多跑道进离港地面等待问题建模及协同优化

针对多跑道机场起降航班难以进行跑道合理分配,尤其是混合跑道的使用问题,以降低航班延误损失为目标,提出一种基于跑道的航班优先系数计算策略,建立了一种多跑道进离港地面等待问题优化模型,并实现进离港队列延误费用的合理分配.同时,设计了一种启发式局部搜索算子并嵌入遗传算法,形成一种混合遗传算法对问题模型求解.通过对代表性算例的计算,结果表明,所提出的模型及算法不仅可以减少航班的延误损失,还可以显著优化延误损失在进离港队列之间的合理分配.     

资源优化模型及遗传算法

在网络计划中提出了资源优化问题,并建立了资源优化数学模型.同时,指出现代优化算法是求解资源优化模型的主要算法,并使用遗传算法对资源优化模型进行求解.此遗传算法与传统的遗传算法有所不同,第一是根据资源优化过程的特点设计的独特的杂交概率和变异概率,可以既尽快获得最佳模式又扩大搜索范围,避免早熟现象的发生;第二是引进了检查和修复算子以保证杂交和变异的子代满足可行性的要求;最后给出了算例以验证算法的有效性和正确性.     

基于遗传算法的代理服务器位置优化研究

针对传统方法难以快速求得Web服务器代理部署问题的满意解,提出了一种基于遗传算法的求解策略.以图论为基础,构建了代理服务器位置优化模型,从Web服务器到客户构成一个树型结构.遗传算法采用二进制编码表示代理的位置,使用单亲交叉算子和单亲变异算子来提高算法的执行速度和进化效率.算法在时间复杂度方面优于传统方法.仿真结果表明,基于遗传算法的求解方案能快速地求出代理服务器位置优化问题的全局近似最优解,并满足实际Web应用的精度要求.     

遗传算法在电力系统经济负荷分配中的应用

针对电力系统经济负荷分配问题的特点,应用极大熵理论将经济负荷分配问题转化为可微问题·在分析了遗传算法与传统数学优化方法的不同优势与特性的基础上,将遗传算法与传统数学优化方法相结合引入局部搜索算子实现快速搜索,提出了一种求解电力系统经济负荷分配问题的改进遗传算法·同时,应用多点均匀交叉算子提高遗传算法的全局收敛性能,将种群逐步向最优点进行引导·实例研究结果验证了方法的有效性·     

基于热力学混合遗传算法的加热炉炉温优化研究

针对加热炉生产过程中钢坯入炉温度、规格尺寸、钢坯种类等生产工况经常会发生改变,导致基本遗传算法存在早熟等现象,提出一种基于热力学的混合遗传算法.基于钢坯加热过程的机理模型,建立了钢坯温度预报模型,依据加热炉工艺生产要求,建立了加热炉炉温优化模型.为了提高遗传算法的求解精度和计算效率,在遗传算法交叉算子设计过程中加入内能、熵和自由能的思想,改进了传统遗传算法;同时在经典的遗传算法基础上加入模拟退火算法构成了基于热力学的混合遗传算法,并用于求解加热炉炉温优化问题,克服了传统遗传算法的不足.实验结果表明,该方法能够有效地求解加热炉炉温优化问题,是可行的、有效的.     

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.     

车辆分时租赁模式高峰时段用户预约分配模型

租车高峰时段难以合理为用户分配车辆是分时租赁运营商面临的主要问题.针对车辆分时租赁模式下的用户预约分配问题,在对主要影响因素进行分析的基础上,提出了以运营商收益最大化为目标的用户预约分配优化模型,并设计遗传算法对模型进行求解.基于对仿真场景的假设将模型与算法应用于仿真算例中,算例结果表明:遗传算法适用于求解所提出的优化模型,通过对模型求解可以得到租车高峰时段运营商最大收益及相应的最优用户预约分配方案,并且通过比较分析得出模型所得收益优于传统预约分配方法,验证了模型和算法的可行性与实用性.     

