云计算中基于改进离散粒子群优化的任务调度方案

针对云计算中现有智能任务调度算法容易陷入局部最优的问题,提出一种基于改进型离散粒子群优化(DPSO)算法的任务调度方案。对传统DPSO算法中的粒子位置更新公式中的惯性权重进行改进,使其根据迭代次数非线性递减,提高算法的搜索能力;另外,融入了随机扰动操作,避免算法陷入局部最优。实验结果表明,与传统遗传算法和粒子群算法相比,该方案能够获得最优的调度策略,有效降低任务的完成时间。     

基于改进混合粒子群算法的云计算任务调度问题研究

为提高云环境下任务调度效率,同时针对粒子群算法在解决云任务调度存在的缺陷,提出一种改进混合粒子群算法,首先为平衡粒子群算法的全局搜索能力和局部改良能力,对惯性权重进行非线性的动态改良,使之能进行自适应改变;其次为进一步提高其跳出局部最小解的能力,在粒子群算法求解过程中,加入模拟退火算法,使粒子群算法能快速找寻目标最优解.最后通过仿真实验,与传统蚁群算法和粒子群算法进行比较,结果表明所提算法收敛速度快,所用时间短,具备一定的优越性.     

一种自适应混合纵向多变异粒子群算法

为克服标准粒子群算法搜索后期收敛速度慢、容易陷入局部最优的缺点,通过引进自适应惯性权重因子平衡标准粒子群优化算法的全局搜索和局部改良能力,同时设计了均匀分布变异和高斯分布变异相结合的粒子群混合纵向多变异策略,来提高算法摆脱局部极值和局部寻优的能力.根据提出的改进算法流程,针对公认的Sphere,Rastrigin,Griewank和Salomon四种标准测试函数进行了收敛精度和收敛速度的测试.测试结果表明,在标准粒子群、自适应权重粒子群、自适应变异粒子群和自适应混合多变异粒子群4种算法中,提出的新算法具有最好的全局最优值搜索能力和最稳定的全局收敛特性,且在提高收敛速度的同时,有效地避免了早熟收敛问题.     

粒子群算法惯性权重的研究

粒子群算法惯性权重ω的设置其极重要,直接影响算法性能.本文利用云发生器对惯性权重进行调整,对其取值范嗣做了进一步的研究,并应用于粒子群算法的改进.以高维函数优化为实例,实验仿真结果表明,新算法的全局搜索能力、收敛速度,精度和稳定性均有了显著提高.     

采用振荡参数策略的粒子群优化算法

提出了一种新的振荡参数策略(OPS),用以提高粒子群优化算法在指定代数后的收敛性能。为了有效控制局部搜索并收敛于全局最优解,OPS在整个搜索过程中通过振荡惯性权重和加速度系数值来交替进行全局搜索和局部挖掘。惯性权重和加速度系数振荡变化既能提高早期的全局搜索能力,又不会早熟收敛,并使粒子最终趋于全局最优。实验仿真显示,对于大多测试函数,OPS优于时变惯性权重、随机惯性权重、时变加速度系数等策略。     

云计算环境下基于改进离散粒子群的并行调度算法

针对云计算环境下的任务调度优化问题和传统离散粒子群优化(DPSO)算法早熟、精度低等缺点,提出了一种适合云计算环境下动态调整惯性权重因子的方法,并给出了云计算环境下改进后的离散粒子群优化算法.该算法能快速确定合适的并行任务分配方案,使其达到调度长度最短的优化目标.仿真结果表明:文中改进的DPSO算法的收敛性、前期全局搜索和后期局部探索性能均优于传统的DPSO算法和遗传算法;在任务数较大的情况下,采用改进DPSO算法的并行任务调度算法的调度长度明显优于采用传统DPSO算法和遗传算法的并行任务调度算法.     

