基于改进模拟退火任务调度算法研究

研究任务调度优化系统问题.任务调度问题的主要难点在于复杂度太高,传统的基于任务调度Q学习算法更新收敛速度慢.针对协同工作中的任务调度实际问题,提出了一种基于模拟退火的改进的Q学习算法.算法首先建立任务调度目标模型,在分析了Q学习算法的基础上,通过引入模拟退火算法,同时结合贪婪策略,以及在状态空间上的筛选判断,并给出了任务调度的整个过程.仿真结果表明,与单一的Q学习任务调度算法相比,改进的算法显著地提高了收敛速度,缩短了执行时间.从而验证了改进算法的有效性.     

智能优化算法的应用研究

优化问题广泛存在于各个领域,对该问题的求解问题从没停止过.自从优化问题提出以来,人们提出了各种各样的智能优化算法.文中简要介绍了遗传算法、蚁群算法、模拟退火算法3种智能优化算法,并简述其优缺点及应用研究的使用情况.     

基于动态负载均衡策略的网格任务调度优化模型和算法

任务调度是一个NP-hard问题,而且是并行与分布式计算中一个必不可少的组成部分,特别是在网格计算环境中任务调度更加复杂。结合免疫克隆算法和模拟退火算法的优点,提出了一种网格任务调度优化模型和算法。仿真实验结果表明,这种调度算法有效地实现了资源的负载均衡,克服了遗传算法容易陷入局部最优的缺点,可以成功地应用于网格任务调度中。     

基于GA 和SA 的制造单元成组方法

介绍一种综合ＧＡ和ＳＡ优点的制造单元成组方法。建立了可变工艺路径的单元成组问题的优化模型,对ＧＡ和ＳＡ操作中的步骤及其相应于可变路径情况下的特殊性做出说明。阐述了基于并行ＧＡ搜索的ＳＡ算法,并对制造单元的实例进行成组,取得了令人满意的效果。     

基于改进智能水滴算法的多目标供应链最优模型

为了最大限度地降低制造型供应链的销售成本并缩短供货时间,提出了一种基于改进智能水滴算法的多目标供应链优化模型。该模型通过在选项选择期间同时考虑成本和时间来提高供应链效率,并能够将制造型供应链中的销售成本和交货时间最小化。通过使用帕累托最优准则对传统的智能水滴算法进行修改,从而得到一个帕累托集,以实现两个目标的最小化。通过3个实例对所提算法进行了测试,并采用世代距离和超区域比指标将其与蚁群优化算法进行了比较。实验结果显示,所提方法的性能更优,生成的解集更接近真实帕累托集,能够覆盖更大的解区域面积,且计算效率较高。     

智能制造CPS中基于节点有效度的共识算法

智能制造信息物理融合系统(Cyber-Physical System,CPS)中设备在系统运行过程中产生大量通信信息和设备数据,这些数据存在被修改和窃取的风险。以分布式存储为核心的区块链技术有利于保障CPS系统的数据安全,但现有共识算法存在数据记录权限集中在少数节点、易被恶意节点劫持的问题。通过引入节点有效度,可以反映节点行为动态变化的情况。实验结果表明,基于节点有效度的共识机制可使得获得数据记录权限的节点分布更加分散,更好地体现系统的去中心化特性,提高了数据的安全性。     

云制造环境下基于改进NSBBO的任务调度算法

针对云制造环境下的多目标任务调度问题,改进非支配排序生物地理优化算法,提出一种反映用户偏好的任务调度算法(UPTSA)。通过基于权重均匀分配策略定义的用户偏好度来评估制造任务调度方案的质量,使UPTSA算法能寻找反映用户偏好的最优解,并设计梯形迁移率计算模型扩大其搜索邻域,避免陷入局部最优解。实例分析结果表明,UPTSA算法能有效求解云制造环境下的多目标任务调度问题,为用户提供一组辅助其决策的调度方案,从而满足高度个性化的用户需求。     

