双群体伪并行差分进化算法研究及应用

为了提高差分进化算法的全局搜索能力和收敛速率,本文提出了一种双群体伪并行差分进化算法.该算法结合差分进化算法DE/best/2/bin变异方式局部搜索能力强、收敛速度快,和DE/rand/1/bin变异方式全局搜索能力强、鲁棒性好的特点,采用串行算法结构实现并行差分进化算法独立进化、信息交换的思想.为使初始化个体均匀分布在搜索空间,提高算法收敛到全局最优解的鲁棒性,提出了一种基于平均熵的初始化策略.典型Benchmarks函数测试和非线性系统模型参数估计结果表明,该方法能显著提高算法的收敛速率和全局搜索能力.     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

基于云模型的量子免疫优化算法

采用云模型对量子免疫算法进行了改进,采用量子种群基因云对种群进化进行定性控制,基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,使其能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明该算法可以避免陷入局部最优解,能提高全局寻优能力,能以更快的速度收敛于全局最优解,具有较好的应用价值。     

一种基于云模型的改进型量子遗传算法*

针对量子遗传算法在函数优化中易陷入局部最优和早熟收敛等缺点,采用云模型对其进行改进,采用量子种群基因云对种群进化进行定性控制,采用基于云模型的量子旋转门自适应调整策略进行更新操作,使算法在定性知识的指导下能够自适应控制搜索空间范围,能在较大搜索空间条件下避开局部最优解。典型函数对比实验表明,该算法可以避免陷入局部最优解,能提高全局寻优能力,同时能以更快的速度收敛于全局最优解,优化质量和效率都要优于遗传算法和量子遗传算法。     

贝叶斯预测型进化算法

提出了一种新型进化算法即贝叶斯预测型进化算法,该算法是有效解决遗传算法中的连锁和欺骗问题的一种新方法,其主要特点是:(1)该算法基于最优解的概率分布和贝叶斯定理预测最优解所在的子空间;(2)该算法能高效利用所有先前代蕴含的信息,可以方便地引入专家知识;(3)该算法模型比较简单并且能以很快的速率收敛到最优解子空间.从理论上分析了贝叶斯预测型进化算法的收敛性、收敛速率和逆收敛算子.理论分析与在14个标准的测试函数上的仿真实验显示了该算法求解较为精确、稳定和快速.     

一种基于云模型的云变异粒子群算法

基于云模型在定性与定量之间相互转换的优良特性,结合粒子群算法的基本思想,提出一种云变异粒子群优化算法.其核心思想是通过正态云算子实现粒子的进化学习过程和变异操作.利用云模型对粒子的进化和变异进行统一建模,自适应控制粒子的搜索范围.典型复杂函数测试表明,云粒子群算法能有效找出全局最优解,特别适宜于多峰值函数寻优.     

一种基于云模型的改进型粒子群算法

针对经典粒子群算法在函数优化中易陷入局部最优和早熟收敛等缺点,结合云模型在定性与定量之间相互转换的优良特性,提出一种基于云模型的改进型粒子群算法。其思想是通过反向学习机制初始化种群,再通过正态云算子求解粒子群中的全局最优个体和自身最优个体周围的更优值,最后利用混沌理论对个别粒子进行变异来跳出局部最优解。典型复杂函数测试表明,该算法能有效找出全局最优解,特别适宜于多峰值函数寻优。     

一种基于云模型的多目标进化算法

在多目标进化算法的基础上,提出了一种基于云模型的多目标进化算法(CMOEA).算法设计了一种新的变异算子来自适应地调整变异概率,使得算法具有良好的局部搜索能力.算法采用小生境技术,其半径按X条件云发生器非线性动态地调整以便于保持解的多样性,同时动态计算个体的拥挤距离并采用云模型参数来估计个体的拥挤度,逐个删除种群中超出的非劣解以保持解的分布性.将该算法用于多目标0/1背包问题来测试CMOEA的性能,并与目前最流行且有效的多目标进化算法NSGA-II及SPEA2进行了比较.结果表明,CMOEA具有良好的搜索性能,并能很好地维持种群的多样性,快速收敛到Pareto前沿,所获得的Pareto最优解集具有更好的收敛性与分布性.     

