基于蚁群算法的网格资源分配与调度研究

网格环境下的资源分配与调度是一个NP难问题，蚂蚁算法是解决这类问题的有效算法．文章提出了改进的蚁群算法．该算法采用伪随机比例规则，不仅在网格计算资源完成任务后进行信息素的整体更新，还要求预分配网格计算资源时进行信息素的局部更新．模拟实验表明该算法是一种快速，有效，负载更均衡的算法．     

基于蚁群算法的网格资源分配与调度研究

网格环境下的资源分配与调度是一个NP难问题,蚂蚁算法是解决这类问题的有效算法.文章提出了改进的蚁群算法.该算法采用伪随机比例规则,不仅在网格计算资源完成任务后进行信息素的整体更新,还要求预分配网格计算资源时进行信息素的局部更新.模拟实验表明该算法是一种快速,有效,负载更均衡的算法.     

融合粒子群优化算法与蚁群算法的随机搜索算法

针对PSO算法与蚁群算法的优缺点,提出一种融合PSO算法与蚁群算法的混合随机搜索算法.该算法充分利用PSO算法的快速、全局收敛性和蚁群算法的信息素正反馈机制,达到优势互补,将这种优化方法拓展到求解连续空间问题,并通过实例来验证该算法对于单峰、多峰函数都能取得较好的优化效果.     

基于云计算环境的蚁群优化计算资源分配算法

提出一种基于蚁群优化(Ant Colony Optimization)的计算资源分配算法.分配计算资源时,首先预测潜在可用节点的计算质量,然后根据云计算环境的特点,通过分析诸如带宽占用、线路质量和响应时间等因素对分配的影响,利用蚁群优化算法得到一组最优的计算资源.通过在Gridsim环境下的仿真分析和比较,这种算法能够在满足云计算环境要求的前提下,获得比其他一些针对网格的分配算法更短的响应时间和更好的运行质量,因而更加适合于云环境.     

基于粒子群蚁群算法的多机器人任务分配方法

针对大规模多移动机器人松散耦合型任务分配问题,探讨了机器人联盟形成问题中的关键,并且提出一种基于粒子群蚁群算法的任务分配机制.结果表明,粒子群蚁群算法得到的分配解要明显优于基本蚁群算法,并且不易出现早熟现象.     

基于粒子群-蚁群融合算法的移动机器人路径优化规划

基于TSP问题,提出了一种基于粒子群-蚁群算法相互融合的综合优化算法对移动机器人路径规划问题进行研究。通过粒子群算法对全局路径实施粗略搜索,获得部分次优解,在获得次优解的路径上进行信息素分布,再采用蚁群算法进行精确搜索,得到路径规划的最优解。实验结果表明:粒子群-蚁群融合优化算法在路径寻优上优于蚁群算法及粒子群算法。     

基于蚁群和粒子群优化的混合算法求解TSP问题

提出了一种基于蚁群优化和粒子群优化的混合算法求解TSP(Traveling Salesm an Prob lem)问题。在应用蚁群算法对TSP问题的求解过程中,利用粒子群算法对蚁群系统的参数进行优化,其目的是提高蚁群系统的优化性能,使蚁群系统的参数不必靠人工经验或反复试验选取,而是通过粒子搜索自适应选取。     

改进粒子群算法和蚁群算法混合应用于文本聚类

首先对粒子群算法中的惯性因子和加速系数进行调整,利用其有效的全局搜索特性对数据进行粗聚类;然后使用蚁群聚类算法进行下一步聚类,得到了较好的聚类效果。     

基于粒子群算法的认知无线电下行链路中的OFDMA资源分配算法

认知无线电技术是解决当前频谱资源紧缺情况的有效手段,其中功率和频谱联合分配问题是一个非常重要的环节.用一个联合矩阵代替传统的功率分配矩阵和频谱分配指示矩阵,以系统总发射功率最小和在不对主用户造成干扰的条件下最大化系统的吞吐量为目标,并应用粒子群算法求解该问题.重新设计了粒子群算法的位置和速度更新策略,更适合于求解联合优化问题.仿真结果表明,新算法复杂度要优于传统利用粒子群算法求解,且提高了系统吞吐量.     

