改进布谷鸟搜索算法求解批量流水线调度问题

针对以最大完工时间为目标的批量流水线调度问题,提出一种改进的布谷鸟搜索算法．该算法采用排序规则的编码方式,将连续个体值的布谷鸟搜索算法直接应用于离散的调度问题．其次,在布谷鸟搜索算法的基础上,一个简单而有效的局部搜索用于批量流水线调度问题的探索．仿真实验表明所提出算法的可行性和有效性．     

交互式学习的布谷鸟搜索算法

针对布谷鸟搜索算法在求解旅行商问题时,存在初期信息缺乏严重和收敛速度慢等问题,提出一种交互式学习的布谷鸟搜索算法（Interactive Learning Cuckoo Search Algorithm,ILCSA）。为提高布谷鸟搜索算法的搜索效率,结合蚁群优化算法构建双层交互学习模型,将蚁群作为底层种群,布谷鸟作为高层种群,双种群互相学习,合作寻优,提高搜索速度;此外,在布谷鸟搜索算法中引入强化学习策略,自适应更新步长,并对发现概率进行动态调整,深度优化最优解,进一步提高解的质量。最后采用多组不同规模的标准TSPLIB算例与其他优化算法进行对比,结果表明ILCSA算法在求解精度和稳定性方面表现更优。     

作业车间调度问题的布谷鸟搜索算法求解

布谷鸟搜索算法是一种新型元启发式优化算法,该算法受到自然界中布谷鸟的巢寄生行为启发而提出。首先分析了布谷鸟搜索算法的仿生原理和数学描述,采用基于工序的编码方式对最小化最大完工时间的作业车间调度问题进行布谷鸟搜索算法求解。通过典型算例进行仿真实验,测试结果表明布谷鸟搜索算法求解作业车间调度问题的可行性和有效性,优于萤火虫算法和基本粒子群算法,是解决生产调度问题的一种有效方法。     

布谷鸟搜索算法研究综述

布谷鸟搜索算法是一种结合了布谷鸟巢寄生性和莱维飞行模式的元启发式群体智能搜索技术,系统地介绍布谷鸟搜索算法的原理和算法流程,详细论述该算法有关改进算法的研究现状以及其应用研究情况,归纳分析比较该算法、粒子群算法、蚁群算法和蜂群算法的优缺点及适用性范围,总结目前该算法存在的问题,指出未来研究的方向。     

求解模糊Job Shop调度的遗传算法与蚁群算法融合研究

提出一种算法融合策略,解决单一算法求解模糊Job Shop调度问题存在的不足,提高这类问题的求解质量.算法融合策略中,采用遗传算法和蚁群算法进行并行搜索;根据模糊Job Shop调度问题解的特征,提出基于关键工序的邻域选择方法,并将基于这种邻域选择方法的禁忌搜索算法作为局部搜索算法,加强了遗传算法和蚁群算法的局部搜索能力.采用算法融合策略的混合优化算法对以13个难的benchmarks问题经模糊化得到实例进行求解,在较短的时间内,得到的平均满意度较并行遗传算法(PGA)提高5.24%、较TSAB算法提高8.40% .采用算法融合策略构造的混合算法具有较强的搜索能力,说明提出的混合搜索策略是有效的.     

改进布谷鸟搜索SVM在财务风险评估中的应用

针对一种新型智能进化算法--布谷鸟搜索算法提出了基于多群体并行搜索和自适应步长的改进方法。将改进后的方法引入支持向量机参数优化中,提出了基于改进后布谷鸟搜索算法优化支持向量机模型参数的方法并将其应用于上市公司财务风险评估中,有效提高了财务风险模型的分类性能。仿真结果发现：改进的布谷鸟搜索算法用于优化支持向量机参数不仅有效提高了上市公司季度财务数据分类预测精度,而且相较改进之前的布谷鸟搜索算法、遗传算法和粒子群算法具有更快的收敛速度和稳定性。     

带反方向视角和二项交叉的布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的自然仿生优化技术,其借用Lévy Flights随机走动和Biased随机走动搜索新的解。在Lévy Flights随机走动中,所有个体以当前种群获得的最优解为导向进行搜索,这容易导致种群趋同于该最优解。针对此问题,引入反方向视角使种群基于一定概率反向搜索,以避免趋同于当前最优解,并提出带反方向视角和二项式交叉的布谷鸟搜索算法。在提出的算法中,借用二项交叉操作以提高Biased随机走动的搜索能力。与标准的布谷鸟搜索算法对比,实验结果说明提出的策略能够有效地改善布谷鸟搜索算法求解连续函数优化问题的收敛速度和解的质量。与其他改进的布谷鸟搜索算法以及其他进化算法对比,实验结果说明提出的算法在求解连续函数优化问题上具有一定的竞争力。     

