高速收敛混沌粒子群算法的云计算任务调度

针对传统粒子群算法在处理云计算任务调度问题时,存在求解精度不高、容易陷入早熟收敛等缺陷,提出一种改进的高速收敛混沌粒子群算法.首先,采用混沌序列对初始化过程进行优化;其次,利用适应度方差对早熟现象进行有效诊断,并对算法在负梯度方向进行修正,使其跳出局部最优,实现高速收敛.仿真实验表明:改进后的粒子群算法能有效地避免早熟,收敛速度及求解精度都明显提高,非常适合云计算任务调度.     

基于改进量子粒子群算法的云计算资源调度

资源调度优化是云计算系统应用中的关键技术,针对标准量子粒子群优化算法收敛速度慢、求解效率低的缺陷,提出一种基于改进量子粒子群算法的云计算资源调度方法。首先在分析云计算资源调度研究现状的基础上,建立了相应的数学模型,然后采用量子粒子群优化算法对其进行求解,在求解过程中,对平均最优位置进行随机扰动,协助粒子逃离局部最优解,最后采用通过仿真实验对其性能进行分析。结果表明,该文方法可以有效提高云计算资源的利用率,保证它们之间负载均衡,具有较好的应用价值。     

基于改进粒子群算法的海洋钻机系统布局优化

为提高海洋钻机的工作效率和平台的空间利用率,应用改进的粒子群算法对海洋钻机系统进行布局优化研究。针对多目标、多约束的钻机系统布局优化问题,建立钻机系统布局优化数学模型,应用多目标粒子群算法直接求解,得出相应的最优解集。利用线性加权法将多目标转变为单目标进行求解分析,针对单目标粒子群算法的缺点,基于约束条件、惯性权重以及遗传算法的选择和杂交对粒子群算法进行改进,完成不同改进算法的测试实验。结果表明,在应用粒子群算法求解布局问题时将约束条件作为目标函数、单独引入遗传算法的杂交思想求解速度和精度更好。提出的基于杂交的动态惯性权重粒子群算法的布局优化问题求解性能更优,得到的优化方案符合海洋钻井作业要求且占用甲板面积较小。     

动态速度限制粒子群算法及其应用

根据梯级水电站优化调度特点,建立了粒子群算法求解多阶段最优化问题数学模型。针对基本粒子群算法早期存在精度较低、易发散等缺点,后期出现"趋同性"和"早熟"等现象,从算法参数方面对基本粒子群算法进行改进,提出了动态速度限制粒子群算法并与基本粒子群算法、改进型粒子群算法分别在雅砻江梯级水库群优化调度中应用,通过对其优化结果的比较,验证了改进策略在提高算法求解精度和收敛性能方面的有效性。     

离散粒子群优化算法在流水作业调度问题中的应用

通过引入随机向量, 改进离散粒子群算法DPSO的更新方程, 提出一种离散的粒子群优化算法MDPSO, 并将其应用于调度问题的求解. 实验结果表明, 该算法优于传统的时序分解算法和遗传算法.     

基于蚁群粒子群优化算法的云计算资源调度方案

通过对蚁群算法和粒子群算法分别进行改进,利用两种算法自身优势相结合的方式建立一种蚁群粒子群算法,以提高云计算资源调度效率,解决云计算中资源调度方案优化问题.实验结果表明,该算法所消耗的时间更少,效果更好.     

粒子群算法在云计算任务调度中的应用

针对云计算的任务调度问题,在传统PSO算法的基础上,提出了一种改进粒子群算法的云计算任务调度方法.首先描述了云计算任务调度的数学模型和粒子群算法的基本原理,在此基础之上,采用间接编码方式对资源进行编码,定义了适应度函数,确立粒子速度和位置的更新方法.仿真实验表明,文中的方法获得了较好的调度结果.     