集成化服务链多目标全局优化模型与算法

基于集成化服务链网络模型和候选服务资源评价指标,建立集成化服务链的多目标全局优化模型,并提出一种基于改进多目标遗传算法的集成化服务链多目标全局优化算法。算法采用基于距离的无参数种群多样性度量算子,在适应值分配、精英保持和选择操作中均进行了种群多样性控制,能在满足多约束条件下同时优化多个目标,得到一组满足决策者不同主观偏好的Pareto全局最优解集。仿真实验表明算法具有全局收敛性并具有较好的解的质量和分布,能有效求解集成化服务链多目标全局优化问题。     

基于多代理模型的自适应约束优化算法及在铆头优化设计中的应用

为了求解需要消耗大量计算资源的非线性约束的工程优化问题,提出一种基于多代理模型的自适应约束优化算法.首先给优化问题中的目标函数及每一个约束函数分配一个代理模型候选集,其次通过交叉检验确定每一函数相应候选集内代理模型,对研究问题拟合性能排序,并根据排序结果构造一系列原优化问题的近似模型,应用序列二次规划算法求解,当候选集内代理模型数目不一致时,优先选择具有最优性能的代理模型.候选集内代理模型是保留或删除则基于代理模型拟合性能评价结果确定,新样本通过求解构造的近似模型、非均匀变异算子和混合杂交算子BLX-0. 5三种方式协同获得.最后应用提出的算法求解4个典型的数学优化问题,结果表明基于自适应优化算法得到的近似优化解均较好地逼近于理论最优解;同时应用提出的算法对汽车轮毂轴承单元轴铆工艺中的铆头成形曲面进行优化设计,优化结果较好.     

三角函数选择算子的遗传算法在梯级水库优化调度中的应用

针对遗传算法求解水库优化调度时传统选择算子无法克服适应度非负问题,提出了一种三角函数选择算子遗传算法的梯级水库优化调度求解方法,并通过实例对正弦函数轮盘赌选择与单纯轮盘赌选择的自适应遗传算法做了比较．结果表明,由于基于正弦函数的选择算子克服了轮盘赌对适应值非负的要求,非常适用于求解水库优化调度,且能够很好地保持种群多样性,因此在进化后期能够找到更加优良的解．在实例的选择上,选用“以水定电”的三峡梯级调度模型,并采用由大量实测资料建立的三峡出库流量和葛洲坝入库流量变系数线性回归方程来处理水库间流量传播问题．本文提出的梯级水库优化调度求解方法,有效地改善了遗传算法的收敛性能,而且由于考虑了流量演进,提高了模型精度,具有较高的实用价值．     

云计算环境下基于热力学演化算法的任务调度与虚拟机分配算法研究

在云计算环境下的云任务调度和虚拟机分配过程建立了数学模型,并将其转换为整数编码形式的组合优化问题,并提出了一种热力学演化算法进行问题求解。算法根据整数编码形式定义了基因熵和个体能量,并引入了温度的概念,算法中提出了两种选择策略,算法利用自由能极小值原理驱动种群向最优化方向演化。实验结果表明热力学演化算法可以有效地解决云任务调度和虚拟机分配问题,可以为云环境调度问题提供依据。     

Sequencing of Mixed Model Assembly Lines Based on Improved Shuffled Frog Leaping Algorithm

Shuffled frog leaping algorithm( SFLA) was used to solve multi-objective sequencing problem of mixed model assembly line( MMAL). Local convergence can be avoided and optimal solution can be obtained to a certain extent. However,the multi-objective sequencing problem of MMAL is an non-deterministic polynomial hard( NP-hard) problem and the shortcomings are slow convergence rate and low precision. To solve the shortcomings for optimization objectives of minimizing total utility time and keeping average consumption rate of parts, a chaos differential evolution SFLA( CDESFLA) is proposed in this study. Because SFLA is easy to fall into local optimum,the evolution operator of differential evolution algorithms is introduced in SFLA as a local search strategy,and differential mutation operator is introduced in chaotic sequence to prevent premature convergence. The examples show that the proposed CDESFLA is better for convergence accuracy than SFLA,genetic algorithm( GA) and particle swarm optimization( PSO)     

