基于多Agent和遗传算法的制造网格资源调度

为了保障用户的多QoS要求,在制造网格资源调度中引入灵活健壮的协商机制和高效的资源调度算法尤显重要.为此提出基于多Agent的制造网格资源调度方法,运用合同网协议作为多Agent的协作协议并根据制造网格资源调度需求运用遗传算法作为资源优化组合的算法.综合应用多Agent开发工具JADE和遗传算法工具包JGAP进行模拟调度实验,证明了方法的有效性.     

无线传感网络改进混合移动代理路由的研究

移动代理路由的本质是一个多约束条件下的优化问题,针对遗传算法快速随机的全局搜索能力,但对于系统中反馈信息却无法利用、求精确解效率低的问题,本文提出了一种遗传蚁群混合算法的WSN移动代理路由方法.利用遗传算法快速随机的全局搜索能力找到较优解,将较优解代换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度的优点,找到移动代理路由全局最优解.仿真结果表明,该算法能在较短的时间找到最优移动代理路由,相对于其他的路由算法,减少了网络延时和平均能量消耗,提高了数据传输的速度和效率.     

融合蚁群算法和遗传算法的矩形件排样问题研究

提出融合蚁群算法和遗传算法来求解矩形件排样问题.考虑到蚁群算法和遗传算法各自的优缺点,该融合算法前阶段采用遗传算法获得排样问题的部分优化解,把它作为蚁群算法的初始信息素分布,后阶段利用蚁群算法求得最优排样序列,最后求得最优排样图.计算实例表明:与单一遗传算法相比较,该融合算法可达到更好的排样效果.     

数据网格中一种QoS驱动的副本选择算法

以移动Agent作为任务载体,代表用户应用程序在分散的数据网格环境下智能地进行副本选择.利用移动Agent与各个副本宿主节点的本机通信来替代传统的远程访问方式,从而避免大量的副本传输,节省网络带宽资源.提出了一种由用户QoS(服务质量)驱动的副本选择算法,开发出基于Java Swing的实验演示系统,并针对于3种不同的QoS目标对移动Agent的迁移进行了模拟试验.实验表明提出的副本选择算法能够根据用户的不同QoS偏好来优化副本选择,当网格规模较大时更能凸显对用户QoS偏好的优化效果.     

网格资源的组织与发现研究

分析了网格资源的组织形式,阐述了蚁群算法的基本原理,提出了一种基于蚁群算法的网格资源发现方法.其中,将用户请求本体看作蚂蚁,查找的资源即搜索的目标视为食物,食物源就是存在搜索目标的节点.蚂蚁寻找食物的过程就是网格资源的发现过程.     

多种群蚁群遗传算法在车间调度中的研究应用

蚁群算法和遗传算法都属于仿生型优化算法,是解决调度问题的强有力的工具。本文针对多目标车间调度问题提出了一种多种群蚁群算法和遗传算法想结合的算法,算法的第一部分用多种群蚁群算法求得各个目标函数的最优解,第二部分把求得的解作为遗传算法的初始种群求得多目标问题的Pareto最优解。仿真结果,该算法有较好的有效性、稳定性和订单适应能力。     

移动Agent在数字图书馆资源检索中的迁移策略

指出了将移动Agent用于信息资源的发现,可以较好地满足数字图书馆资源检索的要求,移动Agent的效率很大程度上取决于迁移策略的优化,提出了一种改进的分布式遗传算法,对多约束条件下移动Agent迁移策略最优问题进行了求解.实验结果表明:所提出的算法在求解速度和质量上取得了较大的改善.     

混合蛙跳融合蚁群算法在群体动画中的应用

针对计算机辅助群体动画路径设计中群体规模大、路径多样性的问题,提出基于混合蛙跳算法和蚁群算法的混合蛙跳融合蚁群的算法模型.该融合算法前期利用混合蛙跳算法建立初始优化解群,后期利用蚁群算法进行精细解搜索,有效地解决了混合蛙跳算法搜索精确解和蚁算法早熟收敛、前期搜索速度慢的问题,进而解决了群体动画中路径复杂多样的问题.最后数值实验结果和仿真算例验证了算法的有效性和鲁棒性.     

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.     

制造企业动态联盟合作伙伴组合优化方法

将制造企业动态联盟合作伙伴的选择和组合抽象为多目标优化问题，提出改进的蚁群算法——“小生境蚁群算法”及“小生境信息差”的创新概念并对其进行优化求解，在正反馈环节中引人时变参数并利用经验信息和启发信息进行解算，从而有效地防止遗传算法中的“早熟”和基本蚂蚁算法中可能发生的“停滞”状态，获得选择合作伙伴多目标组合优化问题的最优解．