改进遗传算法在云任务调度中的应用研究

云计算环境下的任务调度问题是当前研究的热点问题,而遗传算法(Genetic Algorithm,GA)是解决任务调度问题的重要智能算法之一。文章针对基于吞噬机制改进遗传算法(Phagocytosis Improved Genetic Algorithm,PIGA)在云任务数量较大的情况下,应用吞噬机制解决任务调度问题时易出现大量云任务集中于一台或者几台虚拟机,使得算法收敛于局部最优解的问题展开研究,并以最短云任务执行时间为目标,在IGA(Improved Genetic Algorithm)调度的基础上,改进吞噬机制,将"吞噬细胞"、"普通细胞"、"病原体细胞"的概念引入到该算法中,提出增强型吞噬遗传算法(Enhanced Phagocytosis Genetic Algorithm,EPGA),探寻更快的云任务执行时间。仿真实验表明,与GA、IGA、PIGA相比,所提算法明显改善了云任务的完成时间,并且在云任务数量较大的情况下,EPGA较PIGA更能探寻到最优解。     

基于引导策略自适应粒子群算法的农村电网无功优化

粒子群优化算法在农村电网无功优化领域已有广泛应用,但算法存在不足,易陷入局部极值。算法中粒子更新方式和惯性权重是影响搜索能力的关键因素,提出了一种基于引导策略的自适应粒子群算法(adaptive particle swarm optimization algorithm with guiding strategy,GSAPSO),该算法在种群中引入4种粒子,即主体粒子、双中心粒子、协同粒子和混沌粒子对粒子位置更新进行引导来克服算法的随机性,从而提高搜索效率;为进一步克服粒子群优化算法进化后期易陷入早熟收敛的缺点,引入聚焦距离变化率的概念,通过聚焦距离变化率的大小动态调整惯性权重,以提高算法的收敛速度和精度,粒子更新方式和惯性权重的改进极大地提高了搜索到全局最优解的有效性。以IEEE 30节点测试系统为例进行仿真计算,采用GSAPSO算法无功优化计算后最优降损率可达到18.966%,节点最低电压为1.0091p.u.,最优解迭代次数45次,平均迭代次数64.6次,相比标准粒子群算法(PSO)、随机权重粒子群算法(wPSO)和惯性权重线性递减的粒子群算法(LDWPSO)均有很大提升。仿真结果表明:应用GSAPSO算法求得的解质量更高,收敛速度和精度明显高于其他3种算法,说明该算法具有更好的寻优能力和收敛性能。     

HPGA求解流量调和问题的性能评价

针对深水天然气-凝析液生产系统的流量调和问题,采用主从式-粗粒度混合并行遗传算法(Hybrid Parallel Genetic Algorithm,HPGA)求解得到单井流量估计值,以弥补传统遗传算法(Simple Genetic Algorithm,SGA)计算耗时长的缺陷。HPGA基于多核PC集群的分布式储存,通过线程和进程两级并行实现;节点内部使用主从式并行模型(Master-slave Genetic Algorithm,MSGA),在多节点上应用粗粒度并行模型(Coarse-grained Parallel Genetic Algorithm,CGGA)。以某气田两井生产系统为例,通过对比HPGA、MSGA及SGA的计算时间和计算结果,研究HPGA在虚拟计量应用中的并行性能。结果表明:HPGA的并行效率和加速比占线性加速比的比例均在70%以上,计算时间显著缩短,且流量估计误差降低,满足工程运行离线分析的需求。同时,研究了加速比和并行效率随进程数和种群数的变化规律,以探讨并行开销的影响。     

基于种群密度的鲁棒多目标优化算法

为消除由于设计参数或环境因子扰动对多目标优化问题带来的影响,提出基于t分布构建有效目标函数,并在传统Pareto最优解评估策略基础上,一方面用种群在空间的分布密度替换NSGA2算法中基于距离的拥挤排序策略以维护外部档案;另一方面,引入基于种群分布密度的全局最优解概率选择策略和基于拉丁超立方的局部采样方法.实验结果表明,该算法能有效求解多目标问题的鲁棒Pareto最优解.     

