基于粒子群优化算法的虚拟机放置策略

当前云计算虚拟化平台无法适用于对时延要求较高的应用。为此,提出一种基于粒子群优化算法的虚拟机放置策略。介绍粒子群优化算法,建立云环境内部时延模型,设计虚拟机放置策略架构。实验结果表明,该策略的请求响应时间比动态资源调度(DRS)策略降低14%~19%,每秒处理请求数比DRS方案提高约17%。     

云平台下基于粒子群优化算法的虚拟机迁移模型

提出基于粒子群优化的虚拟机迁移模型(Particle swarm optimization for virtual machine migration model,PSO-VMM)。设计基于多维物理资源约束的能量消耗模型,以能量消耗最小作为粒子群优化的目标函数。在物理主机状态检测和虚拟机选择阶段,利用鲁棒局部归约检测LRR(Local Regression Robust)和最小迁移时间选择MMT(Minimum Migration Time)。在虚拟机放置阶段,将粒子群优化算法应用到大规模的候选迁移虚拟机到物理主机的重新分配。仿真实验结果表明:PSO-VMM迁移策略使得云平台的各类性能指标都得到改善。     

基于粒子群优化算法的水质传感器优化部署研究

针对不同污染程度的水域提出重点监测区域的集中性覆盖监测问题.在重点监测区域的传感器网络部署之前,对于监测水域大面积覆盖监测问题采用一种基于加权因子调整的粒子群优化(PSO)算法,对比了不同粒子群数目对网络覆盖能力的影响.仿真结果表明:PSO算法保证在最大覆盖率的条件下,实现传感器网络节点快速自适应均匀部署,运算速度快且能够避免局部最优;网络覆盖能力先随粒子群数目的增加而增大,当粒子群个数达到20后,网络覆盖能力随之减小;网络实现最大范围均匀部署之后,能较好地保障重点水域的集中性覆盖监测,从而保障真实客观的水质监测数据.     

基于模糊粒子群优化算法的无线传感器网络部署优化研究

针对无线传感器网络部署中随机抛洒方式下,如何选择部分节点参与构建网络的问题,提出了一种基于模糊粒子群优化算法的优化部署方法.该方法使用每个粒子代表问题的一个可能解,然后进行迭代寻优,并通过隶属度函数将连续变量转换为01值.实验结果表明:所提方法能够在节点数量和覆盖率之间取得较好的平衡,具有一定的优势.     

负载均衡中粒子群优化算法的研究

负载均衡技术是集群系统任务调度的中心环节,静态分配负载均衡算法,不能很好地实现异构服务器负载均衡.本文采用自适应的动态负载算法来计算服务器的负载,达到异构的均衡效果.实验结果表明,该方法降低了服务器端事务请求的相应时间,提高了系统的吞吐率,从而改善了系统的性能.     

保持粒子活性的改进粒子群优化算法

针对基本粒子群优化算法（particle swarm optimization, 简称PSO）存在的早熟收敛问题,提出了一种保持粒子活性的改进粒子群优化（IPSO）算法。当粒子失活时,对粒子进行变异或扰动操作,重新激活粒子,使粒子能够有效地进行全局和局部搜索。通过对4种Benchmark函数的测试,结果表明IPSO算法不仅具有较快的收敛速度,而且能够更有效地进行全局搜索。     

基于多策略协同作用的粒子群优化算法

针对粒子群优化(PSO)算法容易早熟收敛、在进化后期收敛精度低的缺点,提出了一种基于多策略协同作用的粒子群优化(MSPSO)算法。首先,设定一个概率阈值为0.3,在粒子迭代过程中,如果随机生成的概率值小于阈值,则采用对当前种群中的最优个体进行反向学习并生成其反向解,以提高算法的收敛速度和收敛精度;否则,算法执行对粒子的位置进行高斯变异策略,以增强种群的多样性;其次,提出一种将柯西分布的比例参数进行线性递减的柯西变异策略,能够产生更好的解引导粒子向最优解空间运动;最后,在8个标准测试函数上进行仿真测试,MSPSO算法在Rosenbrock、Schwefel's P2.22、Rotated Ackley、Quadric Noise、Ackley函数上收敛的平均值分别为1.68E+01、2.36E-283、8.88E-16、2.78E-05、8.88E-16,在Sphere、Griewank和Rastrigin函数上收敛达到最优解0,优于高斯扰动粒子群优化(GDPSO)算法、基于柯西变异的反向学习粒子群优化(GOPSO)算法。结果表明,所提出的算法收敛精度高,能避免粒子陷入局部最优。     

一种多策略混合的粒子群优化算法

针对传统粒子群优化算法在解决一些复杂优化问题时易陷入局部最优且收敛速度较慢的问题,提出一种多策略混合的粒子群优化算法(Hybrid Particle Swarm Optimization with Multiply Strategies,HPSO)。该算法利用反向学习策略产生反向解群,扩大粒子群搜索的范围,增强算法的全局勘探能力;同时,为避免种群陷入局部最优,算法对种群中部分较差的个体实施柯西变异,以产生远离局部极值的个体,而对群体中较好的个体施以差分进化变异,以增强算法的局部开采能力。对这3种策略进行了有机结合以更好地平衡粒子群算法全局勘探和局部开采的能力。将HPSO算法与其他3种知名的粒子群算法在10个标准测试函数上进行了性能比较实验,结果表明HPSO算法在求解精度和收敛速度上具有较显著的优势。     

改进的粒子群优化算法

将基本粒子群算法粒子行为基于个体极值点和全局极值点变化为基于个体极值中心,并且按一定概率选择其他粒子的个体极值点,设计了一种新的粒子群优化算法.新算法的学习行为符合自然界生物的学习规律,更有利于粒子发现问题的全局最优解.实验结果表明了算法的有效性.     