一种动态惯性权重的自适应粒子群优化算法

在标准粒子群算法中,权重过大导致最优点的搜寻能力降低,不能适应复杂的非线性优化搜索过程,动态惯性权重的自适应粒子群算法(APSO)解决了这一问题。在该算法中,粒子群中所有粒子适应度的整体变化可以跟踪粒子群的状态,在每次迭代时,算法可根据粒子的适应度变化动态改变惯性权重,从而使算法具有动态自适应性。通过对几种典型函数的测试结果表明,APSO算法的收敛速度和收敛精度明显优于LDW算法,从而提高了算法的性能。     

基于独立权重和分级变异策略的粒子群算法

针对粒子群优化算法中存在的局部收敛问题,提出一种融合惯性权重调整和群体最佳位置变异两种策略的粒子群优化算法.该算法将个体粒子的状态信息引入惯性权重策略,独立调整每个粒子的惯性权值,体现个体粒子对权重需求的差异.在最佳位置变异策略中采用分级思想,根据粒子群的搜索状态选择相应的极值变异方式,使变异操作更具针对性.实验结果表明,该算法对多个测试函数都表现出良好的优化性能,能有效避免局部收敛问题,提高了粒子群的全局搜索能力.     

一种基于运动方向变异的混合粒子群算法研究

针对粒子群算法搜索精度不高、易早熟收敛、搜索后期多样性下降快等问题,提出一种基于运动方向变异的混合改进粒子群算法.该算法通过改变部分粒子的运动方向增加种群多样性,扩大粒子的搜索范围;利用非线性减小惯性权重的方法增加搜索后期的精度;用线性地增大和减小两个学习因子来平衡搜索的范围和精度,使得在搜索前期能够迅速定位到全局最优点附近,在搜索后期能够收敛到全局最优点.将该方法应用于函数优化中,仿真结果表明,该算法能够使粒子均匀分布在最优值空间范围内,调整和平衡粒子的全局搜索和局部精细搜索能力,同时能延缓粒子多样性的下降速度,使粒子能够跳出局部最优值.     

一种改进的自适应粒子群算法

针对标准粒子群优化算法早熟收敛、易陷入局部最优、收敛精度低等缺点,提出了一种改进的自适应粒子群算法.该算法在每次进化后自适应地更新每个粒子的惯性权重和学习因子,并对粒子进行排序,实现了自适应调整局部搜索和全局搜索的功能.与标准粒子群算法在6个标准测试函数上的实验进行比较并进行了t检验分析.结果表明,该算法具有很好的性能.     

采用改进二进制蝙蝠算法的任务调度算法

针对海服务系统环境中任务完成时间过长的问题,提出一种基于改进二进制蝙蝠算法(IBBA)的任务调度算法。该算法通过在二进制蝙蝠算法(BBA)寻优过程中引入非线性惯性权重因子,平衡全局搜索和局部搜索能力;利用2个不同的邻居蝙蝠算子构成扰动项,避免算法陷入局部最优;利用自适应学习因子调整全局最优算子和邻居蝙蝠算子的权重,控制整个寻优过程由全局搜索为主向局部搜索为主过渡。实验结果表明:IBBA可以稳定地搜索到全局最优值,与现有的基于二进制粒子群算法(BPSO)和二进制蝙蝠算法的任务调度算法相比,在任务数较多时,基于IBBA的任务调度算法能避免过早收敛,使任务完成时间显著减少。在海服务网络中,将该算法应用于任务调度,可提高处理大粒度服务的效率。     

云模型和混沌粒子群算法的多目标无功优化

为了克服基本粒子群算法易陷入局部最优值和后期收敛速度慢的不足,提出一种基于云模型的自适应粒子群算法。该算法首先采用混沌优化策略对粒子群进行初始化,增加粒子取值的多样性;其次根据粒子的适应度值将种群中的粒子分成靠近最优值、较靠近最优值和远离最优值3个子群,并分别采取不同的惯性权重生成策略进行处理,其中较靠近最优粒子子群的惯性权重由正态云发生器动态自适应调整,摆脱算法陷入局部最优值束缚;最后在迭代后期通过正态云算子实现粒子的变异操作,使算法后期快速收敛到最优解。对标准IEEE30节点系统和IEEE118节点系统进行测试仿真,结果表明了文中算法解决多目标无功优化的有效性。     

一种基于杂交机制的改进的双子群粒子群优化算法

为了克服粒子群算法的早熟收敛问题和易陷入局部最优问题,本文提出了一种新的基于双子群的改进粒子群优化算法,通过2组搜索方向相反的主、辅子群之间的相互协同,扩大搜索范围,并借鉴杂交机制,使搜索速度更快,收敛精度更高。再采用自适应惯性权重的粒子群算法,根据种群的进化状态来动态调整惯性权重。     