免疫粒子群算法及其在水库优化调度中的应用

免疫粒子群优化算法(IA-PSO)是将免疫系统的免疫信息处理机制引入粒子群算法(PSO)中,利用其特有的浓度选择机制以及免疫接种功能的原理,改进粒子群优化算法的全局寻优能力,提高收敛速度.在分析水库优化调度的数学模型和IA-PSO算法特点的基础上,提出了基于IA-PSO算法的水库优化调度的方法,建立了数学模型,给出了具体求解步骤.经实例验证,IA-PSO得出的水库优化调度方案优于传统动态规划算法的计算结果,而且算法收敛速度快,为水库调度问题提供了一条新的有效求解途径.     

云存储部署优化的进化算法设计

针对云计算环境下的云存储部署规划优化问题,全文研究和提出了一种进化算法并进行了求解.首先基于对象存储方法,设计了三层架构云存储模型.在建立的模型中,将云存储部署抽象为多目标优化调度问题,针对现有粒子群优化算法或遗传算法在解决这一优化调度问题过程中出现的收敛速度及调度效率等方面的不足,将2种算法进行有效融合,设计了混合进化算法来进行求解,讨论了进化算法的优化设计过程.同时,在云计算仿真平台CloudSim上,对所提出的优化算法进行仿真实验,并对云存储中负载均衡等性能指标的改善程度进行了检测.结果表明,所提出的混合进化算法有效实现了云存储的优化部署任务,与其他进化算法相比,能对性能指标实现更优配置.     

粒子群算法的改进及其在求解约束优化问题中的应用

在用粒子群算法求解约束优化问题时, 处理好约束条件 是取得好的优化效果的关键. 通过对约束问题特征和粒子群算法结构的研究, 提出求解约束 优化问题一种改进的粒子群算法, 该算法让每个粒子都具有双适应值, 通过双适应值决定粒 子优劣, 并提出了自适应保留不可行粒子的策略. 实验证明, 改进的算法是可行的, 且在 精度与稳定性上明显优于采用罚函数的粒子群算法和遗传算法等算法.     

基于改进混合粒子群算法的服务动态选择方法

针对服务组合过程中的服务动态选择问题,建立带约束的Web服务组合QoS全局优化问题的描述模型,分析当前已有各种算法的缺陷和不足,提出一种改进混合粒子群算法的求解方法,并从可行性、有效性以及运行效率3个方面进行仿真实验。研究结果表明:改进的混合粒子群算法综合利用了群体自身信息、局部较优信息、全局较优信息以及遗传算法的交叉、变异、选择等操作对粒子进行更新,增强了粒子群的搜索空间和搜索效率,可以较好地解决服务组合中服务的动态选择问题。     

改进的粒子群优化算法在云计算任务调度中的应用

针对粒子群优化算法在求解云计算任务调度问题中存在的收敛速度慢、精度低、易陷入局部极值等缺陷，综合考虑最大完成时间最少、任务执行总时间最优两个优化目标，提出一种多策略融合的粒子群优化算法(Multi-Strategy Particle Swarm Optimization, MSPSO)，并将其应用于求解云计算任务调度问题。该算法融合模拟退火算法、饥饿游戏搜索和双重变异限制策略。首先，通过模拟退火算法动态更新惯性权重，平衡粒子群优化算法的全局搜索和局部搜索，帮助粒子跳出局部极值。然后，引入饥饿游戏搜索算法优化粒子位置更新策略，在算法后期加快粒子收敛速度，提高结果精度。最后，采用双重变异限制策略，同时限制粒子速度和位置，避免粒子发生越界。与其他三种粒子群优化算法进行对比实验，在适应度平均值、最小值、标准差三方面MSPSO都有更好的表现。通过仿真，在求解不同任务量的云计算任务调度问题中，MSPSO在总成本、适应度值最小化两方面均表现出明显优势。尤其当任务量为40时，MSPSO总成本比其他算法分别低了14.4%、15.3%、11.2%，适应度值分别低了10.5%、10.6%、7.6%，验证了所提算法在求解云计算任务调度问题中的有效性。     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

改进的粒子群算法在车间作业调度中的应用研究

针对粒子群算法搜索精度不高、易陷入局部极值点的缺点,通过分析原有粒子群算法的优化机理,提出一种基于惯性权重随粒子,进而使进化代数增加而非线性减小的改进粒子群算法,并将此改进的粒子群算法应用在车间作业调度问题中.通过大量仿真实验结果表明,该算法在求解车间作业调度问题上具有可行性和有效性.     

