基于种群混合迁移策略的并行量子遗传算法

针对量子遗传算法求解大规模优化问题存在收敛速度慢、易于陷入局部最优等问题,改进量子遗传算法。设计一种种群混合迁移机制促进算法的种群多样性,采用仿TriBA种群结构、双精英种群、重生种群、自适应迁移算子、个体竞争排挤算子以及随机失活机制,提高算法的局部勘测能力和全局寻优能力。利用Spark框架实现算法在分布式集群环境下的运算。改进2-opt&R优化算法,通过引入高斯变异提高算法的局部搜索能力,缩小算法的搜索空间。实验结果表明,改进后的算法在全局优化能力、收敛速度、运行速度和求解稳定性等方面均有大幅度提升。

基于FPGA的并行遗传算法硬件实现的研究

遗传算法具有天然的并行性。FPGA( Field programmable gate arrays)本质上的并行特性使其很适合用于实现并行的遗传算法。结合两者的并行特性 ,本文提出了一种基于 FPGA的并行遗传算法。选用了适合硬件实现的选择、交叉、变异算子 ,并将它们设计成流水线结构。整个设计采用了 XILINX公司的 XC2 V1 0 0 0型号的FPGA芯片。算法利用 VHDL语言来描述。实现后的测试表明 ,这种硬件遗传算法有效减少了运行时间 。

并行遗传算法的FPGA硬件实现研究

提出基于FPGA的并行遗传算法的硬件实现系统,从硬件实现角度提高遗传算法的收敛速度.硬件系统划分4个子系统,每个子系统同步而单独地运行一个群体大小为M的简单遗传算法,在简单遗传算法每代结束时,总控制器从4个子系统中选取1个最佳个体,然后复制到与其物理相邻的2个子系统中,实现子系统之间的信息交换.每个子系统采用5段流水线处理技术,即将子系统划分为解码操作、适应度计算、预选操作、随机地址比例选择操作以及交叉-变异操作5个单元.为了解决各段速度瓶颈,适应度计算采用4个具有加速模块的Nios处理器,预选操作采用M个取整电路,交叉-变异操作采用1个交叉部件和1个变异部件,解码操作采用2个解码部件的内部并行处理方式.用遗传算法标准测试函数测试该硬件系统,实验数据表明,由FPGA硬件实现的并行遗传算法同由软件实现的遗传算法相比,收敛速度大幅度提高,约2个数量级.

基于全流程并行遗传算法的贝叶斯网络结构学习

为解决海量数据情况下学习贝叶斯网络(Bayesian network,BN)结构的算法性能急剧降低问题,基于Spark框架设计了一种全流程并行遗传算法用于BN结构学习(简称为SparkGA-BN)。SparkGA-BN包含互信息计算并行化、遗传算子并行化和适应度评分并行化3个部分。互信息并行计算可以高效减少搜索空间;在演化前增加对种群信息与选择信息的广播来对全种群执行选择操作。选择与交叉算子共用选择信息以并行执行,从而高效演化并减少数据落盘时间。对约束和评分两阶段产生的中间数据作记忆化存储,提升数据复用率和全局执行效率。实验结果表明,所提算法在执行效率和学习准确率方面均优于对比算法。

基于并行自适应遗传算法的水文模型率定研究

【目的】参数率定是影响水文模型预报精度的重要因素,采用人工智能算法可以有效提高水文模型参数的率定效果。【方法】采用基于种群离散程度的自适应算子,对GA算法的交叉、变异和迁移过程进行自适应优化,并利用粗粒度并行计算模型提高种群进化效率,综合以上手段研究了一种基于自适应策略的并行遗传算法。将传统遗传算法(GA),串行自适应遗传算法(AGA)和并行自适应遗传算法(PAGA),应用于屯溪流域新安江模型的参数率定,从率定效率、率定收敛性、率定稳定性和率定效果四个方面,验证PAGA算法的综合性能。【结果】结果表明:PAGA算法的计算加速效果显著,在10核环境下相对于AGA算法计算时间减少了87.9%;在进化后期,PAGA算法能够更加稳定的收敛于最优解,收敛后的目标函数值具有更好的稳定性;在验证期的场次洪水模拟中,采用PAGA算法率定的模型模拟效果最优,总体洪水合格率大于90%,确定性系数均值为0.85。【结论】PAGA算法能够明显降低模型参数寻优耗时,改善模型率定效果和收敛性能,为水文模型参数的率定提供了新思路。