一种自适应改变惯性权重的粒子群算法

针对标准粒子群算法收敛性和收敛速度的问题,分析标准粒子群算法惯性参数对算法性能优化的影响,提出一种自适应改变惯性权重的粒子群算法（ACPSO）。通过对粒子速度和位置变化过程的分析,并结合早熟收敛程度和个体适应值自适应的调整惯性权重,使得算法能在全局收敛性和收敛速度之间找到良好的平衡关系,并且通过典型的函数测试,表明此方法有效的控制了粒子群的多样性,而且具有良好的收敛速度。     

一种搜索空间自适应变化的自适应粒子群算法

提出一种搜索空间自适应的自适应粒子群优化算法.该算法对不同等级的粒子适应值采取不同的惯性权重,并随着算法的迭代不断缩小粒子群的搜索空间.同时,选择当前代的较优部分粒子直接进入下一代,其他粒子通过在缩小的搜索空间内随机生成,加快了种群收敛速度,同时又能使种群不断跳出局部最优解.几种典型函数的仿真实验表明,该算法在收敛速度...     

全局粒子群优化算法

针对粒子群优化算法在解决大维数的无约束优化问题时具有较差的收敛性和稳定性,提出了一种全局粒子群优化(GPSO)算法.GPSO算法引入了一种新的惯性权重,它被定义为一个指数型函数与一个随机数的乘积,这有利于维持算法的全局搜索和局部搜索.同时,GPSO算法对全局最优解进行了小的扰动,这可以有效地避免算法早熟.使用三种粒子群优化算法来解决6个无约束优化问题.仿真结果说明,与其他两种粒子群优化算法相比,GPSO算法具有更快的收敛速度和更强的逃离局部最优的能力.     

基于改进粒子群算法的码书设计方法

基本的矢量量化码书设计方法的性能易受到初始码书的影响,采用群体优化的粒子群算法是克服这一缺陷的有效手段。在粒子群算法中,惯性权重因子的大小决定了粒子的搜索能力。为了权衡粒子群算法中全局搜索能力与局部搜索能力,提出了一种非线性递减的惯性权重粒子群优化算法。该算法能够自适应地调整惯性权重因子的大小,从而有效地改善粒子的全局搜索能力。     

基于扰动的自适应粒子群优化算法

【目的】针对标准粒子群优化算法在应用中暴露出的缺点,如在迭代后期收敛速度慢、搜索精度不高、容易陷入局部最优等,提出一种基于扰动的自适应粒子群优化算法。【方法】该算法将扰动因子加入速度更新公式中,使种群搜索范围扩大;采用自适应的惯性权重,以起到平衡全局和局部寻优能力的作用;对最优粒子进行自适应的柯西变异,拓展最优粒子的搜索空间,降低粒子陷入局部最优的可能性;最后对算法进行仿真实验。【结果】新算法能够增强全局搜索能力,有效避免局部最优,具有更快的收敛速度。【结论】新算法克服了标准粒子群优化算法的缺点,为进一步研究粒子群优化算法的改进和应用提供科学依据。     

一种改进的自适应微粒群优化算法

为了提高微粒群算法(PSO)优化高维目标的性能,提出了个体惯性权重自适应调整微粒群算法(PSO-IIW).PSO-IIW中微粒拥有个体的惯性权重以满足不同微粒对全局和局部搜索能力的不同需求,此权重在对微粒每次进化后的适应值进行评价的基础上被自适应地调整,以加快其收敛速度并逃离局部最优.用该方法与其他两种不同微粒群优化算法对3个经典函数在80,120和160维数进行仿真的结果进行比较,证明在解决高维度目标时可以有效提高微粒群算法的性能.     

基于熵模型的粒子群优化算法

为了改善粒子群算法在解决高维优化问题时易早熟收敛且存在大量无效迭代的问题,提出了一种基于熵模型的粒子群优化(EPSO)算法.通过引入信息熵模型,精确分析了粒子群搜索过程中的聚集特性,将粒子群搜索过程划分为3个阶段进行优化.第1阶段引入粒子迭代熵差,优化调整惯性权重;第2阶段根据粒子群熵值变化,适时重置惯性权重;第3阶段采用截断策略,减少粒子群的无效迭代.实验结果表明,在Sphere、Rosenbrock、Ackley、Griewank、Rastrigin五个标准测试函数中,EPSO算法的求解精度和收敛速度都优于传统粒子群算法、经典粒子群算法、自适应惯性权重粒子群算法以及新的自适应惯性权重粒子群算法,并且减少了算法的大量无效迭代,从而验证了EPSO算法的有效性.