基于混沌粒子群算法的多目标调度优化研究

针对当前车间调度多目标优化研究存在收敛速度慢、精度低的问题,提出了混沌多目标粒子群优化算法。在算法中,设计了一种新的叠加Logistic扰动的Tent混沌映射算子,通过该算子周期性地更新种群以保证种群的多样性;对收缩粒子群算法进行了扩展使其能够快速收敛到Pareto前沿。通过标准测试问题与实际应用对所提方法进行了验证,实验结果显示混沌多目标粒子群优化算法无论在收敛速度还是在优化精度上都优于其它典型多目标进化算法。     

基于粒子群优化的地震应急物资多目标调度算法

合理高效地优化调度救灾物资对提升地震应急救援效果具有重要意义。地震应急需要同时兼顾时效性、公平性和经济性等相互冲突的多个调度目标。该文对地震应急物资调度问题建立了带约束的3目标优化模型,并设计了基于进化状态评估的自适应多目标粒子群优化算法(AMOPSO/ESE)来求解Pareto最优解集。然后根据“先粗后精”的决策行为模式提出了由兴趣最优解集和邻域最优解集构成的Pareto前沿来辅助决策过程。仿真表明该算法能有效地获得优化调度方案,与其他算法相比,所得Pareto解集在收敛性和多样性上具有性能优势。

     

基于多目标粒子群优化的片上多处理器节能调度研究

研究片上多核处理器系统的性能-功耗问题有两个重要因素:任务的执行时间以及系统的能量消耗.通过对CMP系统任务调度和能量消耗的分析建立了新颖的编码策略,并使用随机权重适应度以及精华解保留策略对粒子群优化算法进行改进,提出了多目标粒子群算法(MPSO).仿真实验结果表明使用MPS0算法可以增加CMP系统中任务调度的效率,降低任务运行时间和系统能耗.     

求解多目标优化问题的GTSPA混合算法

为了有效求解多目标优化问题,文中结合遗传算法、禁忌搜索算法以及粒子群算法的优势,设计了一种新型的混合算法GTSPA,并对所设计的GTSPA混合算法的总体步骤进行了描述.通过从解的质量、算法的收敛性以及算法的复杂度这几方面对算法进行分析,可以发现:GTSPA混合算法是以较大概率收敛于全局最优的,具有很好的收敛性,并且运算相当快、计算复杂度并不高,具有很好的优势.     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

基于蚁群——遗传算法的改进多目标数据关联方法

将蚁群算法与遗传算法相结合,提出一种快速实现多目标数据关联的AC-GADA(ant colony-genetic algo-rithm data association)算法,该算法利用种群个体携带信息素,并改进了全局信息素扩散模型,同时为了提高算法的收敛速度并且避免局部极值的出现,引入了交叉变异策略和种群适应度模型,通过大量的实验数据证明,该算法在获得较高关联准确率的同时可以有效地提高关联速度。     

基于PSO多目标搜索算法的充电控制策略研究

针对无序充电对电网造成的"峰上加峰"、网损和电能质量问题,根据纯电动公交充换电站特殊的运营模式,以充电站充电时段的各时刻充电功率为控制对象,建立多目标控制策略模型,并采用PSO多目标搜索算法对模型进行优化求解。以某区域电网日负荷曲线为案例进行仿真分析,对比多目标优化与单目标优化条件下的负荷峰谷差变化、网损变化、谐波含量变化。仿真结果表明:该多目标优化策略在降低电网峰谷差、网损方面效果更好,且降低了中午用电高峰时段的谐波含量。     

基于IMOPSO算法的多目标多聚焦图像融合

目前的多聚焦图像融合方法对于融合模型的建立主要依赖于经验,其参数配置存在主观性.提出了一种基于IMOPSO算法的多目标多聚焦图像融合方法,简化了多聚焦图像融合模型,克服了参数配置对经验的依赖性.首先给出了多聚焦图像融合有效的评价指标,然后构造了统一的小波域多聚焦图像融合模型,最后以模型参数作为决策变量,采用IMOPSO算法进行多目标优化搜索.IMOPSO算法不但引入变异算子以避免早熟,而且引入拥挤算子,使Pareto优解尽可能均匀分布于Pareto前端,并采用一种新的自适应惯性权重提高寻优能力.实验结果表明,IMOPSO算法具有更快的收敛速度和更好的寻优能力,同时基于该算法的融合方法也实现了Pareto最优多聚焦图像融合.     