基于并行遗传算法的柔性作业车间导引车智能调度方法

针对柔性作业车间调度由于调度方法约束条件设置不合理、过早收敛,导致调度效果不佳的问题,提出基于并行遗传算法的柔性作业车间导引车智能调度方法。根据导引车的负载、空载状态与任务优先等级,制定目标导引车的任务分配依据,结合有向图与带时间窗模型,描述、界定导引车智能调度问题,引入并行遗传算法,利用染色体表示路径,设计调度方法,实现智能调度。实验结果表明,该方法可以根据实际情况调整引导车路径,调度时长为71 s,并且在相同时间内调度引导车数量达到了47辆,完成1 475个任务,其具有优越的调度能力,适应性优势显著。

基于分布式并行遗传算法的城市轨道交通列车跳停方案研究

为制定高效的城市轨道交通列车跳停方案,首先,需要在充分考虑列车跳停时间节省和跳停站下车旅客的选择倾向的基础上,建立以乘客整体出行效率最高为目标的列车跳停优化模型。其次,在传统遗传算法的基础上对初始种群进行并行处理,并设计迁移算子和各子种群的遗传算子,以提高模型求解效率。最后,分别采用传统遗传算法和改进的分布式并行遗传算法对城市轨道交通列车跳停算例进行求解,对比分析计算结果和算法收敛性。结果表明,改进算法获得的跳停节省率更高,说明改进后的列车跳停方案更加合理高效。

基于多种群遗传算法的航天复杂系统测试任务调度

针对航天复杂系统型号较多,传统测试流程与调度设计只能人工定制化排布,效率较低且未有效优化,同时,考虑到航天复杂系统快速测试的迫切需求,提出一种基于多目标遗传算法的航天测试流程自动生成方法。该方法在测试项集合明确的前提下,将测试项抽象为离散事件,以测试总时间和测试资源均衡度为优化目标,充分考虑航天器测试的诸多约束,将其作为遗传算法执行过程中交叉或变异的禁忌项。在初始种群确定后,对测试流程和调度方案进行自动生成和优化。对算例的仿真结果表明,该方法相对于同实验条件下的传统半串行测试方法和单目标优化方法,测试总时间或资源均衡度得到了较大提升。在进一步扩展优化目标和约束项后,该方法可有效提高航天复杂系统测试过程的快速响应能力和可靠性。

并行化改进遗传算法的FPGA高速实现方法

为提高硬件运行速度和资源利用率,利用硬件并行化的思想改进传统算法的处理模式,将遗传算法传统实现方法的控制部分分解到各模块内部,按照流水线模式,应用现场可编程逻辑门阵列(FPGA)高速实现。综合后时钟频率达到137.08 MHz,演化1代需64个时钟周期,即0.467μs。实现结构节约硬件资源,效率高,使大规模遗传算法的高速硬件实现成为可能。

GOP-MRPGA:基于MapReduce大数据计算模型的遗传算子前置并行遗传算法

提出了一种新的基于MapReduce大数据计算模型的PGA,该算法将遗传算子计算从Reduce阶段提前到Map阶段,从而获得了更好的并行度。通过四组实验验证了提出算法的性能,实验结果表明,提出的算法具有较高的计算效率。

基于模拟退火机制的多种群并行遗传算法

模拟退火和多种群并行遗传进化是两种较好的改进遗传算法性能的方法 .将这两种思想有机地结合起来 ,提出了一种基于模拟退火机制的多种群并行遗传算法 .仿真结果表明 ,该算法不仅能增强算法的全局收敛性 ,还能加快遗传进化速度 ,得到满意的全局最优值 .

多宇宙并行量子遗传算法

提出了一种多宇宙并行量子遗传算法 ,并从理论上证明了算法的全局收敛性 .算法中将所有的个体按照一定的拓扑结构分成一个个独立的子群体 ,称为宇宙 ;采用多状态基因量子比特编码方式来表达宇宙中的个体 ;采用通用的量子旋转门策略和动态调整旋转角机制对个体进行演化 ;采用量子非门实现量子变异以阻止早熟收敛 ;各宇宙独立演化 ,宇宙之间采用最佳移民和量子交叉操作来交换信息 ,提高算法的执行效率 .将该算法与独立分量分析算法相结合 ,提出一种盲源分离新方法 .仿真结果表明

基于遗传算法的多连接表达式并行查询优化

多连接表达式的并行查询优化是提高数据库性能的关键问题之一.提出了使用遗传算法来解决多连接表达式的并行查询优化问题.为了提高查询处理器的执行效率,采用启发式规则来搜索最优的多连接表达式并行调度执行计划.文中给出了详细的测试结果和性能分析.实验结果表明,结合启发式知识的遗传算法是解决多连并行查询优化的有效途径,对提高数据库的性能起到重要作用.

