基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

近年来,国内外学者针对基于预测的动态多目标优化算法开展了深入研究,并提出了一系列有效的算法,然而已有的研究工作通常采用单一的预测策略,使得算法不能有效地应对剧烈的环境变化。针对上述问题,提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地,当环境发生变化时,该方法首先基于代表性个体预测策略生成一部分群体;其次,基于拐点预测策略生成一部分新群体,特别地,为了提高种群的多样性,根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体;为了提高问题的求解效率,对社会学习优化算法进行了改进,为每个进化空间设计了适用于动态多目标优化问题的算子;最后,将混合预测策略与改进的社会学习优化算法结合,构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集,与四种代表性算法进行了性能对比;并以反向世代距离(inverted generational distance, IGD)对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。     

MEC环境下多维属性感知的边缘服务二次聚类方法研究

移动边缘计算（mobile edge computing,MEC）环境下,海量的领域服务分布在边缘服务器上,如何对大规模的边缘服务进行精确的聚类是亟需解决的重要问题之一。为此提出了一种MEC环境下多维属性感知的边缘服务二次聚类方法。该方法首先分析并建立了MEC环境下边缘服务二次聚类指标模型。之后,提出了一种基于密度的最小生成树启发式分段聚类算法（heuristic segmented for MST clustering based on service density,DMSC）,基于DMSC算法依据一级指标对边缘服务进行一次聚类;最后,将密度峰值算法中γ值引入到层次聚类中,构建了基于密度峰值的层次聚类算法（hierarchical clustering based on density peak,HCDP）,基于HCDP算法依据二级聚类指标,在一次聚类的基础上对边缘服务进行二次聚类。在人工数据集和UCI数据集上开展了大量验证实验。实验结果表明,DMSC算法与HCDP算法提高了聚类的准确率,减少了算法的平均迭代次数,增强了算法的稳定性。