改进粒子群算法优化的非线性模型预测控制

针对带有有界随机扰动和概率约束的非线性模型预测控制的优化控律求解问题.采用引入粒子滤波重采样步骤改进的粒子群算法,并与粒子的变异操作相结合来求解非线性模型预测控制优化控制律的方法,提高了算法的收敛速度和控制效果.对概率约束的处理,采用对不满足约束的粒子进行有效替代的方法,进而得到满足概率约束条件的优化控制律.仿真结果表明了提出的改进粒子群算法用于优化求解非线性模型预测控制的优化控制律的可行性和有效性.     

不规则型泊位与岸桥集成分配问题的优化建模和算法研究

泊位和岸桥作为港口的有限资源，对其进行优化分配有利于提高港口的作业效率，加快船舶的离港时间.由于地理条件的限制，一些港口的泊位线不呈一条直线型，而是呈“L”或“F”等形状，岸桥无法在这些不连续的泊位线上自由移动，该类泊位无法按照连续型泊位分配问题进行优化，而按照离散泊位进行优化会极大浪费泊位线的空间.本文针对不规则型泊位和岸桥集成分配问题，根据船舶停靠的相对位置和时间建立了线性规划数学模型，结合问题特性和变量关系，提炼出三个有效不等式，并采用CPLEX软件对加入不等式前后的模型分别进行求解.针对问题规模增加后，CPLEX求解时间较长的问题，本文采用了粒子群算法进行求解，并提出具有随机搜索策略的速度更新方式，避免算法陷入局部最优.实验结果表明，加入有效不等式后，模型的求解时间降低了83.39%;改进的粒子群算法比标准粒子群算法获得的优化解降低了25.21%.     

基于改进粒子群算法的微电网优化运行

为提高含分布式发电的微电网运行水平,应用基于混沌-模拟退火思想的粒子群算法对微电网的运行进行优化。针对微电网中各分布式电源特性,建立微电网的数学模型,建立了以运行成本和环境效益等运行指标最优为微电网优化运行的目标函数,并应用基于混沌算法结合模拟退火思想的改进粒子群优化算法对微电网多目标优化运行问题进行求解,得到微电网的最优运行方式。采用改进粒子群优化算法对某微电网进行24 h优化运行算例分析,结果表明该方法具有更好的寻优能力和更快的收敛速度。     

一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

粒子群优化算法研究及在电力系统机组组合中的应用

蚁群优化算法由于其具有较强的优越性,现已被用于约束优化问题的求解,并在相关的工程领域得到了实用。针对粒子群优化算法初始参数依赖性强和易陷入局部最优的问题,提出了对粒子群分组并重组信息共享机制的改进粒子群体智能算法。该算法有效地降低了陷入局部极小的概率,从而能够获取更佳的近似最优解。为验证算法的有效性和可行性,将改进粒子群优化算法用于10机系统和26机系统组合问题的仿真求解,结果表明该改进方法能收敛到更好的解,而且计算时间也大大减小。     

一种改进的基于教与学的优化算法求解旅行商问题

提出了一种改进的基于教与学的优化算法(TLBO)求解旅行商(TSP)问题,阐述了TLBO算法的基本思想和求解步骤,给出了算法流程,针对算法在解决大规模问题时易陷入局部最优的缺陷,引入混沌搜索机制对其进行了改进.着重研究了改进后的TLBO算法求解TSP问题的求解结果和性能分析,通过benchmark实例进行了仿真实验,结果表明:与诸如遗传算法和粒子群优化算法等已有启发式算法相比,改进后的TLBO算法在求解TSP问题时性能更为优越,从而为TSP问题的求解找到了一条新途径.