基于差分进化的布谷鸟搜索算法

针对基本布谷鸟搜索算法局部搜索能力弱、寻优精度低等不足,提出了一种具有差分进化策略的改进布谷鸟搜索算法。该算法是在种群进入下一次迭代之前在其个体上增加两个带权的差来实现个体变异,再对其进行交叉、选择操作得到最优个体,使缺乏变异机制的布谷鸟搜索算法具有变异能力,从而提高布谷鸟搜索算法的多样性,避免种群个体陷入局部最优,增强算法全局寻优能力。对几种经典测试函数和1个典型应用实例进行测试,仿真实验结果表明,新算法具有更好的全局搜索能力,在收敛精度、收敛速度以及寻优成功率等性能上显著优于基本布谷鸟搜索算法。     

量子衍生布谷鸟搜索算法

为提高布谷鸟搜索算法的寻优能力,通过在经典布谷鸟搜索算法中引入量子计算机制,提出了一种量子衍生布谷鸟搜索算法.该算法采用量子比特编码个体,采用泡利矩阵确定旋转轴,采用Levy飞行原理确定旋转角度,采用量子比特在Bloch球面上的绕轴旋转实现个体更新.标准函数极值优化的实验结果表明,与传统布谷鸟搜索算法相比,该算法的搜索能力确有明显提升.     

基于Powell局部搜索策略的全局优化布谷鸟算法

为了解决布谷鸟搜索算法后期收敛速度慢、求解精度不高、易陷入局部最优等缺陷,提出了一种基于Powell局部搜索策略的全局优化布谷鸟搜索算法.算法将布谷鸟全局搜索能力与Powell方法的局部寻优性能有机地结合,并根据适应度值逐步构建精英种群候选解池在迭代后期牵引Powell搜索的局部优化,在保证求解速度、尽可能找到全局极值点的同时提高算法的求解精度.对52个典型测试函数实验结果表明,该算法相比于传统的布谷鸟搜索算法不仅寻优精度和寻优率有所提高,并且适应能力强、鲁棒性好,与最新提出的其他改进算法相比也具有一定的竞争优势.     

基于关键路径链和PACGA的网络总线资源调度方法研究

针对传统工业控制网络总线资源调度算法在节点数量逐渐增加时收敛速度慢和搜索精度不高,且准确度及效率低等问题,提出了一种基于关键路径链和多态蚁群遗传算法(PACGA)的资源调度方法,采用关键路径链的调度算法获取需求调度的节点,不同节点间采用多态蚁群遗传算法进行资源的调度,依据照工业控制网络资源调度的特征,用自适应调整挥发系数增强节点的全局搜索性能,通过候选节点集方法缩小搜索区域提高算法的搜索效率,完成工业控制网络总线资源的高效调度;仿真实验说明,该种方法在工业控制过程中任务数量较多的情况下仍然具备较高的运行效率和精度,并且具有较低的运行时间,具有较强的应用价值。     

改进蚁群算法的云计算任务调度方法

针对蚁群算法在云计算任务调度问题求解过程存在的不足,以找到最佳的云计算任务调度方案为目标,提出了一种基于改进蚁群算法的云计算任务调度方法.首先对当前云计算任务调度研究现状进行分析,并对问题进行了具体描述,然后采用蚁群算法对云计算任务调度问题进行求解,并针对标准蚁群算法缺陷进行改进,最后在CloudSim平台对该方法的性能进行测试.结果表明,改进蚁群算法可以找到较好的云计算任务问题调度方案,加快云计算任务完成速度,具有一定的实际应用价值.     

基于蚁群算法的网格资源调度策略研究

网格计算中的资源调度技术是连接网格底层和高层功能的纽带.蚁群算法作为一种成熟的分布式、启发式搜索鼢算法,其实质上是一种通过群体智能间接散布最优解信息,采用逐步收敛的方式求解最优解的算法.通过介绍蚁群算法的原理,对使用蚁群算法作为网格计算资源调度策略的可行性进行了分析,并在此基础上探讨了基于蚁群算法的网格计算资源调度的设计思路、运作流程、需要考虑的信息素更新方式等关键问题,最后给出了基于蚁群算法的网格计算资源调度总控程序.     

