伪并行遗传算法在供水管网优化调度中的应用

讨论了基于微观水力模型的多水源大型供水管网优化调度问题的主要特征，并提出了求解该问题的改进遗传算法．首先，针对决策变量的结构提出二进制-实数混合编码策略；其次，设计并实现了多种群进化的伪并行遗传算法．将本算法与单一群体进化算法同时应用于实际管网的优化调度求解，结果表明，通过个体迁移策略，伪并行遗传算法可以加速优化搜索的进程，显著改善解的质量，并有效节省运行调度费用．     

一种求解约束优化问题的进化规划型文化算法

为了求解复杂约束优化问题,提出了一种新的进化算法——进化规划型文化算法。求解过程中,在基于自适应的文化算法中引入进化规划,有效利用进化过程中相关知识引导种群进化。针对约束优化问题,对这一算法的信念空间进行了设计,并利用基准函数和丁烯烷化生产调度问题进行了仿真,仿真结果表明该算法具有较好的全局搜索能力,而且大大减少了计算量。     

基于蚁群算法的云计算资源调度研究

本文针对云计算中资源调度问题进行了研究,提出云计算资源调度的蚁群优化算法,在算法设计中综合考虑了在云计算环境中任务完成时间和计算成本优化问题,建立数学模型,并通过cloudsim平台进行实验仿真测试。验证表明算法模型能使总任务完成时间较短、成本较小,是一种有效的资源调度算法。     

云计算环境下多信道联合均衡调度算法研究

针对传统资源调度方法存在执行时间跨度大、信道接入率低、资源负载不均衡等问题,提出云计算环境下多信道联合均衡调度算法研究.根据云计算环境下多信道通信链路优化时隙和多信道资源,构建多信道链路模型,提出信道端到端可靠性最大化优化模型,将优化问题转换为多信道联合均衡调度问题.利用多信道最优跨度和负载均衡算法对均衡调度问题进行求解.结合多信道数据处理和任务执行的特性,设计最优跨度和负载均衡双适应度函数,在种群进化初始阶段和接近收敛阶段对适应度函数做适当调整,完成多信道联合均衡调度.实验结果表明,所提方法资源调度的执行时间跨度小、信道接入率高、负载均衡程度好,能满足资源传输的实时性要求.     

基于遗传算法的云仿真环境动态构建映射算法

针对传统仿真系统静态构建技术中存在的资源重用性低、部署难度高等问题,提出了一种在云仿真运行环境下基于遗传算法来求解仿真模型与虚拟机之间最优映射的算法.该算法充分考虑云仿真环境下大规模资源调度的应用背景,保持适当的染色体编码长度,优化了种群的适应度函数,提高了GA算法收敛速度和所得解的可信度.实验结果表明:本文算法相比于传统遗传算法能有效避免局部收敛,达到更好的资源负载均衡效果.     

一种基于图模型的可信云资源调度算法

根据并行任务及胖树形云系统的结构特点,综合考虑了云计算环境下资源节点与通信链路的可靠性问题,构建了基于任务执行行为的云系统可靠性度量模型。提出了一种基于图的可信云资源调度模型,将云任务可信资源需求与云资源动态供给的最优匹配问题转换成最小费用最大流图的构造和求解问题。针对图的求解计算复杂度较高的问题,结合商空间理论将初始网络转化为规模较小的商网络进行求解。仿真实验结果表明,该算法能够有效提高云任务执行的成功率,降低基于图模型的资源调度算法延迟。     

集装箱码头同贝同步装卸调度的多阶段混合流水线模型

针对同贝同步装卸的无等待、阻塞和批处理等特征,将其抽象为一类特殊的混合流水线问题,建立同贝同步装卸的优化调度模型,并进行模型的下界推导.为求解模型,设计基于禁忌搜索与启发式分配规则的求解算法.最后,通过算例验证模型与算法的有效性.结果表明:所建立的模型有利于实现装卸、以及各环节的同步调度;所设计的求解方法,可以保证调度方案的科学性和有效性.     

基于改进的粒子群优化的云计算资源调度模型

针对云计算系统中多任务并发模式下引发的资源竞争,本文提出了一种基于改进的粒子群优化的云计算资源调度分配模型,以提高资源利用率.首先,对云计算系统中的资源调度问题进行形式化描述,构建以任务的总完成时间为优化对象的目标函数.其次,求解时采用粒子群优化算法,为保证收敛速度且避免粒子群在搜索过程中陷入局部最优,定义了惯性权重函数.另外,引入一个调整算子以优化位置更新.仿真结果表明,本文提出的资源调度分配模型能够有效提高云计算资源利用率,大幅减少任务的处理时间.     

