

针对云计算的MapReduce编程框架,提出一种融合蚁群算法和模拟退火算法的混合调度算法（ACOSA）。该算法以最小化调度时间为目标,引入了任务与资源的匹配因子和负载均衡度,先利用蚁群算法得到一组任务到资源的优化解,然后通过模拟退火算法对解进行路径的优化和信息素的更新。通过扩展Cloudsim云计算仿真平台,对其进行重新编译,实现了所提出的算法,实验结果表明该算法在调度时间、负载均衡等方面表现良好。     

基于改进蚁群算法的智能调度系统设计与开发

蚁群算法是一种模拟蚂蚁群体智能行为的仿生优化算法,具有良好的正反馈、鲁棒性、群体性和并行性等特点.在研究柔性作业车间调度的基础上,针对企业实际生产情况,将改进蚁群算法应用于求解实际生产调度问题.笔者介绍了智能调度系统的需求分析、系统设计和主要功能模块的实现.系统实现时采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,同时对蚁群算法做出适当改进,添加机器选择策略,在搜索解路径的过程中,首先确定下一步可供选择加工的工件在哪台机器上加工,然后确定加工哪个工件.开发的智能调度系统能完成企业的动态柔性调度,能较好的解决机器变化和订单变化引起的重调度问题,提高企业生产效率.     

多目标资源受限项目调度的多种群蚁群算法

为实现资源受限项目调度的多目标优化,通过改进传统蚁群算法,提出适用于多目标优化的多种群蚁群算法.该算法基于串行进度生成机制,每个蚁群具有各自的目标函数、与目标函数相匹配的不同搜索策略以及各自的信息素更新机制.各蚁群独立进行搜索决策,但各蚁群之间存在信息素的相互作用,从而实现加速搜索.针对多目标资源受限项目调度问题设计新的精英策略.在目标规划基础上构造一系列多目标项目调度算例,经系统测试表明,所提出的多种群蚁群算法能够有效优化资源受限项目的资源配置,实现多目标优化.     

航空货站自动化存取系统作业调度优化

为从作业调度角度提高航空货站自动化存取系统运作效率,在分析双板作业和防冲突避让对指令序列完工时间影响的基础上,以指令序列完工时间最短为优化目标,建立了航空货站自动化存取系统调度优化模型,并设计了一种改进的蚁群算法对模型进行求解.为避免算法在搜索过程中陷入局部最优,在引入权重信息素和随机扰动策略的基础上,提出了具有变异率的状态转移参数,用于在寻优过程中决定蚂蚁的移动方向.仿真结果表明:改进的蚁群算法较基本蚁群算法和遗传算法具有更好的全局搜索能力和求解精度,所提出的调度优化方法获得的指令序列完工时间较先到先服务调度策略有至少37%的改进.     

智能蚁群算法解决公交区域调度问题研究

针对多条运营线路的公交区域调度问题，给出了人员调度问题的改进模型，模型的目标是在满足工作时间、跨度时间、换班要求等相关约束的条件下使人员完成任务的间隔时间最小。论文对已有蚁群算法解决车辆路径优化问题的算法进行了改进。对算法中相应的转移规则和轨迹更新规则进行了重新设定，改进了算法转移策略和信息素更新策略。给出了算法的实现步骤。通过仿真，对模型的正确性进行了验证。证明了改进蚁群算法解决公交调度问题的高效性和较强的适用性。     

智能蚁群算法解决公交区域调度问题研究

针对多条运营线路的公交区域调度问题，给出了人员调度问题的改进模型，模型的目标是在满足工作时间、跨度时间、换班要求等相关约束的条件下使人员完成任务的间隔时间最小。论文对已有蚁群算法解决车辆路径优化问题的算法进行了改进。对算法中相应的转移规则和轨迹更新规则进行了重新设定，改进了算法转移策略和信息素更新策略。给出了算法的实现步骤。通过仿真，对模型的正确性进行了验证。证明了改进蚁群算法解决公交调度问题的高效性和较强的适用性。     

混合蚁群算法在水库群优化调度中的应用

针对梯级水库群优化调度问题的特点,建立蚁群算法求解多阶段最优化问题数学模型.把水库的运行策略转换为水库水位变化序列,通过一定的编码形式分别将其表示人工蚂蚁的路径.人工蚂蚁在满足一定的约束条件下,按预定的目标函数评价其优劣.针对蚁群算法在优化过程中出现搜索时间较长和早熟停滞现象,提出了具有变异特征混合局部优化算法的蚁群系统(MSA-ACS).然后将MSA-ACS和蚁群系统(ACS)分别用于求解雅砻江梯级优化调度问题,通过对优化结果和计算时间的对比分析,验证了改进方法的有效性.该改进方法获得了比较满意的解,不仅能提高蚁群算法的收敛性能,还能增强解的稳定性.     

蚁群优化算法的Docker集群调度策略

针对轻量级虚拟化技术Docker集群调度策略Docker Swarm无法很好实现负载均衡且不能很好发挥集群的整体性能问题,提出利用蚁群优化算法对其调度进行改进,通过搭建容器集群进行任务调度分配资源,分别对Swarm原生的调度策略和文中提出的改进算法进行对比实验。实验结果表明,在相同配置下,蚁群优化算法相比Docker原始调度策略集群压力测试QPS性能大约提升20%,同时该算法使得集群中各个节点的资源利用更加均衡,具有了更快的服务响应速度。     

分段蚁群算法在运输调度问题中的应用

在基本蚁群算法的基础上提出了分段蚁群算法,通过改进选择策略和信息素更新机制以求解一类运输调度问题,实验证明结果理想.     