带学习策略的遗传算法求解柔性作业调度问题

多个不同最优染色体之间存在许多共有特征,如果进化过程中能识别这些优秀特征并尽可能遗传到后代个体中,则可以改善后代种群质量,加快遗传算法的收敛速度。在分析柔性作业调度问题的基础上,采用共生遗传算法并加入学习策略进行改进,在进化过程中学习父代优秀特征并指导后代的进化。通过实验测试,并与其他文献中的结果进行比较,表明改进算法在解的质量上有较好的效果。     

基于粒子群算法的车间作业调度问题

通过对车间调度问题的描述,针对传统算法寻优效率低的弱点,提出了一种基于粒子群算法的车间作业调度问题的解决方案.对粒子群算法的基本原理进行了阐述,并对粒子群算法的编码、参数的选择以及解码进行了研究,以最小化最大流程时间作为评价算法的性能指标,将其用于编程求解典型调度问题.仿真结果表明,粒子群算法在求解车间作业调度的应用上是十分有效的.     

基于粒子群的网格任务调度算法研究

为了更好地解决异构动态环境下的资源管理问题,提出了一种网格环境下的任务调度模型。该模型考虑了当前网格虚拟组织下的计算资源、存储资源和带宽资源,模型的最优化目标是实现三者利用率最高和代价最低,即构造min-max函数。与遗传算法相比,利用粒子群优化算法对min-max函数求解提高了资源的利用率和任务的执行效率,同时在随着迭代次数增加的情况下,搜索速度、寻优率和避免早熟方面也有明显的提高。     

基于改进混合遗传的医学图像模糊增强研究*

针对现有医学图像中存在有采集后图像质量不高、图像过暗等现象,对遗传算法中的选择、交叉、变异特性进行研究,同时结合粒子群优化、禁忌搜索及模糊增强算法,提出一种基于改进混合遗传的医学图像模糊增强方法.该方法通过对传统遗传算法改进,将粒子群优化思想及粒子空间对称分布原理引入以改善遗传算法缺乏明确的目标指向性、“突变”性过高的现象,并且为有效降低粒子的同一位置二次搜索,在算法执行过程中加入了禁忌搜索算法.最后,通过与模糊增强算法相结合,并设置二维方向寻优,可自适应的同时寻找到两个模糊参数Fp、Fe最优值,完成医学图像的模糊增强.实验结果表明,改进后算法可有效改善过暗医学CT图像的质量,增强效果较好.     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

基于BPEL和Drools的车间调度研究

现代企业的应用程序和信息已成为公司相当重要的资产,大多数企业都希望此应用能够提供业务流程全面的支持.这就意味着应用程序和业务流程应该紧密结合,然而,应用程序的每次修改都会减少其结构对其未来变化的鲁棒性.基于对业务流程通信便捷性的目的,本文采用实例验证的方法,结合Drools优化车间调度问题,用Web Sevices 和BPEL加以实现,并以机械加工流程为例加以验证,得出了BPEL和Drools结合能够较好实现加工流程的多服务调用和交互和通信的结论.     

基于遗传算法的TSP问题研究

TSP是一个典型的组合优化问题，并且是一个NP难题，其可能的路径总数与城市数目n是成指数型增长的，所以一般很难精确地求出其最优解，因而寻找出有效的近似求解算法就具有重要的意义。现就提出的一种求解TSP问题比较有效的改进的遗传算法进行了研究，从遗传算子、评估函数、种群多样性等方面对算法进行了分析，并对实例CHN144进行了测试，实验结果表明文中提出的算法在求解TSP问题上是有效的。     

Task scheduling algorithm for system-wide information management based on multiple QoS constraints

An ant colony optimization task scheduling algorithm based on multiple quality of service constraint (QoS-ACO) for SWIM was proposed.Focusing on the multiple quality of service (QoS) requirements for task requests completed in system-wide information management (SWIM),considering the task execution time,security and reliability factors,a new evaluate user satisfaction utility function and system task scheduling model were constructed.Using the QoS total utility evaluation function of SWIM service scheduling to update the pheromone of the ant colony algorithm.The simulation results show that under the same conditions,the QoS-ACO algorithm is better than the traditional Min-Min algorithm and particle swarm optimization (PSO) algorithm in terms of task completion time,security,reliability and quality of service total utility evaluation value,and it can ensure that the user's task scheduling quality of service requirements are met,and can better complete the scheduling tasks of the SWIM.     

改进的遗传算法在排课系统中的应用研究

针对排课系统中常用的遗传算法中存在影响排课因素多、难以进行最优组合及排课效率低等问题,提出了一种改进的遗传算法。在该算法中,主要对传统遗传算法中的编码方式、初始化种群方式、选择操作、交叉操作、变异操作及冲突检测方式进行改进。仿真测试结果表明,改进后的遗传算法在收敛速度和获得最优解方面都有了很大提高。