基于维度权重和遗传因子的萤火虫算法在聚类分析中的应用

针对传统聚类算法对初始值敏感,易陷入局部最优的问题,本文提出一种基于维度权重和遗传因子的萤火虫算法(AWG-FA)。该算法引入遗传算法的交叉、变异思想,并通过计算维度权重,将群体中具有优良维度的个体遗传到下一代,保留种群的潜在最优解,并对余下个体进行自适应变异,提高了种群的多样性。在UCI数据集上进行仿真实验,结果表明该算法具有更好的聚类性能和鲁棒性。     

多目标优化问题的差分进化算法研究

为保持所求得的多目标优化问题Pareto最优解的多样性,提出了一种精英保留和根据目标函数值进行排序的多目标优化差分进化算法.对排序策略中目标函数的选择方式进行了分析和比较,并提出了一种确定进化过程中求得的精英解是否进入Pareto最优解集的阈值确定方法.用多个经典测试函数进行了实验分析,并与NSGA-Ⅱ算法进行了比较.实验结果表明,该方法收敛到问题的Pareto前沿效果良好,能有效保持所求得的Pareto最优解的多样性.     

求解多目标优化问题基于相对熵的Pareto解演化算法

提出了一种求解多目标优化问题的基于相对熵的Pareto解演化算法，首先分析了多目标优化中各目标间的补偿模式和非补偿模式。以及它们对应的Pareto解演化算法和经典加权求和算法，指出实际问题中，并不存在完全的补偿模式或完全的非补偿模式。往往是需要补偿，但要避免目标间极端不均衡解的产生。故需在Pareto解演化算法基础上引入目标间均衡性的评价。然后利用相对熵作为均衡性的评价指标。在MOGA算法的基础上引入相对熵。形成了EPEA算法，算法避免了各目标间极端不均衡性的评价指标。在MOGA算法的基础上引入相对熵，形成了EPEA算法，算法避免了各目标间极端不均衡解的产生。为方便寻找偏好解提供了途径，数值实验证实了算法的有效性。     

基于改进粒子群算法的重力坝断面优化研究

【目的】将改进粒子群算法用于重力坝断面的优化计算,为重力坝的优化设计提供支持。【方法】针对传统粒子群算法(PSO)中线性递减的惯性权重极易导致算法陷入局部极值的不足,提出一种改进的粒子群算法(Improved PSO),该算法利用三角函数的相关性质改进惯性权重(w)随时间的动态变化模式,以使惯性权重值在算法的初期保持较大取值,然后逐渐递减而在算法的末期保持较小取值,从而提高粒子群算法的全局搜索能力,增强算法的收敛性能。编制基于改进粒子群算法的重力坝断面优化设计计算程序,对某水利枢纽工程的非溢流重力坝断面进行优化计算分析,并与遗传算法和标准粒子群算法的计算结果进行比较。【结果】采用改进粒子群算法得到的非溢流重力坝的最优断面面积为5 147.3 m~2,而采用标准粒子群算法(SPSO)得到的非溢流重力坝的最优断面面积为5 416.5m~2,前者较后者减小9.45%,极大地提高了经济性;采用改进的粒子群算法得到最优解需要计算15步,而采用标准粒子群算法得到最优解需要计算22步,粒子群算法收敛速度提高了31.8%。通过2种算法计算结果的对比,表明改进的粒子群算法不仅能得到更好的优化结果,而且保持了较快的收敛速度。【结论】改进粒子群算法可以用于大型水利工程结构的优化计算与设计。     

基于K均值聚类改进的蚁群算法研究

蚁群优化算法(ACO)在求解TSP(traveling salesman problem)问题时,其算法的时间复杂度为O(m·n2·t)(其中t表示循环次数,n为城市数,m为蚂蚁数),搜索时间比较长。利用K-means聚类的方法得到多个类,每一个类都看作是一个小的TSP问题,然后在每个类内部和类之间利用改进的蚁群算法寻找最优路径,通过实验仿真,验证了此方法不但能提高解的精度,而且还加快了运行速度。     

基于并行SAGA的成品油管道开泵方案优化

为了降低管道运行能耗,针对成品油管道开泵方案的优化求解方法主要包括动态规划算法(Dynamic Programming,DP)和基本遗传算法(Simple Genetic Algorithm,SGA),其存在管道较长时计算效率低及求解结果最优性不高等问题。在对成品油管道运行过程中开泵方案优化问题深入分析以及对并行计算技术深入理解的基础上,应用模拟退火遗传算法粗粒度模型(Coarse-Grained Simulated Annealing-Genetic Algorithm,CGSAGA)进行较大规模的成品油管道开泵方案优化研究。以某实际运行的成品油管道为例进行计算,结果表明:CGSAGA的求解效率与结果最优性均优于传统串行算法,因而为成品油管道开泵方案优化快速、准确制定提供了有效的途径。     