基于免疫进化的粒子群混洗蛙跳算法

为了避免混洗蛙跳算法易于出现不成熟收敛,提高求解质量,提出了基于免疫进化的粒子群混洗蛙跳算法。该算法将粒子群算法中粒子追踪全局极值的思想融入混洗蛙跳算法中,对族群内的最差个体同时跟踪族群内和全局两个最优个体的信息,进行深度搜索;并引入免疫进化算法对群体中的最优个体进行免疫进化迭代计算,以达到充分利用最优个体的信息的目的。该算法不仅避免了陷入局部极值的局限,以更高的精度逼近全局最优解,而且能加速收敛。对多个典型测试函数的计算表明：基于免疫进化的粒子群混洗蛙跳算法比传统的混洗蛙跳算法具有更好的寻优能力、稳定效果和更快的收敛速度。     

一种基于免疫原理求解TSP问题的模型

基于人工免疫原理，建立了一个基于免疫机制求解TSP问题的数学模型。在该模型中，定义了TSP问题中的抗原和抗体，描述了记忆细胞动态进化过程，并借鉴遗传算法中基因变异思想，提出了优势基因进化的GFE算法，结合生物免疫系统抗体浓度稳定原理，在克隆选择过程中实现了抗体集合的进化计算，快速有效地求解出问题的全局近似最优解。实验结果表明该算法对解决组合优化问题不仅可行，而且有较快的收敛速度和较强的全局搜索能力。     

云计算平台上实现30年气候资料整编的方法

国家气象信息中心存储和保存了50多年宝贵的长序列历史资料,这些历史资料在实时、准实时业务及科研中需要经常被使用并进行气象科学计算.由于历史数据量大,耗时长,如何在短时间内得到所需的计算结果提供用户使用成为本文的主要研究目标.通过搭建云计算平台,并以30年气候资料统计整编研究对象,在云计算平台上基于MapReduce分布式并行计算模型进行多种统计项目、统计方法的算法实现.通过修改云计算平台运行环境参数配置并在不同配置下运行相同计算任务,进行计算效率对比试验.     

基于区间的云相似度比较算法的研究

事物的不确定现象包括模糊性和随机性.云模型通过对二者的结合,建立起定性定量的互换模型.相似云及其度量算法的提出使得云模型具有一定的理论价值和实际意义.然而由于云本身的特性,使得算法的计算精度不高、计算消耗较大.因此提出基于区间的云相似度比较算法,对原云相似性算法进行改进.实验证明,该算法在计算精度以及计算消耗上都有较大的优化.     

面向云桌面平台的攻防反馈防御图研究设计

随着云平台的飞速发展,移动办公、BYOD办公已经席卷全球,各个企业更是将云桌面办公作为首选,建立基于云服务的云桌面环境。然而,新的办公环境也将引入新的安全问题。目前云桌面安全的研究尚未成体系,云桌面的防御知识相对匮乏,国内也缺少全面、系统、有效的防御方案。云桌面的虚拟化结构决定了其不再是糖葫芦串式的防御结构,在一定程度上云桌面服务器防御比传统服务器更敏感。文章通过对云桌面的防御体系架构分析,提出了一套适用于云桌面的攻防反馈防御图的主动防御方案,将其防御结构过程和攻击结构过程展现出来,通过防御分析进行定向攻击设计,并基于生成的攻击图进行安全防御的反馈,再进行防御图的优化。文章采用了逆向广度搜索算法寻找攻击脆弱点,不漏掉不重复任何一个可靠的攻击路径。文章引入了攻防博弈模型,实现符合适度安全原则的防御优化方案。最后,文章通过某著名的云桌面提供商实验展现云桌面攻防反馈图的仿真过程。     

一种求解Shubert函数优化问题的演化算法

综合国内外演化计算研究现状,基于热力学中的自由能极小化原理, 设计了一个全新的热力学演化算法,并通过对于Shubert函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,实验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优。     

面向云计算的任务调度算法综述

介绍了云计算,对任务调度在云计算中的地位做了分析,并由任务调度出发,对云计算任务调度算法的研究现状进行分类、梳理和总结.根据调度目标的不同,将算法分为单目标优化的任务调度算法和多目标的任务调度算法,对每类方法的代表性算法进行了分析介绍,并详细总结了每类方法的基本思想,对其优缺点做了分析、对比,并对改进方式进行了归纳.     