基于混合微粒群算法的说话人识别

为了解决传统高斯混合模型(GMM)对初值敏感,在实际训练中极易得到局部最优参数的问题,提出了一种采用微粒群算法优化GMM参数的新方法。该方法将最大似然估计融入到微粒群算法迭代过程中,形成了新的混合算法。它利用微粒群算法的全局优化性及最大似然估计的局部寻优性求解高斯混合模型的参数,以提高参数精度。说话人辨认实验表明,与传统的方法相比,新方法可以得到更优的模型参数,使得系统的识别率进一步提高。     

一种基于粒子群的聚类算法

针对K-中心点算法对初始化敏感和容易陷入局部极值的缺点,提出一种基于粒子群算法和密度初始化改进的K-中心点聚类算法。该算法初始化时选择距离较远的k个候选范围作为k个聚类中心的选择范围,即粒子的初始值都在该k个范围内。通过粒子群算法优化聚类中心,以解决K-中心点算法因为聚类中心迭代计算较为复杂而导致的时间复杂度较高的问题。实验结果表明,该算法具有较高的正确率,较小的时间复杂度,综合性能更加稳定。     

基于多样性反馈的自适应粒子群优化算法

为了进一步提高种群多样性在粒子群优化执行中的效率,提出一种基于多样性反馈的自适应粒子群优化算法(APSO)。APSO采用一种新的种群多样性评价策略,使惯性权值在搜索过程中随多样性自适应性地调整,从而均衡算法的勘探和开发过程。此外,最优粒子采用精英学习策略跳出局部最优区域,从而在保证算法收敛速度的同时能够自适应地调整搜索方向,提高解的精确度。通过一组典型测试函数的仿真结果,验证了APSO的有效性。     

基于量子行为粒子群优化算法的图像插值方法

传统图像插值方法简单,容易实现,但经过插值后的图像会增加一定的虚假内容,导致图像模糊。为提高插值图像的质量和图像的分辨率,提出一种基于量子行为粒子群优化（QPSO）算法的图像插值方法。该方法利用QPSO算法在以传统插值图像为基础形成的解空间中,寻找符合目标函数的最优高分辨率图像。实验证明,该方法实用、可行,且能得到质量较好的插值图像。     

一种改进的微粒群优化算法

基于惯性权重对微粒群优化算法（Particle Swarm Optimization,PSO）优化性能的显著影响,提出了一种改变惯性权重的方法以改进PSO算法的优化性能。算法中惯性权重的动态改变是通过对其进行PSO寻优来控制的。经过对标准函数的测试计算,无论是二维还是多维的问题,这种改变惯性权重的PSO算法的寻优结果的准确度和精度均得以提高,收到了良好的效果,尤其在高维情况下,显示出算法性能得到了明显改善。     

免疫粒子群算法的改进及应用

在现有的免疫粒子群算法基础上,增加了交叉和高频变异操作,以保证种群进化的多样性,克服粒子群算法的早熟现象。本算法通过柯西变异提高算法的全局搜索能力;通过高斯变异提高算法的局部搜索能力。此外,为解决随机的、没有指导的交叉变异操作可能引起的退化现象,引入了疫苗提取和疫苗接种策略。仿真结果表明算法的收敛速度和精度都有明显提高。     

结合梯度法的混合微粒群优化算法

在微粒群优化算法PSO中引入梯度算法,提出了一种新型的混合微粒群优化算法——GPSO。该混合优化算法是对PSO每一次进化后的所有微粒进一步执行梯度法寻优操作,并以寻找到的更优个体替代当前个体参与群体的下一代进化。GPSO既利用了PSO出色的全局搜索能力,又借助梯度法的快速局部寻优能力,很好地将两者的优势结合在一起。数值实验表明：无论是对于低维的多峰函数,还是高维的多峰和单峰病态函数,GPSO都表现出很强的优化效率、适用性和鲁棒性。     

集成学习在粒子群优化算法改进中的应用研究

集成学习通过结合多个学习者可以获得更好的结果。从三个方面,即从粒子级和维度级上进行集成,全过程或阶段性使用集成以及在单种群或多子种群中应用集成,研究了集成学习用于改进粒子群优化（PSO）算法的方式。通过三个典型函数优化问题的实验结果表明,与标准PSO和一些改进方法相比,集成学习可以改进PSO算法性能。     

基于分层自主学习的改进粒子群优化算法

针对粒子群优化（PSO）算法容易陷入局部最优、收敛精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（HCPSO）算法。首先，根据粒子适应度值和迭代次数将种群动态地划分为三个不同阶层；然后，根据不同阶层粒子特性，分别采用局部学习模型、标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度；最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。     

基于高斯扰动和自然选择的改进粒子群优化算法

为了有效地平衡粒子群算法的全局与局部搜索性能,提出一种基于高斯扰动和自然选择的改进粒子群优化算法。该算法在采用简化粒子群优化算法的基础上,考虑到个体最优粒子间的相互影响,使用所有融入高斯扰动的个体最优的平均值代替每个粒子的个体最优值,并且借鉴自然选择中适者生存的进化机制提高算法优化性能;同时通过含有惯性权重停止阈值的自适应调节余弦函数递减策略来实现对惯性权重的非线性调整并采用异步变化调整策略来改善粒子的学习能力。仿真实验结果表明,所提算法在收敛速度和精度等方面均有提高,寻优性能优于近期文献中的几种改进的粒子群优化算法。