交互式偏好满意优化在渔船技术经济论证中的应用

针对在玻璃钢渔船技术经济论证中多目标优化的权重设计问题,提出一种交互式偏好权重的遗传算法,使决策者能够在多衡准满意优化中的当前群体中,将对于个体的偏好转换为对于权重数值的偏好关系,利用它们重新构造适应度函数,并作为在Pareto遗传算法的偏好优化方向。通过多次的进化后,决策者能够获取最满意的优化解。该方法避免了传统多目标船型论证中需要事先确定优化目标的权重且才能进行综合评判的缺陷,经玻璃钢渔船经济技术论证的计算实例论证,该方法是可行且有效的。     

基于遗传算法与粒子群算法的配电网无功优化

根据遗传算法(GA)收敛效果好和粒子群算法(PSO)收敛速度快的特点,将两者相结合对配电网无功优化模型进行求解。计算结果表明:该算法是收敛的、有效的。     

基于RAGA的PPC模型在农村能源区划中的应用

将改进的基于实数编码的加速遗传算法（RAGA）与高维降维技术投影寻踪（PP）相结合，通过同时优化多个参数，将多维评价指标转化成低维子空间上的一维投影值，从而做出综合评判与分类，建立了RAGA－PCC模型，并在农村能源区划中得以应用，取得较好效果，为该方面研究提供了新的方法与思路。     

海明距离参数对基于海明距离遗传算法的影响

在遗传算法中引入基于海明距离的排挤机制,可以有效地防止早熟现象的发生.通过典型函数进行测试证明,海明距离参数设置的大小在一定程度上会对遗传操作的结果产生影响,若设置不合理,会阻碍遗传算法寻优方向,造成遗传算法收敛不到最优解,最后提出解决方案.     

人工鱼群算法与遗传算法融合求解聚类问题研究

人工鱼群算法(AFSA)是一种新提出的新型仿生优化算法。遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。聚类在数据挖掘、统计学和机器学习等很多领域都有广泛应用。聚类问题实质是一个全局优化问题。将遗传算法中的选择和变异融合到人工鱼群算法,提出一种人工鱼群算法与遗传算法的融合算法,并应用于求解聚类问题,结果该算法保持了AFSA算法简单、易实现的特点,仿真试验取得了较好的效果。     

基于GA、BP神经网络和多元回归的集成算法研究

建立了一个考虑税收腐败和公共支出腐败的经济增长模型,从理论上探讨财政腐败行为及其影响.主要结论归纳：第一, 财政腐败降低私人资本的回报率,使厂商的生产力下降,就整体而言阻碍了经济增长.第二,最优税率可能大于或小于Barro的最优税率,取决于征税效率和寻租引发的行政成本.第三,两种类型的公共支出隐含着不同程度的腐败机会,以及对官员行为产生的不同“激励”作用,从而扭曲公共支出结构效率.第四,增强制度约束力对遏制财政腐败至关重要.     

基于GA-BP算法的土壤墒情预测

利用遗传算法的全局寻优能力优化BP神经网络连接权值,建立基于GA-BP算法的土壤墒情预测模型具有绝对误差小和收敛速度快的优点,且避免了BP算法易陷入局部极小值的缺点,该模型预测的平均绝对误差为1.11%,具有较好的预测精度。     

改进GA法在水污染控制系统多目标规划中的应用

本文提出应用一种改进GA法求解水污染控制系统中存在的多目标规划问题，该算法采用十进制编码原理，所有操作均在实数域内进行，从而避免了二进制中编码和解码的麻烦．同时引入变权数综合距离评判模型和多个体交叉机制，对多目标函数进行求解．通过实例研究表明，改进的GA法得到最小适应度函数值在[0．0468，0．0567]之间，当自变量为(0、0337，0．5663，0．4，0，0，0．4，0．1373，0，0．5，0，0．3，0，0．2154，0．1346)。时达到最优、所对应的目标函数分别是：工程费用函数312．785万元，地下水总用量0．30125m^3/s和河流断面氧亏值6．69426mg／L．因此，改进的GA法具有很好的全局优化性能，不但可以有效克服传统遗传算法所存在的缺陷，而且求解过程简单，优化结果合理，在水污染控制规划中具有良好的应用前景．     

多目标博弈的模糊求解法

对大系统下的多目标博弈问题进行了研究,利用模糊数学的层次评价法对多目标博弈的每一个目标函数进行模糊赋权,然后将多目标收益函数转换为无量纲的收益满意率函数,并利用模糊赋权将收益满意率函数加权合并,将多目标博弈问题转化为单目标博弈问题进行求解,解法更符合实际并简化了算法。该法可以在现代企业综合决策中应用。