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.     

求解布局问题的混合萤火虫群优化算法

为了充分发挥萤火虫算法的优点,将人工萤火虫群优化算法与启发式策略相结合,设计了一个新的求解布局问题的高效萤火虫优化算法.实例测试和实验对比结果表明:相对于已有文献中的算法,提出的混合布局方法更加有效.     

改进的萤火虫算法及其工程应用

针对萤火虫算法存在易出现早熟收敛、后期收敛慢和精度低等问题,提出1种改进的萤火虫算法。采用反向学习策略对群体中个体位置进行初始化。引入Rosenbrock搜索以加快算法收敛和增强求解精度。对当前群体中最优萤火虫个体进行高斯混沌扰动以防止出现早熟收敛现象。选取6个标准函数进行仿真实验,并对2个标准工程应用问题进行求解。结果表明,该改进的萤火虫算法具有较强的全局优化性能。     

求解约束优化问题的加速CMODE算法

为了加快CMODE(多目标与差分进化结合)算法的收敛速度,提出一种基于适应排序的分组选择方法将种群分为精英组与普通组,对精英组个体使用随机选择方式,对普通组个体使用适应排序选择方式,通过分组选择系数控制种群的选择压力.引入一种个体更新辅助策略对于淘汰个体给予一次机会与相似个体比较并保留优胜个体,提高优秀个体的生存几率并进一步加快收敛速度.改进后的算法在cec2006的测试函数上进行了测试,结果表明该算法使大多数函数的收敛速度明显提高.     

一个求解约束优化问题的混合算法

通过引入Hook-jeveese搜索法和可行基规则,提出一个求解约束优化问题的混合算法—Hook-jeveese搜索法和与可行基规则相结合改进的微粒群算法的混合算法.与惩罚函数法相比,可行基规则不需要额外的参数,且指引粒子迅速飞向可行域.并利用6个典型实例问题进行仿真计算比较,仿真结果表明了新算法是求解约束优化问题的一个高效的算法,而且获得了一些比以往文献更好的解.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法,已在许多领域得到了非常成功的应用。本文以约束优化问题为对象,首先介绍了采用罚函数法将约束优化问题化为无约束优化问题,和将约束优化问题转化为minmax问题,然后对无约束优化问题和minmax问题,采用PSO算法进行进化求解;在此基础上,以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

网格任务调度问题求解的萤火虫算法

为了获得更优的网格任务调度方案,针对网格环境特点以及标准萤火虫算法存在的不足,提出了一种基于改进萤火虫算法的网格任务调度优化模型.对网格任务调度优化问题进行了分析,建立了网格任务调度的数学模型,引入非均匀变异算子和自适应步长的搜索策略,加快算法的求解速度和精度,并将改进萤火虫算法用于网格任务调度问题求解,通过萤火虫之间的信息共享和交流找到网格任务调度最优方案,采用仿真对比实验对其有效性和优越性进行测试.结果表明,相对于其他网格任务调度优化算法,改进萤火虫算法可以快速、准确地找到网格任务的最优调度方案,提高了计算资源的利用率,保证了网格系统负载均衡,尤其对于大规模网格任务调度问题,具有更加明显的优势.     

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.     

求解TSP问题的萤火虫参数优化的改进蚁群算法

针对蚁群算法参数难以确定、易停滞等问题,提出了一种求解TSP问题的改进蚁群算法。引入萤火虫算法,利用萤火虫算法对蚁群算法的参数进行优化;同时采用了全局异步和精英策略相结合的信息素更新方式来减少时间开销。为了提高寻优结果,运用3-opt算子作为局部优化方法来改进当前进化所得到的最优解,缩短了路径长度,加快算法收敛速度。最后,通过tsplib标准基准函数中的实例进行计算机仿真实验,结果表明本文算法是有效的,与参考文献中其他算法比较,本文所需的蚂蚁数较少,寻优效率较高。     

求解二层规划问题的萤火虫智能群优化算法

针对二层规划问题,给出二层决策问题数学模型的一种新的解法,二层规划萤火虫智能群优化算法:首先采用以原问题的下层问题的Kuhn-Tucker条件代替下层问题的思想,将二层规划问题转化为单层规划问题.其次为避免求解目标函数的梯度信息以及算法过早的陷入局部最优,利用基于Pareto最优解集的萤火虫智能群优化算法对其进行求解,并利用Matlab予以实现.利用5个具有代表性的标准测试实例对该算法予以测试,并与其他算法进行比较.结果表明,结合Kuhn-Tucker条件的萤火虫智能群优化算法在5个测试函数中均能寻找到最优Pareto解,并且在求解的上层目标函数值上均优于对比算法,表明新算法可行有效.     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

求解非线性约束优化问题的进化规划算法

给出一种求解带有非线性约束优化问题的进化规划算法,此算法能避免将约束问题转化为无约束问题,计算时间较短且算法稳定性强,通过数值计算得到最优解.     

