基于遗传禁忌搜索的网格资源选择算法

资源是网格的主体,建立网格的目的就是要管理好的各种网格资源,最大程度地实现资源共享.把网格上的资源和用户请求进行匹配,把合适的可用资源提供给用户使用是网格管理的核心内容.分析了目前常用的资源选择算法,并在此基础上,提出了一种新的算法.该算法结合了遗传算法和禁忌搜索算法的优点,利用禁忌搜索中的禁忌列表来对遗传算法中交换进行有效的限制,避免进入局部搜索.最后通过试验将新算法与遗传算法进行比较.     

约束满足型智能规划算法研究

为解决约束满足型任务规划问题具有约束条件多、计算复杂的问题,建立了约束满足型任务规划模型,根据模型特点,借鉴遗传算法和禁忌搜索算法的优缺点,对遗传算法进行改进,通过把遗传算法和禁忌搜索算法进行融合,形成了遗传禁忌搜索融合算法,通过对比分析进行性能比较,显示该算法能够显著的提高计算效率,减少计算成本,是解决约束满足型任务规划的高效可行的智能算法。     

求解Flow-shop调度问题的HSGATS算法研究

通过研究流程企业典型生产加工方式的Flow-shop加工调度问题,分析了求解这一调度问题的各种算法的性能,特别是混合遗传算法中的混合策略,进而提出了一种以启发式搜索算法为前置算法、遗传算法为主体算法、禁忌搜索算法为后置算法的新的混合遗传算法-HSGATS算法,并针对置换Flow-shop调度问题提出了具体的算法设计和实现方法;通过对大量置换Flow--ShopBenchmark问题进行实验求解和其他算法的比较分析,验证了此算法是十分有效的。     

一种基于改进遗传算法的网格资源调度策略

首先对网格资源调度的特点、现有遗传算法的局限性进行了分析,在此基础上对遗传算法进行改进;提出一种基于改进遗传算法的网格资源调度策略（GRSS_IGA）,该算法综合考虑资源任务分配量、任务截止时间、任务等待时间及资源利用率等QoS参数;并用马尔可夫理论证明了算法的正确性;最后通过仿真对改进前后两种算法的性能进行比较,实验结果表明改进后的算法降低了时间消耗,提高了资源利用率。     

基于离散粒子群和禁忌搜索的网格资源调度算法

提出一种基于智能的网格资源分配和任务调度算法,由于网格资源调度是个离散问题,所以采用基于惯性权重的离散粒子群算法,针对离散粒子群算法在后期容易陷入局部最优的缺陷,将其与禁忌搜索算法相结合,在算法的前期采用离散粒子群算法进行搜索,在后期采用禁忌搜索算法进行局部搜索。并利用网格模拟工具Gridsim Toolkit开发一个网格模拟系统进行实验。实验结果表明,该算法具有较高的寻优能力。     

基于遗传算法的网格资源调度算法

网格将多种资源组织在一个统一的框架下，为各种复杂的计算任务提供资源．因此计算任务在各种资源之间的调度成为了一个关键的问题．简述了在异构资源之间调度任务的重要性，提出了一种基于遗传算法的任务调度算法，该算法采用资源一任务的间接编码方式，通过DAG图获取子任务的层次关系，并将子任务按照层次深度排序，解决了种群中的非法问题．在单一资源上采用短任务优先和父节点优先两个原则来安排子任务的执行次序，以避免出现任务堵塞的现象．     

网格资源调度算法研究

网格资源调度算法是影响网格成功与否的关键技术之一.首先对网格资源调度方法从不同的视角进行了分类,从三个方面阐述了网格资源调度的性能指标,并着重比较分析了几种典型的网格资源调度算法,包括Min-min算法、Max-min算法、基于经济模型的调度算法、基于遗传算法以及基于模拟退火算法的网格资源调度算法等,指出各种算法性能上尚存的不足之处并对下一步如何改进给出建议,最后给出资源调度的研究展望.文中为网格资源调度算法的研究提供了很好的参考.     

基于混合思维进化计算的网格资源分配算法

分布式、异构的网格环境中独立计算任务的有效调度是一个关键问题。由于在这样的环境中找到一个最优的调度是一个NP难问题,通常运用各种启发式算法来找到近似最优解。本文将思维进化计算和禁忌搜索算法结合起来,充分发挥各自的优势,并用实验证明了运用混合思维进化计算进行网格资源分配的有效性。     

网格资源超图划分聚类任务调度

网格计算是当前一个活跃的研究领域,其中任务调度是实现网格计算目标的一个重要部分.为获得良好的网格任务调度性能,提出了一种基于资源超图划分聚类的网格任务调度算法RHPC.该算法根据网格环境下资源数量庞大、异构、多样的特点,在构建的网格资源超图模型基础上,预先对资源进行性能划分聚类,将任务与聚类资源相匹配并实施调度.模拟实验结果证明算法缩短了任务资源相匹配的时间,提高了任务调度的性能,是一种有效的网格任务调度算法.     

