基于自适应遗传算法的侦察资源优化

提出基于地理信息系统的侦察资源优化模型,在地形分析结果基础上利用自适应遗传算法进行求解。算法采用多参数映射编码,通过启发式初始化方法和专门的遗传算子保证初始个体的有效,此外交叉概率和遗传概率的适应性策略,可以确保适应度函数对算法进化的正确引导。仿真结果证明该方法对侦察资源优化具有一定参考价值。     

基于自适应遗传算法的侦察资源优化

提出基于地理信息系统的侦察资源优化模型,在地形分析结果基础上利用自适应遗传算法进行求解.算法采用多参数映射编码,通过启发式初始化方法和专门的遗传算子保证初始个体的有效,此外交叉概率和遗传概率的适应性策略,可以确保适应度函数对算法进化的正确引导.仿真结果证明该方法对侦察资源优化具有一定参考价值.     

应用GA的多侦察传感器目标最优分配

研究优化侦察效果问题,多侦察传感器训练演练任务中的侦察目标分配优劣直接影响着训练演练效果.为了提高侦察效能,通过分析传感器和目标的类别及数量,建立明确的目标函数,组成合理的仿真规划模型,采用遗传算法作为搜索最优方法,克服了传统算法缺点,能够快速而且有效地找出最大侦察效能下的目标分配方案.仿真结果表明,改进的方法为多传感器最佳侦察效果的相应训练演练提供了有益的帮助,节省了任务周期,降低了资源消耗.     

极大熵和声搜索算法求解多目标优化*

给出了求解多目标优化问题的一个新算法。首先利用极大熵函数,将多目标优化问题转换为一个单目标优化问题;然后利用和声搜索算法对其进行求解,进而得到多目标优化问题的有效解。该算法对目标函数的解析性质没有要求且容易实现,数值结果表明了该方法是有效的。     

应用粒子群优化分配WSN多目标跟踪节点任务

针对WSN多目标跟踪时传感器节点任务分配竞争冲突问题,提出一种基于最近邻的离散粒子群优化节点跟踪任务分配算法.通过构建多目标多传感器节点联盟协同跟踪任务分配问题的数学模型和目标函数,采用最近邻法对粒子群节点任务分配进行初始化,以目标函数作为适应值函数指引粒子飞行,快速实现节点优化分配.实验表明:在节点覆盖较稀疏情况下,粒子群优化节点任务分配方法与最近邻方法相比,能耗大大减少,并能有效解决多目标跟踪节点任务分配冲突问题和多个监测联盟对传感器资源竞争冲突时系统能耗增加的问题.PSO算法对于实际环境的WSN多目标跟踪具有优越性.     

多目标优化的一种改进微粒群算法

微粒群算法是解决多目标优化问题的一个重要方法.为了多目标目标优化求解问题,常用的微粒群算法在处理多目标优化问题时,存在所得Pareto最优解集的分散性和实用性较差的缺点.针对上述问题,提出了微粒群算法的一种改进形式.改进算法引入了个体精英解集,从中选择更合适的个体最优位置.同时,在评价个体适应度时,考虑了目标函数值差异这一信息.个体对应的目标函数值差异大,则其适应度就小.这样能避免各目标函数值差异过大的最优解存在.三个典型的多目标测试函数表明,改进方法得到最优解集具有更好的分散性和实用性.测得结果证明,改进方法是有效的.     

一种新的卫星测控副载波信号分离方法

研究卫星测控信号优化问题,针对测控侦察中卫星测控副载波信号分离识别耗时长的问题,为了满足测控侦察实时准确信息的要求,提出一种基于最大信噪比的副载波分离算法,根据独立信号分离效果越好时信噪比越大的特点,建立信噪比目标函数,利用估计信号的滑动平均代替源信号,通过广义特征值求解实现对目标函数的优化,求出的广义特征值所构成的特征向量矩阵即为目标函数的最优解,优化过程不需要任何迭代.MATALAB仿真结果表明,与FastICA算法相比,运算复杂度低,分离效果较好,能够较好地分离卫星测控副载波信号,满足测控侦察的要求.     