带队列约束的RHFS列生成调度算法

为有效提升多重入车间的生产效率,考虑实际生产中队列约束,提出了基于列生成算法的可重入混合流水车间的调度方法.首先对两阶段生产调度问题进行描述,以最小化工件总完成时间为优化目标,建立数学规划模型.针对该调度模型提出列生成算法,设计带多重决策的动态规划方法来求解工件级子问题,为更快收敛,主问题求解中采用自适应加速策略.在使用分支定界将得到的解整数化的过程中,构造列池并设计局部变异.最后,对各种不同问题规模进行了数值实验,结果表明所提出的调度算法是有效可行的.     

云计算环境下差异性资源调度特征匹配算法

云计算环境是一个大型资源池,资源池中的数据特征具有较大的差异性,需要进行特征匹配实现提高资源调度的效率。提出一种基于决策树最优解集路径规划的云计算环境下差异性资源调度特征匹配算法。构建云计算环境下的差异性资源调度模型,设计决策树最优解集路径规划算法实现对特征的优化匹配,从整个任务图的全局出发考虑任务的优先级,创建一个资源公用库,把所有决策树节点分布到各个存储服务器上解决了海量索引数据的存储需求,提高资源调度性能。仿真结果表明,采用该算法能有效提高云计算的资源调度的吞吐性能。     

基于支持向量机的任务调度模型

云计算框架大大改进了并行算法的实现难度,但是大部分算法有其局限性.介绍了MapReduce(映射化简)的基本实现原理和调度模型的缺陷,提出了基于支持向量机的的MapReduce进化算法,并给出了基本模型及实现.运用Hadoop云计算平台进行了仿真验证,实验结果表明,基于支持向量机的MapReduce计算框架在候选云节点的调度分配的准确性上有明显提高,并且加快了数据迭代的效率.     

云计算资源优化问题求解的萤火虫算法

为了提高云计算资源利用率,结合云计算资源优化问题的特点,设计一种云计算资源优化问题求解的萤火虫算法.首先建立云计算资源负载调度问题的约束条件,以用户任务完成时间最少作为云计算资源负载调度优化的目标函数;然后通过萤火虫算法找到目标函数值最优的资源调度策略;最后在CloudSim平台上实现云计算资源负载调度仿真实验.实验结果表明,萤火虫算法减少了云计算任务完成的时间,均衡了云计算资源的负载,使云计算资源得到合理分配,且比其他算法优势明显.     

基于改进粒子群算法的云计算服务部署优化

针对云计算资源有限,传统穷举搜索算法求解效率低的问题,提出一种基于改进粒子群算法的云计算服务部署优化方法.首先对云计算服务部署问题进行分析,将其转换成一个多目标组合优化问题,并建立相应的数学模型;然后采用全局搜索能力强的粒子群算法对数学模型进行求解,并针对标准粒子群算法收敛速度慢、存在早熟现象进行改进;最后通过仿真实验验证其可行性.实验结果表明,该方法可以快速找到最优的云计算服务部署方案.     

基于免疫进化的蚁群算法在梯级水库优化调度中的应用研究

针对蚁群算法在求解过程中出现初期信息素匮乏、易陷入局部最优解的问题,结合梯级水库优化调度的特点,提出了基于免疫进化的蚁群算法。该混合算法充分利用了免疫进化算法的全局快速收敛性和蚁群算法的正反馈性,提高了求解效率。实例计算表明该混合算法在求解梯级水库优化调度问题时,与逐次逼近动态规划相比较,结果合理、可靠,计算效率较高,从而为求解高维、复杂的梯级水库优化调度提供了一条新的求解思路。     

考虑不同生态流量要求梯级水库群生态调度及其算法

为协调清江梯级水库发电及下游生态效益,实现梯级库群水能资源高效利用和生态效益双赢,本文对清江隔河沿、高坝洲控制断面基础、适宜和理想等级生态流量进行分析计算,并以发电量和生态流量贴近度最优作为目标函数,建立兼顾生态保护的清江梯级库群多目标优化调度模型.进一步,针对传统混合蛙跳算法(SFLA)存在搜索能力有限、易陷入局部最优等问题,从混沌种群初始化、局部搜索方式、基于云模型理论精英青蛙进化和后期启发式激活机制等方面对SFLA进行改进,提出基于混沌云模型理论混合蛙跳算法(CNSFLA).采用该方法求解梯级水库生态调度模型,长系列优化调度结果显示,在保证发电效益和下游控制断面基础生态流量的同时,有效提升其适宜、理想生态流量保证率,总体保证率维持在较高水平;对于枯水典型年,虽然通过算法优化调度,但天然入流偏少导致控制断面部分时段理想生态流量仍无法满足.长系列调度结果对比表明CNSFLA具备高效搜索性能和良好稳定性,可显著提高库群联合调度结果质量.     