一种改进的粒子群优化算法

提出了一种改进的PSO(粒子群优化)算法,该算法在基本PSO算法的粒子位置更新公式中增加了一个积分控制项,积分控制项根据每个粒子的适应值决定粒子位置的变化,改善了PSO算法摆脱局部极小点的能力。另外,在该算法中粒子行为是基于个体极值中心点和全局极值点确定的,这使得粒子能够获得更多的信息量来调整自身状态。用3个基准函数对新算法进行了实验,结果表明新算法优于已有的一些改进PSO算法。     

基于改进粒子群算法的双馈感应发电机参数辨识

基本粒子群算法(PSO)存在早熟问题,且惯性权重对参数辨识结果的影响较大,为此提出将变权重PSO算法和全局最优位置变异PSO算法相结合的改进PSO算法,并将其应用于双馈感应发电机(DFIG)的参数辨识。分析了DFIG中各参数的可辨识性和辨识难易度,给出了基于改进PSO算法的参数辨识步骤。与采用基本PSO算法、变权重PSO算法和全局最优位置变异PSO算法的参数辨识结果相比较,该方法具有收敛速度快、辨识误差小的优点,即使在较大的搜索范围内仍具有较高的辨识精度。     

基于微观经济学方法的网格资源分配管理模型

提出了一种基于微观经济学方法的网格资源分配管理模型,采用分布自治原则由众多的网格域构成整个网格系统.系统根据用户作业请求发出投标信息,各网格域参考投标信息及自身资源使用情况利用PSP拍卖机制确定中标者,最后系统从中标信息中选择费用最低的完成任务,以一定的周期运用微观经济学供需均衡原理动态调整资源价格,并给出了价格调整算法.相对于别的网格资源管理系统,本模型提出的资源管理方案在管理上比较简单,系统不必掌握全局资源信息,可扩展性较强,易于实现,并且通过引入竞标机制解决了资源提供者的报酬问题.     

基于双层多粒子群算法的HDEHR系统资源分配

为解决集中式区域医疗信息集成系统存在的访问瓶颈问题,设计了一种层次化分布式EHR集成模型HDEHR(hierarchical distributed EHR).介绍了HDEHR模型的总体架构,指出了该模型中的系统资源分配问题.为HDEHR系统资源分配问题进行了形式化定义,提出一种采用平均等待时间和网络与节点资源利用均衡度的调和模型作为最优化目标函数.根据HDEHR模型层次化的特点设计了一种双层多粒子群算法BLMSPSO(bi-level multi-swarm PSO),并用其解决了模型资源的最优化分配问题.采用HDEHR-Sim仿真平台进行了试验,对HDEHR算法和集中式EHR模型进行了比较.结果表明,该系统具备线性响应能力,能很好地解决集中式EHR集成模型存在访问瓶颈的问题.     

基于激励与约束机制的网格资源分配模型

基于激励与约束的博弈机制式表述方法,根据科学与工程计算网格(science and engineering computing grid,SECGrid)应用特点,对网格计算资源负载与计算性能下降的相关问题进行了分析,将实际应用中影响计算资源使用性能的因素与双方经济效益目标,由定性转化为定量,构建合理效益函数,指导计算网格资源分配.将影响网格资源分配的各种因素划分、归类为相应的激励与约束策略和行动,并对其进行动态调整,引导和协调资源主体调节自身行为,充分共享更多的有效资源,使双方效益趋于最大.     

基于群智能的计算与仿真方法研究

随着人类认知范围的拓宽,已有的一些智能计算方法在处理复杂问题时,如高维度、多极值等,往往不能取得令人满意的效果.人们从生命现象中受到启示,发明了模拟生命系统的某些行为、功能和特性的群智能方法.对群智能的主要领域群智能计算和群智能仿真进行了阐述,同时还介绍了其相关研究领域.     

基于改进粒子群优化技术的拜耳法物料平衡计算

分析了氧化铝生产工艺中物料平衡计算的特点,研究了拜耳法生产工艺流程和拜耳法物料平衡计算的数学模型.针对传统粒子群算法(PSO)存在的不足,给出了具有变异因子并能很好跳出局部最优解的新型粒子群算法(IPSO),并应用于氧化铝生产中的物料平衡计算.计算结果表明:优化后的粒子群算法具有较强的全局搜索能力和较高的收敛精度,是进行拜耳法物料平衡计算的有效方法.     

一种基于PSO思想的改进量子遗传算法

文章提出一种基于PSO思想的改进量子遗传算法.将PSO中的合作机制和记忆功能引入到QGA中,构造种群个体与当前最优解的距离参量,根据每个个体与当前最优解距离大小智能地控制旋转角的大小,使旋转角能够根据个体的进化差异选择不同旋转角的自适应调整进化过程,从而使算法始终保持合适的搜索网格,加快算法收敛,同时也可以保证能够收敛...