基于任务分类思维的云计算海量资源改进调度

对云计算海量数据下的资源调度的研究过程中,进行资源调度时资源分配无法到达合理化调度,存在资源调度效率低的问题。提出分类思维的云计算海量数据资源优化调度方法。该方法引入膜计算概念,将云计算下的海量资源调度的总任务划分为多个子任务,并详细计算每个子任务的资源调度任务量。将优化调度系统内部分解为主膜和辅助膜,利用蝙蝠算法在辅助膜内进行资源分配个体寻优,并将优化后的资源分配最优个体传送到主膜间进行云计算海量数据下的资源分配优化。实验仿真证明,基于改进膜计算蝙蝠算法的云计算海量数据下的资源优化调度方法调度效率高,分配较为均衡。     

基于电力物联网的边缘计算任务卸载优化

为了解决传统卸载模型仅涉及用户设备和边缘计算资源,而在云端资源利用上存在局限性的问题,通过有效利用计算任务时延、能耗及计算资源配置,提出了基于深度强化学习算法的计算任务卸载策略和资源配置优化算法,建立了边云协同的时延、能耗及能效模型,研究了用户设备数量、任务量、任务优先级等对时延、能耗及能效的影响。结果表明：边缘计算服务器资源配置为30 GHz较为合理;高级计算任务优先处理策略和计算资源优化分配,使得时延、能耗均较低;本文所提出的优化算法在时延、能耗及能效方面均优于其他3个对比算法,表明针对不同用户设备数量和计算任务量场景,本文所提出的优化算法和建立的模型能够更有效的实现基于电力物联网的计算任务卸载策略和资源配置优化。     

基于QoS云计算任务调度优化

由于云计算技术快速发展,为了满足日益多样化的云计算用户服务质量(QoS需求)以及提高云计算资源调度的效率,提出基于改进蚁群算法的云计算资源调度优化算法,包括建立云计算资源模型和用户QoS需求模型.为了得到更准确的结论,针对传统蚁群算法过快收敛造成的局部最优解现象,在传统的蚁群算法的基础上加入随机选择机制,时间、成本和结果有效可用性适应度因子进行了优化改良,以求得全局最优解.通过仿真实验将传统的蚁群算法、Mi n-Mi n调度算法和改进的蚁群优化算法进行比较,实验表明,改进的蚁群优化算法在调度效率、节约成本、减少任务执行时间和任务得到结果质量方面有明显的优势.     

重叠Nakagami-m信道协作通信最优功率分配方案

为了解决重叠Nakagami-m信道衰落模型下中继译码转发协作通信系统中源与中继间由于等功率分配(EPA)造成的功率资源浪费问题,提出了一种基于渐近误符号率(SER)最小准则的最优功率分配方案(OPA).首先分析系统渐进SER解析式,在典型应用场景下对其进行进一步简化,然后将简化的系统SER作为目标函数,总功率受限作为约束条件,将功率资源分配抽象为典型的条件受限凸优化求解问题,最后利用拉格朗日乘数法对此凸优化问题进行求解,从而得出在总功率资源受限时典型场景下重叠Nakagami-m信道协作通信系统的最优功率分配方案.仿真结果表明:相较EPA方案,在较大的信噪比区间内及相同的信道条件下,OPA分配方案均能获得约1 dB的信噪比增益,且获得的实际信噪比增益与理论推导值一致.     

监控与预测的云资源优化配置

针对云环境下虚拟机资源在多数时间中处于闲置状态导致云资源利用率低的问题,设计一种云资源监控系统,并在云监控基础上提出一种基于自回归积分滑动平均(ARIMA)模型的动态负载预测与资源配置的方法.该方法利用虚拟机负载与配置的关系,通过预测负载情况,提前启动或者挂起虚拟机,提高云资源的利用率.研究结合OpenStack云环境提供的虚拟机,实现其下的云资源监控,预测和弹性分配功能.结果表明:该系统能准确预测虚拟机的需求量,所制定的资源弹性分配策略能够提高云资源的利用率,进一步节约成本.