一种基于遗传算法的网格任务调度算法

任务调度问题是一类NP问题,经典调度理论一般仅能获得问题的近似最优解.尽管已有用于任务调度的遗传算法的求解质量优于传统方法,但多数是考虑单任务或独立多任务调度的遗传算法.采用理论分析与仿真实验相结合的方法,提出了一种改进的遗传算法解决网格的任务调度问题.这种遗传算法所处理的任务不仅可以包含多个有前后约束关系的子任务,并且每个子任务可以需要多种资源.通过对比实验可以看到本文所提出的算法在网格任务调度方面要优于传统的HEFT和DLS算法.     

云计算环境下改进加权轮转任务调度算法研究

为提高云计算环境下节点负载的均衡性,提出改进加权轮转任务调度算法.该算法在传统加权轮转任务调度算法的基础上,针对MapReduce作业调度模式,考虑到云计算环境任务的多样性,Worker节点处理能力的多样性,引入权值影响因子,在任务分配前对任务的权值进行调整,使权值较高的任务对应处理能力较高的节点,实现负载均衡.通过实验验证,该算法与加权轮转任务调度算法相比,能够使节点负载更加均衡.     

一种改进加权最小连接算法及在CDN的负载均衡技术中的应用分析

针对内容分发网络技术中本地负载均衡策略进行研究,提出一种适用于内容分发网络负载均衡的改进加权最小连接算法(improved weighted least connection,IWLC)。该算法在加权最小连接算法基础上考虑服务器性能与负载能力,引入服务器动态性能与负载水平评估因子,计算出综合性能指标以及动态权值并以此性能指标为依据完成任务调度,能较好地利用底层硬件资源,同时降低任务响应时间。     

基于自适应遗传算法的网格任务调度优化

针对传统任务调度算法效率较低、资源负载不平衡等缺点,基于遗传算法,考虑现代网格系统异构性和动态性的特点,提出一种有效的交叉概率和变异概率自适应更新方法,提高遗传算法的全局搜索能力和收敛速度.仿真实验表明,改进后的遗传算法在进化速度上有明显提升,可较好地处理网格任务调度问题,提高任务调度效率,降低资源负载的不平衡性.     

云计算中一种基于遗传算法与效益驱动的任务调度算法

针对云计算的任务调度问题,提出了一种基于遗传算法与效益驱动的任务调度算法.在满足任务QoS约束的前提下,对计算开销、服务收益、延迟赔偿等因素进行了综合考虑,对任务调度问题进行了数学建模,同时采用遗传算法对目标函数进行求解.仿真表明,与Min-Min算法和QoS Min-Min算法相比,所提算法能够明显地减少任务调度完成时间,更好地均衡负载,提高单位计算开销效益.     

一种改进的遗传算法在云计算中的应用

针对传统的遗传算法在云环境中迭代次数多、耗时长的缺陷,提出了一种改进的遗传算法,主要从执行时间及执行任务所需的费用两个方面来优化任务调度.通过建立任务调度模型,设计出相应的适应度函数、界限函数.仿真结果表明,在任务调度中运用改进的遗传算法,所需的平均等待时间要短,调度所需的费用也比传统的遗传算法要低.     

基于改进遗传算法的网格资源调度研究

网格资源调度问题是一个NP问题,遗传算法可以有效地解决这类问题。针对基本遗传算法收敛速度慢的不足,提出了一种改进的遗传算法。该算法采用资源与任务一一对应实数编码方法,更好地适应了任务调度问题的特点。实验数据证明,改进后的遗传算法即具有全局搜索能力,又具有较快的收敛速度及较好的性能。该实验达到了以实现网格任务调度的最优跨度为目标的实验目的。     

云计算中基于遗传算法的任务调度算法研究

为解决云计算中的任务调度问题,提出了一种以遗传算法为基础的任务调度模型.在算法初始化种群产生时通过染色体匹配率来使种群个体均匀分布在解空间上,有效地避免了早熟;引入服务质量标准进行建模以改进适应度函数,充分考虑用户对调度结果的满意程度;采用规则约束的交叉和变异操作,提高个体的质量.仿真实验的结果分析表明:该改进算法能更有效地求解云计算环境下作业调度问题.     

基于遗传-蚁群算法的云计算任务调度优化

为了找到最佳的云计算任务调度方案, 缩短云计算任务完成时间, 通过综合考虑遗传算法和蚁群算法的优势, 提出一种遗传 蚁群算法的云计算任务调度优化算法. 首先采用遗传算法快速搜索到云计算任务调度的可行方案, 然后采用可行方案初始化蚁群算法的信息素分布, 解决初始信息素匮乏的难题, 加快算法收敛速度和搜索能力, 提高云计算任务求解效率. 在CloudSim平台的实验结果表明, 相对于遗传算法, 遗传 蚁群算法更适合于大规模云计算任务问题的求解, 可缩短任务完成时间, 获得更高的用户满意度.     

网格协同设计环境下基于资源负载均衡策略的任务调度优化模型及其算法

为了解决协同环境中的冲突问题,设计了一种基于现代协同设计系统的网格仿真模型,并结合免疫克隆算法和遗传算法的优点,提出了一种网格任务调度优化模型和遗传克隆负载均衡算法.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.     

软土基坑开挖位移反分析的改进遗传算法

为克服简单遗传算法中的早熟和微调能力差的缺陷,提出了改进遗传算法.首先,针对简单遗传算法的早熟现象,引入了小生境技术;其次,针对简单遗传算法微调能力差的缺点,引入了优化方法单纯形法,进而提出了改进遗传算法;最后,将改进遗传算法引入到软土基坑开挖位移反分析中,开发了相应的位移反分析计算程序.数值试验表明:改进遗传算法能较好克服简单遗传算法中的早熟和微调能力差的缺陷.     