基于改进多目标布谷鸟搜索的资源调度算法

针对IaaS(Infrastructure as a Service)云计算中资源调度的多目标优化问题,提出一种基于改进多目标布谷鸟搜索的资源调度算法。在多目标布谷鸟搜索算法的基础上,通过改进随机游走策略和丢弃概率策略提高了算法的局部搜索能力和收敛速度。以最大限度地减少完成时间和成本为主要目标,将任务分配特定的VM(Virtual Manufacturing)满足云用户对云提供商的资源利用的需求,从而减少延迟,提高资源利用率和服务质量。实验结果表明,该算法可以有效地解决IaaS云计算环境中资源调度的多目标问题,与其他算法相比,具有一定的优势。     

基于Petri网和混合蚁群算法的多星成像调度

提出一种基于综合指标Petri网和混合蚁群算法的多星成像调度策略。在综合指标Petri网变迁中引入指标信息,处理多星并发观测和卫星资源竞争关系、反映卫星能量和存储等约束,使得问题描述更直观和完备。设计一种嵌入局部搜索技术的蚁群优化算法,通过启发式信息综合变迁中的指标,引导蚂蚁进行全局搜索。仿真实例结果表明,该策略能有效求解多星成像调度问题,实现全局搜索和快速收敛的平衡。     

改进布谷鸟算法求解双资源约束柔性车间调度问题

针对双资源约束的柔性车间调度问题（DRCFJSP）,以优化最大完工时间为目标,设计出一种具有改进解码方案的布谷鸟算法对其进行求解。由于DRCFJSP除了需要考虑机器的分配,还需要兼顾工人的加工情况,所以改进了传统解码方式以避免机器和工人在加工时间上的冲突,同时在解码时尽可能利用机器和工人的空闲时间。在布谷鸟算法核心框架下,将布谷鸟种群随机划分为三个子群,每个子群采用不同Lévy飞行方式独立进行寻优,并通过差分算子实现子群间信息交流,不仅增强了算法的全局搜索能力也平衡了算法的局部搜索能力。最后通过基准测试算例进行实验仿真分析并与其他算法进行对比,验证了改进布谷鸟算法和改进解码方法的有效性优越性。     

基于时间负载均衡蚁群算法的云任务调度优化

针对云渲染系统中渲染节点与任务不匹配调度而带来的时间负载不均衡和耗时长的问题,提出一种基于时间负载均衡的任务调度方式来优化系统耗时的策略.该算法采用Min-min与Max-min相结合的思想,建立时间负载均衡模型进行前期迭代,将迭代结果作为蚁群算法的初始序列,并按照适应度规则计算出相应的初始信息素,同时通过单一变量法确定合理的参数,蚁群算法采用已有的初始资源和参数值进行后期迭代,根据标准量度自定义函数进行高效寻优,进而求得最终的任务调度序列.仿真结果表明,本策略既具有较高的搜索效率和较强的全局寻优能力,又能有效降低任务完成时间,且在时间负载均衡和寻优速度方面均显著优于蚁群算法和蚁群退火算法.     

基于蚁群遗传算法的网格资源调度研究

传统的资源调度算法在网格环境下存在一定缺陷,如不能很好地平衡资源节点的负载,不能很好满足用户服务质量需求等.为了提高网络质量,应用遗传算法全局快速收敛的优点,将遗传算法融入到蚁群算法的每一次迭代中,使之具有很强的全局搜索能力,以加快算法的收敛速度,提出了在价格机制驱动下,应用蚁群遗传算法进行网格资源调度的算法.仿真实验结果表明,在价格机制驱动下,应用蚁群遗传算法进行网格资源调度可以减少系统总执行时间和任务完成时间,系统负载均衡度好,提高了资源调度效率,在网格环境下,算法具有稳定性和高效性.     

基于蚂蚁算法的网格任务调度研究

在多目标的任务条件下,网格任务调度不仅要完成多目标的优化工作,还要提升蚂蚁算法的资源利用率。基于蚂蚁算法的网格任务调度,属于集群计算机处理系统,其中每个数据库分布节点都有着较高的独立性。本文主要对基于蚂蚁算法的网格任务调度进行研究,通过分析蚂蚁算法的改进策略,得出蚂蚁算法的网格任务调度的有效性与仿真结果。