基于MPI的主从式并行遗传算法框架

遗传算法是一种求解复杂系统优化问题的有效工具.其本身具有的固有并行性,在并行系统构架下有着非常广阔的应用前景。本文对D.L.Carroll的“遗传算法驱动”进行了改进,加入对当前通用消息传递接口MPI的支持,形成了一个可重用的主从式并行遗传算法框架。并且,针对该框架使用通用遗传算法测试函数,在由两台双至强处理器的工作站组成的COW集群上进行了测试。该框架使不具有并行程序设计经验的用户,可以很方便的构造并行遗传算法程序。

并行设计子任务调度的遗传算法原理与实现方法

建立了设计子任务调度的目标模型 ,提出了一种针对并行设计子任务调度的遗传算法 应用结果表明 ,在满足子任务间偏序关系条件下 。

支持复杂产品并行拆卸序列规划的遗传算法

为高效求解复杂产品的并行拆卸序列规划问题,提出基于遗传算法的复杂产品并行拆卸序列规划方法.针对并行拆卸序列规划问题中拆卸序列长度和每步拆卸零部件个数不确定的特点,提出并行序列染色体编码方法,分别将拆卸单元序列和拆卸步长作为染色体的前段和后段,以此表示一个拆卸序列.基于该染色体编码,采用拆卸混合图描述产品零部件间装配约束关系和拆卸优先级,并导出拆卸约束矩阵和邻接矩阵,由矩阵随机获取可行的初始染色体种群;将基本拆卸时间和不可行拆卸惩罚因子作为优化目标来构建适应度函数,确保最优解的可行性;在初始染色体种群的基础上,适应度函数最小为优化目标,通过遗传、交叉和变异遗传算子实现并行拆卸序列的优化.最后通过实例验证了该方法的可行性和实用性.

基于实数编码的多种群并行遗传算法研究

针对标准遗传算法 (SGA)在实际应用中早熟收敛、解精度较低 ,以及传统的二进制编码方式带来的 Hamming悬崖问题等等缺点 ,提出了一种基于实数编码的多种群并行遗传算法 (RPGA) ,理论分析和实例计算的结果说明 RP-GA有效的提高了全局搜索能力和局部快速搜索能力 ,提高了遗传进化效率 ,对于改进 SGA的缺点是十分有效的 .

带工艺约束并行机调度问题的一种新的遗传算法

以最小化拖期任务数为目标 ,研究了解决一类带工艺约束并行机调度问题的新的遗传算法 .基于向量组的染色体编码方法简单、译码快速 ,并能自动满足工艺约束 ;扩展的顺序交叉算子EOX能自动满足工艺约束并尽量保留父代遗传信息 ,在较大程度上优于传统的交叉算子 ;位变异和交换变异相结合的变异方法有利于更好保持种群的多样性 .大量模拟数据与生产线应用实例表明本文所提的基于向量组编码的遗传算法是相当有效的 .

基于并行遗传算法的新安江模型参数优化率定方法

本文结合新安江模型参数的特点,以洪峰流量、峰现时间和洪水总量的合格率为评价目标,定义了评价洪水性能目标的模糊合格率,提出了新安江模型参数率定的并行遗传算法,并在微机集群环境下,利用JAVA语言进行了算法编程。串行和并行遗传算法计算结果的比较表明,本文提出的并行遗传算法可以大大缩短优化过程的时间,得到较为稳定的模型参数。

混沌伪并行遗传算法及其在火力分配优化中的应用

剖析了混沌模型的随机性、遍历性和初值敏感性的特点,提出了多种群伪并行混沌遗传算法.把多群体伪并行进化的并行性和混沌运动的内在随机性结合起来,利用不同的混沌扰动策略,把混沌变尺度映射机理应用到种群初始化和中间群体的优化进化实现函数优化.仿真结果表明,混沌伪并行遗传算法比伪并行遗传算法和简单遗传算法具有更快的收敛速度和更高的最优解搜索成功率,可对火力分配进行优化.