自适应邻域的多目标网格任务调度算法研究

针对网格计算中的多目标网格任务调度问题,提出了一种基于自适应邻域的多目标网格任务调度算法。该算法通过求解多个网格任务调度目标函数的非劣解集,采用自适应邻域的方法来保持网格任务调度多目标解集的分布性,尝试解决网格任务调度中多目标协同优化问题。实验结果证明,该算法能够有效地平衡时间维度和费用维度目标,提高了资源的利用率和任务的执行效率,与Min-min和Max-min算法相比具有较好的性能。     

基于估值不确定度排序顺序均值采样的昂贵高维多目标进化算法

模型管理,特别是训练样本的选择和填充采样准则,是影响昂贵多目标优化算法求解性能的重要因素.为此,选择样本库中具有较好目标函数值的若干个体作为样本训练目标函数的代理模型,使用基于参考向量的进化算法搜索模型的最优解集,并提出一种基于个体目标函数估值不确定度排序顺序均值的采样策略,从该最优解集中选择两个个体进行真实的目标函数评价.为了验证算法的有效性,将所提出算法在DTLZ和WFG多目标优化测试问题和两个实际工程优化问题上进行测试,并与其他5种优秀的同类型算法进行结果对比.实验结果表明,所提出算法在求解昂贵高维多目标优化问题上是有效的.     

采用组合优化策略的电子侦察卫星规划方法

对电子侦察卫星任务规划问题进行了分析,建立了问题的多目标规划模型;设计了一种基于带后优化过程MOEO(Multi-objective Extremal Optimization)的多目标规划算法对模型进行求解,该算法包含MOEO主算法过程和基于禁忌搜索(TS)的后优化过程两部分:MOEO主算法中采用插入变异、模式变异及删除变异等算子对解空间进行搜索,基于Pareto最优概念的解排序确保了解在多个目标上的有效优化,精英策略避免了丢失进化过程中产生的非劣解;TS后优化过程中提出了多种邻域结构,使用各种邻域算子或算子的组合,对主算法Pareto最优解进一步优化,以得到更好的解。最后给出了仿真实例证明本文模型及算法对解决电子侦察卫星任务规划问题的有效性。     

分组遗传算法优化大学考试时间表

大学考试时间表是一个多约束条件下的优化问题。传统遗传算法寻优的计算量是指数级的规模,而寻优的操作有可能会破坏时间表的硬约束条件,从而最终得到的解并不一定理想甚至不可行。该文从某高校的实际应用出发,对用图着色模型得到的已经满足了硬约束条件的初始考试时间表,用改进的分组遗传算法在既不破坏硬约束条件也不延长考试周的条件下扩大并平均分配了学生的复习时间,并且还大大减少了寻优的计算量。     

基于遗传算法的数值优化约束问题的研究

针对数值优化约束中出现的大规模、多峰多态函数,含离散变量等情况下的全局优化问题,采用常规的优化方法,收敛速度较慢,求得全局极值的概率较低.提出用遗传算法的数值优化约束问题解决,通过数值仿真实验结果表明,该算法性能优于现有其它算法,它不仅可以处理线性等式约束,而且还可以处理非线性等式约束,同时提高了收敛速度和解的精度,是高效稳健的智能算法,具有很高的全局寻优能力和很快的收敛速度,对求解复杂多峰多态函数的优化约束问题具有可行性和有效性.     

应用改进型遗传算法进行药物分子对接设计

文章建立了一种约束优化的演化模型,并构造出求解此模型的多种群空间收缩遗传算法,将信息熵概念引入进化过程,控制各种群寻优搜索时解空间的收缩。该算法用种群的多样性避免遗传进化的早熟现象,并以空间收缩尺度作为停机判椐,有效地控制了算法的收敛。利用基于小种群的多种群进化策略,在保证种群多样性的前提下,极大程度地减少了计算量,提高了计算效率。数值算例表明,熵的介入增强了随机搜索类进化算法的寻优目的性,使收敛过程平稳且迅速。算例表明此算法能有效的应用于药物分子对接设计。     

基于遗传算法的飞行航路规划

飞行航路规划是一个大范围多目标多约束的三维规划问题。遗传算法是一种求解复杂问题的通用方法，该文在遗传算法中加入了飞行航路规划的相关知识来求解问题。首先，根据飞行航路规划中导航点属性复杂的特点，扩充导航点的模型，并在此基础上采用导航点链表形式的自由编码。第二，为加速规划的进程，同时保证充分的随机性和广泛性，初始群体构造采用端点启发初始化方法。第三，适应度函数由惩罚函数和代价函数组合计算，其中惩罚函数对应问题的约束条件，而代价函数对应问题的目标。第四，采用启发式交叉和启发式变异。最后，通过剖面优化操作实现高度维上的调整。仿真结果证明这是适于所研究问题的有效方法。     