混沌高效遗传算法在水库含沙量预报中的应用

利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在遗传进化过程中加入混沌变异操作,在变量的定义域内投放大量的混沌初始群体,在实编码遗传算法进化过程中加入单纯形法学习算子,建立了一种新的混沌高效遗传算法(chaos higher efficient genetic algorithm, CHEGA).应用该法对3个非线性、高维、多峰值测试函数进行了仿真,在收敛速度和全局优化方面好于现有的简单遗传算法和改进的遗传算法.建立了水库含沙量预报模型.并将CHEGA用于求解上述模型的参数优化问题,与实数编码加速遗传算法(RAGA)、二进制加速遗传算法和随机优化算法等方法相比,CHEGA可以遍历到整个区域,较好的保持了种群的多样性,并且精度高、收敛速度快.CHEGA对求解实际水库计算模型的参数优化问题非常有效.     

一种基于量子遗传算法的多播路由算法

提出了一种基于量子遗传算法QGA（quantum genetic algorithm）解决多播QoS（quality of service）路由问题的算法．介绍了量子遗传算法的基本原理，给出了算法实现的方法和具体流程，并进行了量子遗传算法在多播路由选择优化方面的仿真实验，证明了量子遗传算法优于常规遗传算法．     

一种改进的遗传算法求解旅行商问题

针对在解决旅行商问题时标准遗传算法效率不高,很容易陷入局部最优解的问题,提出了一种改进的遗传算法. 根据种群个体的多样性和分布情况,提出了判定遗传算法截止代数的方法. 研究结果表明,通过加入了初始化信息,改进交差算子,可提高遗传算法的精确性和收敛性.      

遗传算法的新改进--扰动式遗传算法

针对基于二进制编码遗传算法的精度低及二进制编码所带来的早熟等问题提出了一种新的改进方案--扰动式遗传算法(简称DGA),该方法通过对搜索区域进行微小的扰动而实现不同群体之间的竞争来提高算法的搜索性能.改进后的算法在提高精度的同时能够达到全局收敛,并能有效地处理多极值问题.对改进的算法进行了性能分析并用典型函数进行测试,结果表明,改进的效果较为显著.     

一种基于混合遗传算法的有源噪声控制方法

提出了一种基于混合遗传算法的格型IIR滤波器结构的有源噪声控制方法.混合遗传算法将遗传算法与随机搜索算法结合起来,可以改善基本遗传算法的局部搜索能力,克服基本遗传算法存在未成熟收敛问题.本文选择UNDX交叉算子作为遗传算法的主要算子,在保留当前最佳个体的同时,再对该最佳个体用随机搜索法搜索优化个体.这样既保证了算法的全局收敛性,又提高了收敛速度.仿真结果表明,该算法可以有效地实现噪声控制.     

多宇宙并行量子遗传神经网络人脸识别算法研究

针对传统遗传算法交叉、变异过程过于繁琐和神经网络在极值判断及收敛速度受限等问题,提出了一种并行的量子遗传算法优化神经网络权值的算法.首先引入了量子计算的概念,在量子计算的过程中使用量子旋门实现染色体的训练,然后引入量子交叉克服了早熟收敛现象,避免了遗传算法中繁琐的交叉、变异过程.最后设计实现了并行的卷积神经网络,使用并行量子遗传算法优化了卷积神经网络权值,实现了并行量子遗传神经网络人脸识别系统.实验结果表明,相对于原来的遗传算法,该算法在鲁棒性和实验速度上都有明显的提高.     

离散变量桁架结构拓扑优化的杂交算法

为了加快遗传算法的进化过程,提出了遗传算法和拟满应力算法相结合的杂交算法,并将它应用于离散变量桁架结构的拓扑优化问题·在对桁架结构受力分析的基础上,提出一种启发式方法对随机生成的拓扑结构形式作必要修正,以快速产生符合机动性要求的拓扑结构形式·利用遗传算法进行桁架结构拓扑优化,用拟满应力算法进行截面优化,并将截面优化的结果传递给遗传算法作为拓扑优化中遗传操作的根据,这样大大减少单纯用遗传算法进行优化的解空间,从而加快搜索进程·算例的结果表明,该方法用于桁架结构拓扑优化是简单、快速和有效的·     

基于改进算法的移动机器人路径规划

机器人路径规划问题通常采用不同算法来对其进行规划，为发挥算法中改进遗传算法和鲸鱼优化法的优势，弥补遗传算法出现优化准确率和收敛度不高等问题，将改进遗传算法和鲸鱼优化法融合，增强移动机器人路径规划对动态环境的适应性能。对算法适应度函数进行优化，改善了基本遗传算法、提升了原算法对函数的求解效率。通过遗传算法、对遗传算法进行改进的算法、改进遗传算法与鲸鱼算法相融合的算法所运行的路径长度与运行时间进行比较，结果表明融合改进优化算法可以有效获取最优算子，减少运算时的迭代次数，同时提升算法的规划准确率。     

粒子群遗传融合算法

提出一种融合粒子群算法和遗传算法改进优化算法,该算法首先采用一种自适应弹性粒子群算法,弹性地修正粒子速度的幅值,有效地避免了粒子群算法的早熟收敛问题。再与遗传算法融合,模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,先采用自适应弹性粒子群算法获得进一步的提高。再经过提高、交叉、变异三步,获得最优解。以动态系统FCRNN的设计为例,改进算法收敛速度快,误差精度高。