基于改进区块链的智能制造安全模型

针对传统区块链智能制造安全模型存在的区块构建和数据查询速度慢、插入查询操作的时间复杂度高等难题,提出了基于改进区块链的智能制造安全模型。首先为了克服传统区块链耗电量大和吞吐量低的弊端,引入新型Merkle Patricia树(MPT)扩展区块链结构,以提供节点状态的快速查询;然后针对MPT不支持并发操作和高负载状态下性能较差的问题,设计无锁并发缓存Merkle Patricia树,支持无锁的并发数据操作,可以提升在多核系统下的效率;最后采用具体仿真实验分析了所提模型的性能。结果表明,改进区块链的智能制造安全模型可以有效降低插入查询操作的时间复杂度,大幅提升区块构建和数据查询的速度,相较于传统模型,获得了更优的整体性能。     

基于LSSVRM和SA算法的软件失效模型

针对软件失效数据的特点,提出将最小二乘支持向量回归机(LSSVRM)用于软件可靠性失效模型的构造。利用LSSVRM 对小样本失效数据构造拟合模型,使用模拟退火(SA)算法对LSSVRM的参数进行优化,得到基于SA的LSSVRM,实现对拟合模型的进一步改进。通过与常用的NHPP类软件失效模型对比表明,利用LSSVRM和SA算法可以构造拟合精度更高的失效模型,并可简化对模型参数的调整     

基于改进GLR算法的智能识别英语翻译模型设计

GLR算法模型翻译识别结果存在数据点重合的情况,精确度无法得到有效保障。为了准确的识别短语,设计了基于改进GLR算法的短语智能识别算法,该算法构建标记规模约74万个英汉单词的短语语料库,使短语具备可搜索功能,通过短语中心点构建短语结构,可获得词性识别结果,依据解析线性表的句法功能校正词性识别结果中的英汉结构歧义,最终获得识别的内容。实际测评结果显示,该算法克服了GLR的弊端,相对统计算法和动态记忆算法提高了运算速度和处理性能,更加适合机器翻译任务,为在智能机器翻译领域提供了新的思路。     

基于模拟退火算法的粒子群优化算法在容器调度中的应用

随着互联网产业的发展,虚拟机创建速度慢、不易扩展、灵活性不足等缺点越来越凸显,容器技术的出现为这些问题提出了一种新的解决思路;而现有的调度算法仅考虑容器云集群中工作节点的内存、CPU等物理资源,没有考虑对容器云调度后的镜像分发过程有明显影响的网络负载率,导致容器调度任务等待时间过长,造成数据中心的资源浪费;鉴于粒子群优化算法在局部开采能力和全局探测方面有较强的优势,提出了一种基于模拟退火算法的粒子群优化算法(SA-PSO,simulated annealing particle swarm optimization algorithm)的容器调度算法,通过使用模拟退火优化粒子群算法使其在算法初期跳出局部最优情况,提升算法性能;在Kubernetes平台实验过程中,SA-PSO调度算法相比Kubernetes的BalancedQosPriority算法,提升了整体节点资源利用率,显著减少任务最少等待时间;同时与标准PSO算法以及动态惯性权重PSO算法进行对比,不仅收敛能力有显著提升,并且相较标准PSO算法全局最优节点命中率提升近60％.     

新高考体制下运用改进粒子群算法的排课算法

基于改进的粒子群算法,解决了新高考体制下的排课问题。针对中学教学资源紧张的情况,所用算法可高效寻找最优课表,并在行政班的背景下实现智能排课。将课表各要素存入二维矩阵,使初始课表满足无冲突、教师数量最少、教室数量最少、每科目每天最多一节课以及教学计划同步推进等约束条件。为课表添加评价系统,用于表征课表的用户自定义条件满足程度。设计新解产生规则,分别使用模拟退火算法和粒子群算法进行课表优化并对比两种算法的性能,在优化过程中不破坏硬约束条件和软约束条件。最终,使用改进的粒子群算法得到高质量的符合新高考体制的课表。     

蚁群算法在生产调度中的应用

介绍了蚁群算法的基本思想,以旅行商问题说明了蚁群算法的模型结构,总结了蚁群算法在作业车间以及流水车间中的应用,并与其它启发式算法进行了简单的比较。在分析了目前半导体生产线调度研究现状的基础上,探讨了蚁群算法在半导体生产线调度中的应用前景。     