InSAR双星编队测绘卫星任务规划方法研究

针对双星编队干涉合成孔径雷达(Interferometric Synthetic Aperture Radar, InSAR)测绘任务的特点,考虑双星编队卫星平台的约束条件,采用多目标优化和基于优先级的遗传优化算法,实现了双星编队任务规划的各个关键步骤的设计,并对测绘任务进行了系统仿真,求取了测绘任务规划结果,最终获得了任务规划的最优解。经过与贪婪优化算法仿真结果对比分析,采用的基于优先级的遗传优化任务调度算法在双星编队卫星测绘任务优化问题求解方法方面具备明显的优势,卫星系统资源分配效能达到最优,对卫星资源的合理分配起到了关键作用。     

Multi-layer optimization in service-oriented sensor grid

Sensor devices such as video cameras, infrared sensors and microphones are being widely exploited in grid application. The paper deals with multi-layer optimization in service oriented sensor grid to optimize utility function of sensor grid, subject to resource constraints at resource layer, service composition constraints at service layer and user preferences constraints at application layer respectively. The multi-layer optimization problem can be decomposed into three subproblems: sensor grid resource allocation problem, service composing problem, and user satisfaction degree maximization problem, all of which interact through the optimal variables for capacities of sensor grid resources and service demand. The proposed algorithm decomposes global sensor grid optimization problem into a sequence of three sub-problems at three layers via an iterative algorithm. The simulations are conducted to validate the efficiency of the multi-layer optimization algorithm. The experiments compare the performance of the multi-layer global optimization approach with application layer local optimization and resource layer local optimization approach respectively.     

A Generic Framework for Constrained Optimization Using Genetic Algorithms

In this paper, we propose a generic, two-phase framework for solving constrained optimization problems using genetic algorithms. In the first phase of the algorithm, the objective function is completely disregarded and the constrained optimization problem is treated as a constraint satisfaction problem. The genetic search is directed toward minimizing the constraint violation of the solutions and eventually finding a feasible solution. A linear rank-based approach is used to assign fitness values to the individuals. The solution with the least constraint violation is archived as the elite solution in the population. In the second phase, the simultaneous optimization of the objective function and the satisfaction of the constraints are treated as a biobjective optimization problem. We elaborate on how the constrained optimization problem requires a balance of exploration and exploitation under different problem scenarios and come to the conclusion that a nondominated ranking between the individuals will help the algorithm explore further, while the elitist scheme will facilitate in exploitation. We analyze the proposed algorithm under different problem scenarios using Test Case Generator-2 and demonstrate the proposed algorithm's capability to perform well independent of various problem characteristics. In addition, the proposed algorithm performs competitively with the state-of-the-art constraint optimization algorithms on 11 test cases which were widely studied benchmark functions in literature.     

Multi-Layer Resource Management in Cloud Computing

The paper studies multi-layer optimization in service oriented cloud computing to optimize the utility function of cloud computing, subject to resource constraints of an IaaS provider at the resource layer, service provisioning constraints of a SaaS provider at the service layer, and user QoS (quality of service) constraints of cloud users at application layer, respectively. The multi-layer optimization problem can be decomposed into three subproblems: cloud computing resource allocation problem, SaaS service provisioning problem, and user QoS maximization problem. The proposed algorithm decomposes the global optimization problem of cloud computing into three sub-problems via an iterative algorithm. The experiments are conducted to test the efficiency of the proposed algorithm with varying environmental parameters. The experiments also compare the performance of the proposed approach with other related work.     

基于量子粒子群优化的多波束卫星联合资源分配算法

当使用元启发式算法求解多波束卫星联合资源分配问题时,时延约束和容量约束会导致计算复杂度增大,且算法难以收敛。对此,通过在目标函数中引入惩罚机制,在无效解的目标函数值加入了惩罚值,使得算法的优化解自适应地满足这两个约束。在此基础上,提出了基于量子粒子群优化的联合资源分配算法。仿真结果表明,惩罚策略的引入解决了应用元启发式算法时,难以处理时延约束和容量约束的问题,而带有惩罚机制的量子粒子群算法在分配公平性指数、总系统容量上均优于已有联合分配算法。     

泛集群环境中计算密集型任务流调度策略

针对计算节点较多的泛集群环境下难以快速、合理地制定计算密集型任务流调度方案的问题,提出一种基于多目标连续竞买博弈的任务调度策略.建立多目标优化调度模型,降低多目标优化函数维度,并采用线性加权和法将其转化为总和目标函数,以保证最优解的合理性.为提高最优解搜索速度,引入ETC矩阵作为最优解表达形式,设计连续竞买博弈算法.模拟真实场景并通过与同类算法的对比,表明了调度策略在泛集群环境下的响应速度、资源性价比和总成本支出等方面具有明显优势.