用并行遗传算法求复函数方程根的设计和实现

探讨用PGA解优化问题的方法来解求复函数方程全部根的问题.提出了一种基于并行遗传算法的复函数方程求根算法,并得到令人满意的结果算法简单实用.给出了该算法的设计和具体实现.     

基于POMDP模型的机器人行动的仿真优化

策略梯度优化算法是一种很重要的强化学习算法,对实现机器人的自主导航有着重要的应用价值.在部分可观Markov决策过程(POMDP)的基础上,实现了两个有限记忆的策略梯度优化算法:基于模型的GAMP算法和无模型的IState-GPOMDP算法,并利用该算法对机器人走迷宫的问题进行了仿真.通过分析仿真结果,对这两种算法引入了基于观测的优化;并发现在所给报酬函数下,策略梯度算法中的步长参数也在一定程度上影响着优化策略的效率.     

不同路径选择策略的城市疏散仿真研究

结合Agent模型和GIS系统构建了城市大范围人员疏散仿真系统,采用A*算法建立了Agent的路径选择模型,讨论了基于最短距离、最短时间和混合型的三种路径选择策略.还基于实际的城市道路和人口数据,构建了疏散场景进行模拟.模拟结果表明:步行方式下不同路径选择策略下总体疏散时间差别不大,而车辆方式下则差别很大.不同路径选择策略下交通流的分布呈现不同特征,道路的拥挤路段和节点也不一致,因此需要采取合适的诱导策略进行引导.     

一种基于生成树的多服务器动态区域调整算法

在基于多服务器结构的分布式虚拟环境中,各服务器之间的负载平衡是系统有效运行的关键问题,围绕该问题开展了工作并主要针对动态区域调整算法中存在的问题进行了改进.首先分析了现有动态区域调整算法在迁移目标服务器选取和待迁移区域选择中的不足,给出了一种基于生成树的动态区域调整算法.算法通过建立生成树选择路径组合的方式,改进了服务器集选取的策略,并在此基础上对集合内的服务器进行基于Cell的待迁移区域选择方法,从而在产生较小开销的同时,提高了负载平衡效果.通过实验对比分析,验证了算法的有效性.     

基于Agent的分布仿真环境原型设计与实现

基于Agent的分布仿真是基于Agent的建模与仿真(ABMS)研究的重要内容。在提出的基于Agent的分布仿真软件框架和通信系统的基础上,利用Java语言和面向对象的方法实现了一个基于Agent的分布仿真环境原型系统ADSimE。对该分布式仿真环境的主要实现细节进行了阐述,给出了全系统的主要Agent类的UML设计图,重点阐述了保守策略仿真Agent类和乐观策略仿真Agent类的设计及处理流程。最后以闭合排队网络为例,说明了怎样在该环境下进行基于Agent的分布仿真应用的开发。     

Pollard p-1因子分解的DNA计算机改进算法

如何有效地对大整数进行因子分解,是数学上的一个难题.RSA密码体制的安全性正是基于此困难问题.利用DNA计算机超大规模的并行运算能力和数据存储能力,提出一种基于分子生物技术的因子分解问题改进的DNA计算机算法.以因子分解的Pollardp-1算法为基础,设计了基于DNA计算的平方-乘算法以及求取最大公因数的欧几里得子算法,仿真实验结果表明了算法的可行性和有效性.     

两层非线性规划问题的并行模拟退火全局优化

两层非线性规划问题的非凸性和非可微性给全局最优解的求解带来了较大的困难，目前还缺乏成熟的全局优化策略，同时其易并行计算特性未得到重视。提出了基于模拟退火算法的两层非线性规划问题的并行全局优化策略。融合单纯形法和模拟退火算法设计了一种并行模拟退火算法，用来求解上层问题，用精确惩罚函数处理约束。下层的非线性规划问题则采用可变容差单纯形算法完成求解。所设计的组合算法有效地结合了两层非线性规划问题的易并行性，便于实现网络并行计算。计算表明算法有着可靠的全局收敛性和较高的收敛速度。     

未知环境中多Agent自主协作规划策略

针对多智能体(Agent)系统在未知环境中自主协作规划存在任务死锁及协作效率不高的问题,提出一种基于改进蚁群算法的多Agent协作策略,并用于多Agent协作搬运中。该方法将Agent所处位置和目标任务之间的距离以及信息素控制因子引入蚁群算法。实验结果表明,该方法相比没有引入距离因子的协作方法,协作效率更高;相比没有引入控制因子的协作方法,可有效防止任务死锁发生。     

面向并行Agent仿真的合成基准测试模型

为了评估并行仿真算法的性能,需要建立一个基准测试模型。针对并行Agent仿真研究领域中缺乏一种与应用无关的基准测试模型这一问题,在借鉴并行离散事件仿真中经典的合成测试模型PHOLD设计思想的基础上,根据基于Agent仿真的特点,提出面向并行Agent仿真的合成基准测试模型,利用该模型可以方便地合成符合不同应用特点的计算负载,去除与应用相关的因素对性能分析的影响,能够为不同的并行Agent仿真研究者提供一个公共的测试基准。最后,采用该模型从实验层次上分析了Agent计算粒度、所采用的处理器数目等因素对并行Agent仿真加速比的影响。     

一种改进的粗粒度并行蚁群算法

蚁群算法是一种模拟进化算法,具有很强的全局搜索能力。提出了一种基于粗粒度模型的并行蚁群算法,该算法采用了一个新的信息素更新策略———Ant-proportion,这种新的更新策略是综合考虑全局和局部信息,依据蚂蚁在搜索过程中所得到的路径的优劣程度和路径中各路段对其贡献的大小来分配信息素增量;另一方面,该算法采用的粗粒度模型充分利用了蚁群算法内在的并行性,使得算法具有更快的收敛速度和更好的优化质量。最后,选用了CHN144问题对该算法进行了检验,算法求得的最优路径优于已知的最优结果。