一种基于云环境下蚁群优化算法的改进研究

在对标准蚁群优化算法深入分析的基础上,结合云环境下的资源调度特性和遗传算法所具有的全局收敛快速的优点,引入了逆转变异策略,科学地将遗传算法融入到标准蚁群优化算法的每一次迭代过程中,很好地解决了标准蚁群优化算法容易陷入搜索速度慢和局部最优的缺陷．云环境下的模拟仿真对比实验结果表明,改进的蚁群优化算法不但能使云环境下的寻优能力大幅度提高,而且能够缩短系统任务平均运行时间,提升云计算环境下资源的效用．     

基于蚁群算法的不确定条件下的Job Shop调度

蚁群算法是近年来新出现的一种随机搜索寻优算法.该算法为求解复杂的组合优化问题提供了一种新思路,引起了众多学者的研究兴趣.将蚁群算法引入不确定处理时间的Job Shop调度,用三角模糊数描述不确定处理时间,建立不确定处理时间的调度模型,在模糊数排序方法的基础上,用改进后的蚁群算法进行求解.仿真结果验证了本文提出的算法的有效性,考虑了算法中的参数选择对算法的求解结果的影响和模糊集的扩散程度,并就结果进行了讨论.     

基于蚁群算法的不确定条件下的Job Shop调度

蚁群算法是近年来新出现的一种随机搜索寻优算法，该算法为求解复杂的组合优化问题提供了一种新思路，引起了众多学者的研究兴趣，将蚁群算法引入不确定处理时间的Job Shop调度，用三角模糊数描述不确定处理时间，建立不确定处理时间的调度模型，在模糊数排序方法的基础上，用改进后的蚁群算法进行求解，仿真结果验证了本文提出的算法的有效性，考虑了算法中的参数选择对算法的求解结果的影响和模糊集的扩散程度，并就结果进行了讨论。     

基于蚁群算法的智能交通最优路径研究

针对车辆智能交通最优路径问题,提出一种实时规划的蚁群算法。在该算法搜索过程中加入针对具体问题的局部搜索寻优算法,在启发函数中引入搜索方向,改进信息素更新策略,限制信息素轨迹量。利用智能交通道路模型对改进算法进行比较分析。实验结果表明,改进后的蚁群算法能够有效地解决车辆实时路径诱导问题,实现车辆实时路径诱导,具有良好的收敛性和寻优性。     

改进蚁群算法的云存储任务调度算法研究

由于云存储环境与云计算环境中不同,若直接将云计算环境中的任务调度算法移植到云存储环境中,必然会导致任务调度的效率下降.为解决此问题,提出了一种适用于云存储环境中的改进蚁群算法.改进蚁群算法能使云计算环境的任务调度算法更符合云存储的环境;同时,对于改进PSO算法在引入存在矩阵时,由于数据资源不存在而造成算法前期优化浪费引起效率低下的问题进行了有效解决.分析测试结果表明,提出的改进蚁群算法在云存储环境的任务调度算法在保障有效解的前提下能够拥有更快的收敛速度.     

自适应和最大最小蚁群算法的物流车辆路径优化比较

针对物流车辆路径优化问题,考虑到基本蚁群算法有收敛速度慢、易陷入局部最优的缺点,采用了自适应蚁群算法和最大最小蚁群算法进行车辆路径优化,分析、比较了这两种算法的不同并在Matlab上做了仿真。仿真实验结果显示自适应蚁群算法在收敛速度和寻找最短路径上都略逊于最大最小蚁群算法,最大最小蚁群算法在物流车辆路径优化上优于适应蚁群算法。     

蚁群算法在离散型车间派工中的应用

车间派工问题是学术界和实践界的关注热点,合理的派工方案可以缩短生产周期、有效利用资源、提高生产系统的响应能力．蚁群算法非常适合这类问题的处理,利用5个城市旅行商问题研究信息启发式因子、期望启发式因子、信息素挥发系数以及信息素强度这四个参数与迭代次数之间的关系,得出求解小规模问题的蚁群算法参数推荐值;建立车间派工问题的析取图模型,使其成为适合蚁群算法的一个自然表达;给出基于蚁群算法的车间派工问题实现步骤,以一个3＊3问题为例在JBuilderX中得出总完工时间最短的派工方案,验证了蚁群算法在车间派工问题中的可行性和有效性．     

求解连续空间优化问题的Powell蚁群算法

针对连续空间函数优化问题,提出了Powell蚁群算法.该算法把Powell方法嵌入蚁群算法的局部搜索,提高蚁群算法的搜索精度和收敛效率.全局搜索过程中,把传统蚁群算法中的信息素更新和蚂蚁的转移规则拓展到连续空间中,定义了相应的求解算法.通过对二维多极值非线性函数的寻优实例进行仿真,并与Powell方法的求解结果进行比较,证明该方法的有效性.     

基于混合智能算法的电力系统无功优化研究

研究了电力系统的无功优化功问题,给出了结合电力市场实行的无功优化目标函数。在分析了遗传算法和蚁群算法各自优缺点的基础上,将遗传算法与蚁群算法融合,利用遗传算法的交叉、变异操作产生蚁群算法新的搜索路径,以此提高混合智能算法的全局搜索能力和收敛速度,并将混合智能算法应用于实例进行仿真。仿真结果表明,该混合智能算法具有快速的收敛速度和优良的全局优化能力。