Multi-tenant Verification-as-a-Service (VaaS) in a cloud

Formal methods and verification technique are often used to develop mission-critical systems. Cloud computing offers new computation models for applications and the new model can be used for formal verification. But formal verification tools and techniques may need to be updated to exploit the cloud architectures. Multi-Tenant Architecture (MTA) is a design architecture used in SaaS (Software-as-a-Service) where a tenant can customize its applications by integrating either services already stored in the SaaS database or newly supplied services. This paper proposes a new concept VaaS (Verification-as-a-Service), similar to SaaS, by leveraging the computing power offered by a cloud environment with automated provisioning, scalability, and service composition. A VaaS hosts verification software in a cloud environment, and these services can be called on demand, and can be composed to verify a software model. This paper presents a VaaS architecture with components, and ways that a VaaS can be used to verify models. Bigragh is selected as the modeling language for illustration as it can model mobile applications. A Bigraph models can be verified by first converting it to a state model, and the state model can be verified by model-checking tools. The VaaS services combination model and execution model are also presented. The algorithm of distributing VaaS services to a cloud is given and its efficiency is evaluated. A case study is used to demonstrate the feasibility of a VaaS.     

一种新的逆向云算法

云模型是一种可以有效地实现语言值表示的定性概念与其定量表示之间不确定性转换的模型。文章对正态云作了较深入地概率统计分析,指出了现有逆向云算法的不足,并提出了一种新的精确度更高的逆向云算法,最后通过模拟实验比较了新算法与原逆向云算法。     

基于云模型云滴机制的量子粒子群优化算法

利用云模型云滴的随机性和稳定倾向性的特点,提出了一种云模型云滴机制的量子粒子群优化算法,该算法在量子粒子群优化的基础上,由云模型的X,Y条件发生器产生杂交操作,由基本云发生器产生变异操作,用于求解具有变量边界约束的非线性复杂函数最优化问题。仿真结果表明,该算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

A Novel Quantum - inspired Multi - Objective Evolutionary Algorithm Based on Cloud Theory

In the previous papers,Quantum-inspired multi-objective evolutionary algorithm(QMEA) was proved to be better than conventional genetic algorithms for multi-objective optimization problem.To improve the quality of the non-dominated set as well as the diversity of population in multi-objective problems,in this paper,a Novel Cloud -based quantum -inspired multi-objective evolutionary Algorithm(CQMEA) is proposed.CQMEA is proposed by employing the concept and principles of Cloud theory.The algorithm utilizes the random orientation and stability of the cloud model,uses a self-adaptive mechanism with cloud model of Quantum gates updating strategy to implement global search efficient.By using the self-adaptive mechanism and the better solution which is determined by the membership function uncertainly,Compared with several well-known algorithms such as NSGA-Ⅱ,QMEA.Experimental results show that(CQMEA) is more effective than QMEA and NSGA -Ⅱ.     

生物启发计算研究现状与发展趋势

生物启发计算的宗旨是研究自然界生物个体、群体、群落乃至生态系统不同层面的功能、特点和作用机制,建立相应的模型与计算方法,从而服务于人类社会的科学研究与工程应用．它既是人工智能的继承与发展,同时也是从新的角度理解和把握智能本质的方法．本文阐述了生物启发计算所涉及的生物进化论、共生进化论和复杂适应系统的理论起源．在对生物启发计算进行分析、归纳和总结的基础上,介绍了现有生物启发计算算法研究成果,并从最优设计、最优分析和最优控制3个方面对生物启发计算的应用研究成果进行了梳理．以此为基础,进一步地提出了生物启发计算的统一框架模型．最后,围绕并行生物启发计算、具有学习推理和知识学习生物启发计算、生物动力学启发计算、基于微生物群体感应的生物启发计算以及人工大脑、进化硬件、大数据、群集机器人、虚拟生物和云计算等前沿热点理论问题和工程应用问题对生物启发计算的发展方向和研究挑战进行了展望及分析．