数据并行流水线网格调度的一种优化方法

为改进计算网格上数据并行流水线的性能,用模拟退火算法优化调度,用一个实验性方法确定初始控制参数,用一个随机方法选择下一个调度方案。调整最佳调度方案的稳定次数,可实现优化开销和优化效果之间的折中。实验显示,该文的模拟退火可有效优化流水线的调度。     

改进型模拟退火算法在设备布局设计中的应用

由于设备布局问题是NP完全问题，它在有限合理的时间内难以求得最优解，因此问题的求解只能依赖于各种启发式方法。文章针对传统的模拟退火算法经常出现迂回搜索，导致搜索效率低，解的质量差这一现象，通过在传统模拟退火算法搜索过程中增加记忆功能，来避免迂回搜索，将改进的模拟退火算法应用于设备布局的研究中，通过实例证明改进的模拟退火算法解的质量有了很大提高。     

SAGACIA全局优化方法及应用

ＳＡＧＡＣＩＡ全局优化方法及应用＠李兵＠蒋慰孙￥华东理工大学自动化研究所模拟退火法,遗传算法,趋化性方法,优化ＳＡＧＡＣＩＡ全局优化方法及应用李兵蒋慰孙（华东理工大学自动化研究所上海２０００２３７）关键词模拟退火法,遗传算法,趋化性方法,优化１）国家自然科...     

改进退火遗传算法在SQL数据挖掘参数优化中的应用

针对SQL数据挖掘在复杂动力学系统故障诊断中的模式分类问题,以决策树参数优化为例,开展SQL数据挖掘分类算法参数优化研究。目前数据挖掘中的各类算法参数往往根据经验值设定,预测精度不高;只用遗传算法进行参数优化,分类预测结果容易发生振荡和早熟现象。采用改进的退火遗传算法对SQL数据挖掘中的决策树算法参数进行优化,解决了人工经验设置参数效率低下、精度不高的问题,同时实现了全局搜索,快速收敛到全局最优解。     

工作流程中人员合作任务的调度优化模型仿真

多人合作的大型工作任务进行调度,可以极大提高工作效率.大型企业的工作任务往往需要由多人次反复合作完成.人员之间的工作流程本身充满了利益矛盾,且矛盾呈现多维度,多链条的关系.传统的调度算法都是以单线路、单个人员的工作任务最优为目标,应用到多人次的过程中时,会由于矛盾过多,使模型不收敛,容易造成调度效率低,人力资源调配不合理.提出采用改进粒子群算法的工作流程中多人员合作任务的调度优化模型.对多人次、多任务建立优化目标,根据粒子群间的协作,对多人次调度过程进行求解,求得的接运用校验过程进行最优化试错,根据最终结果获取调度模型的最优解,得到工作流程中人员合作任务的最佳调度方法.实验结果表明,利用改进粒子群算法进行工作流程中人员合作任务调度优化处理,能够提高调度效率,提高资源利用率.     

改进遗传算法在公交调度优化中的应用

在充分考虑公交公司运营成本和乘客候车等待成本的基础上,引入了乘客坐车舒适度这一指标建立了公交调度优化模型。针对基本遗传算法在实际应用中出现进化缓慢和提前收敛的问题,利用蚁群算法具有局部搜索能力强和收敛速度比较快等优点,引入了蚁群算法引导变异,建立了自适应的遗传算法,实现了模型求解的高效性和高精度。     

同构多核/众核处理器任务分配自适应模拟退火算法

随着多核/众核处理器核心数快速增加,任务分配解空间急剧增大,降低近似解的相对偏差越来越难。提出一种自适应模拟退火算法,建立了模拟退火算法中参数与优化环境任务数和核心数的关系。核心数的增加不但可以有效降低近似解的相对偏差,而且使任务分配算法具有较高的环境自适应能力。与较近研究成果相比较,在16核心时,自适应模拟退火算法迭代次数增加41%,相对偏差降低86%。