网格计算中工作流调度的非合作博弈优化*

在异构网络计算问题中,网格计算方法通过引入资源共享机制,可解决复杂的计算任务。然而在网格环境中,需要对网络可获得的资源进行合理调度和协调,才可以获得良好的网络工作流,以及合适的网络性能和网络响应时间。为了提高网格计算方法的任务调度和资源分配的能力和性能,提出了一种基于非合作博弈方式的博弈模型。该模型通过设定使用户的资源分配所需时间和代价降低的解来增加代理的利润,激励资源代理使用一种优化调度算法,使资源调度的时间和代价都最小。仿真结果表明了该模型的可行性和适用性,并且基于该模型的遗传算法是最好的资源调度算法。     

基于禁忌搜索遗传混合算法的装配线平衡

针对装配线平衡问题（ALBP）,文中提出了一种禁忌搜索遗传混合算法。在混合算法中,遗传算法部分采用特殊的遗传变异操作算子（双点交叉和移位插入变异）,使算法只在可行作业序列子空间中进行搜索,有效减小了搜索范围,提高了算法运行效率;禁忌搜索部分是在每代遗传操作完成以后,随机选择一些个体进行禁忌搜索操作,来增强算法的搜索能力。最后以经典问题的求解验证了禁忌搜索遗传算法在收敛性能和计算效率上较使用单纯的遗传算法高。     

一种基于IP网络的QoS约束组播路由算法

针对时延约束最小代价组播路由问题,结合禁忌搜索算法和模拟退火算法的优点,提出了一种改进的混合遗传路由算法TSSAGMA。通过分析与仿真,证实了该算法在解决时延约束最小代价组播路由的问题上优于传统算法,能够在较小的代价下搜索到较好的解。     

一种求解车间作业调度的自适应混合遗传算法

针对遗传算法和禁忌搜索算法在求解车间作业调度问题存在的全局收敛性差、种群早熟化、收敛速度慢等缺陷,提出了一种自适应遗传禁忌搜索算法。算法通过自适应调整遗传算子中的变异概率,改善了遗传算法的收敛速度;通过增加禁忌表来选择杂交产生的个体,避免迂回搜索,以禁忌搜索算法作为变异算子,增加种群的多样性,避免算法陷入局部最优。通过仿真实例,验证了算法的收敛性和抗局部收敛性。     

TSGA:新型的片上网络低功耗映射算法

针对如何将越来越复杂的应用任务有效地映射到片上网络处理单元上,达到以更少的能耗完成任务的目的,提出了一种遗传算法和禁忌搜索算法相融合的新型片上网路低功耗映射算法。该方法充分利用遗传算法强大的全局搜索能力,融合禁忌搜索的局部搜索能力和突出的翻山特性来弥补遗传算法的局部搜索能力弱和早熟的缺陷,取得了更好的片上网络低功耗效果。实验结果表明,在同样的实验平台和功耗模型下,禁忌搜索遗传算法相比于早期的遗传算法能耗降低显著,相比于后来改进的MGA、AGA算法也有能效优势。     

一种基于禁忌搜索的RFID读写器部署算法*

为解决射频识别（RFID）读写器部署问题,提出了一种基于禁忌搜索算法的读写器部署方法。在增加了读写器容量约束的读写器部署模型基础上,采用禁忌搜索算法来寻找最优部署方案。通过仿真可以得出该算法性能稳定。与遗传算法的数据对比,提出的基于禁忌搜索的读写器部署方法在覆盖率大于遗传算法的同时,迭代次数小于遗传算法。     

基于混合遗传算法的订单生产调度在机车车辆行业中的应用

机车车辆行业作为典型的面向订单的机械制造企业,优化的生产调度方法能提高订单的准时交货,缩短产品的生产周期,提高企业的市场竞争力。订单生产调度问题是典型的NP-hard问题。遗传算法(Genetic Algorithms)为求具有多个约束的复杂问题提供了有效的方法。但是遗传算法的局部搜索能力比较差,在解决订单生产调度问题中存在着明显的不足。本文引入了局部搜索能力很强的禁忌搜索算法,用遗传算法和禁忌搜索算法相结合的混合遗传算法来解决机车车辆行业中面向订单生产调度问题。     

基于图染色问题的混合优化算法

为了提高图染色算法的寻优能力和收敛速度,结合禁忌搜索算法和遗传算法的优缺点,提出了一种混合优化算法（GA-HM）。该算法利用遗传算法生成初始解,将染色元素分到不同的色集中,然后通过禁忌算法进行变领域搜索来更新顶点染色。实验结果表明,GA-HM对求解相同的目标解具有更好的全局最优性和收敛性。     

遗传禁忌算法优化BP网络用于入侵检测

针对入侵检测系统存在的高漏报率和误报率,提出一种基于遗传禁忌神经网络的入侵检测模型。该模型基于遗传禁忌算法的全局搜索和BP网络局部精确搜索的特性,将遗传禁忌算法和BP算法有机结合,利用遗传禁忌算法优化BP网络初始权重,同时引入小生境技术改进遗传禁忌算法。实验表明,改进的遗传禁忌算法优化BP网络用于入侵检测能提高入侵检测的效率,降低误警率,可在一定程度上提高入侵检测系统的准确率。     

基于遗传禁忌搜索的分类器选择集成方法

为提高入侵检测的精度,提出一种使用遗传禁忌搜索的分类器选择集成方法。该方法采用Bagging算法构建初始分类器集合,根据遗传禁忌搜索算法选择分类器子集,以该子集建立多分类器系统进行入侵检测。实验结果表明,与Bagging算法相比,该方法能有效提高检测精度、降低误报率。