差分进化算法求解自动堆垛起重机调度问题

[目的]研究了自动化码头双自动堆垛起重机(Automatic stacking crane,ASC)调度问题,为了提高堆场的作业效率,考虑ASC作业过程中的干扰和冲突,以极小化所有作业的总完工时间为目标,建立自动化码头双ASC调度问题的混合整数规划模型.[方法]通过CPLEX求解器对模型进行求解.为了解决中等规模问题,设计了基于任务编码的离散差分进化算法进行求解,并把求解结果与遗传算法求解结果进行对比分析.[结果]所设计的离散差分进化算法能够在要求的时间内解决自动化码头双ASC调度问题;[结论]相较于遗传算法,本文提出的算法寻优能力更强.     

改进粒子群算法的云计算环境资源优化调度

针对云计算的资源调度问题,提出一种基于改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)的资源调度算法.对云资源调度问题进行分析,建立云资源调度的目标函数,利用PSO较快的收敛速度找到云资源调度问题的最优解,并根据每个粒子的适应度值自适应地改变每个粒子的速度权重,提高了全局寻优能力和收敛能力,同时在Cloud Sim平台对算法进行仿真实验.结果表明:IPSO算法减少了任务的平均完成时间,提高了任务处理的效率,具有很好的优化资源以及合理调度资源的能力.     

改进鸟群算法及其在梯级水库优化调度中的应用

介绍一种新型群智能仿生算法—鸟群算法(BSA),针对BSA算法进化初期种群多样性的不足,提出基于Lévy飞行策略改进的LBSA算法,并通过2个实例对该算法进行验证:1)利用6个不同维度的典型测试函数对LBSA算法进行仿真测试,仿真结果与基本BSA算法、教学优化算法(TLBO)、差分进化算法(DE)、改进粒子群优化算法(IPSO)、粒子群优化算法(PSO)和混合蛙跳算法(SFLA)的仿真结果进行对比分析.2)为进一步验证LBSA算法的有效性,将其与BSA、TLBO等6种算法用于求解某梯级水库中长期优化调度问题.结果表明:LBSA算法寻优精度优于其他6种算法,具有全局探索及空间勘探能力强、求解精度受维度影响较小、运行速度快、求解精度高等优点,适合求解高维多极值复杂优化问题.LBSA算法优化调度发电量为38.357 3亿kW·h,分别比TLBO、IPSO、DE、PSO和SFLA算法的优化调度结果增加发电量0.005 5、0.008 4、0.010 5、1.467 3和2.678 4亿kW·h,具有较好的优化调度效果.本文通过典型测试函数及实际工程验证了LBSA算法的可行性和高效性,为求解复杂高维的梯级水库群优化调度模型提供了一种全新的途径和方法.     

干涉存在下自动化集装箱码头穿越式双起重机同步调度优化

针对穿越式双起重机作业过程中的干涉问题,分析并界定干涉的存在形式,以最小化任务完成时间为目标,建立穿越式双起重机同步调度下的混合整数规划模型,确定装卸任务的分配与每台起重机的作业序列.用状态转移函数描述起重机的作业过程,提出基于任务优先级的随机键遗传算法,求解所提出的优化问题.根据现实自动化集装箱码头的特征参数,设计不同规模的算例并进行计算实验.实验结果表明,模型满足同步调度的约束条件,所得的解均为无冲突调度,验证了模型的有效性.算法求解结果显示,所得结果能够规避干涉实现同步调度,验证了算法的合理性与有效性.此外,所提算法具有良好的求解性能,能够提升穿越式双起重机同步调度问题的求解速度.     

差分进化算法在电力系统环境经济调度中的应用

以求解环境经济调度(EED)这一复杂的多目标约束优化问题为背景,研究了一种改进的多目标差分进化算法(EMODE),该算法依据多目标优化问题的特点重新设计了差分进化算法(DE)的进化算子并引入自适应二次变异算子来有效避免DE存在的"早熟"收敛现象;同时,针对EED问题约束条件复杂且难以处理这一问题,依据不同类型约束的特点提出一种启发式的约束处理方法.将EMODE应用到某电力系统的多目标环境经济调度中,仿真计算结果以及与其他求解方法的对比分析表明,EMODE可以有效兼顾全局收敛性和Pareto非劣调度方案的多样性,具有较高的效率以及鲁棒性.