求解约束优化问题的改进微粒群算法

微粒群算法在处理约束条件时最常采用的方法是约束保持法,但该方法易使粒子在搜索中停滞不前,为了改进传统约束保持法的缺点,将微粒群算法与信赖域算法相结合,从而保持了粒子的多样性并使最优解在可行域内。另外,采用与信赖域搜索技术相结合的随机惯性权重,改善了算法的全局寻优能力,提高了算法的收敛速度和计算精度。实验结果表明：与标准微粒群算法和一些其他优化算法相比,改进算法具有较强的寻优能力和寻优效率。     

基于连续域贝叶斯优化算法求解约束优化问题

将连续域贝叶斯优化算法(rBOA)与约束处理技术相结合,用于求解约束优化问题,其主要思想是利用约束条件影响优秀个体的选取,并间接影响概率模型,使之引导群体产生满足约束条件的子代个体,从而求得满足约束条件的最优解.将rBOA与4种不同的约束处理技术结合起来,并测试了其优化性能,实验结果表明rBOA与多目标优化法结合相比另外3种方法具有最好的优化效果,但其优化效果仍有待改进.     

阴阳萤火虫算法及其在全局优化问题中的应用研究

针对萤火虫算法(Firefly Algorithm, FA)在寻优中容易出现早熟现象、收敛不稳定的缺点,基于中国阴阳学说的内涵,提出一种新颖的阴阳萤火虫算法(Yin-Yang firefly algorithm, YYFA).首先,为了降低算法时间复杂度,设计一种新型随机吸引模型;其次,根据深度学习思想,采用阴阳萤火虫深度学习策略对当前最优萤火虫进行有效信息深度挖掘来引导萤火虫种群向更优方向移动.利用13个典型全局优化测试函数对阴阳萤火虫算法进行仿真实验,并与不同组合策略算法进行对比分析,实验结果表明YYFA算法表现出较好的全局寻优能力和稳定性,Friedman检验方法显示阴阳萤火虫深度学习策略是一种有效的改进方法.最后将YYFA算法应用到黄甫川站年径流预报问题中,利用其优选支持向量回归模型(Support Vector Regression, SVR)的超参数,构建YYFA-SVR预报模型.应用结果表明YYFA-SVR模型预报效果优于BOA-SVR模型、WOA-SVR模型和ESDA-SVR模型,预报精度较高,可为相关预报工作提供新思路.     

求解约束优化问题的改进教-学优化算法

提出了一种非线性约束优化问题改进的教-学优化算法,该算法首先提出了自适应的教学因子,对学习阶段的迭代方程进行改进,引入了差分变异策略;其次利用约束违反度函数将约束优化问题转化为无约束双目标优化问题,在每次迭代中按照约束违反度的大小保留部分性能较优不可行个体,有效地维持了种群的多样性;最后数值实验表明,该算法具有较快的收敛速度和较好的全局寻优能力.     

求解约束优化问题的元胞混洗蛙跳算法及应用

为解决混合蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的问题,提出一种求解约束优化问题的元胞混洗蛙跳算法.算法利用元胞的邻域结构代替基本蛙跳算法的分组方法,进而克服经典混洗蛙跳算法分组的缺点.通过元胞自动机的邻域结构和演化规则降低算法的选择压力和保持种群多样性,利用改进的螺旋进化方式和混沌变异方式平衡局...     

混沌小生境萤火虫算法求解有界背包问题

针对有界背包问题,提出一种混沌小生境萤火虫算法.采用混沌理论对萤火虫种群初始化,为了增加种群多样性,使用小生境技术计算个体共享适应度,以一定概率将共享半径内相似个体进行排挤处理,对所有被排挤个体实行Levy飞行操作,同时对较优个体进行局部搜索,对陷入早熟的个体使用混沌理论重新随机产生位置进行更新.仿真实验表明新改进算法能有效求解有界背包问题.     

求解非线性约束优化问题改进的粒子群算法

采用粒子群算法处理约束优化问题时,由于约束条件使得解空间成为非凸集合,粒子容易陷入局部最优,因此在搜索过程的不同阶段,提出变步长因子的粒子群算法,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其它一些算法.