基于云模型和余弦跳跃权重的改进蛙跳算法

标准蛙跳优化算法(SFLA)有寻优精度低和易陷入局部收敛区域的缺点,为提高其性能,提出一种基于云模型局部搜索和余弦跳跃权重更新位置的改进蛙跳算法(CSFLA).首先通过Tent混沌映射和反向学习生成种群,使种群的分布更均匀,利用云模型的正态特性对子群中的优秀个体的所在区域进行探索.同时,对种群中其他个体引入基于余弦函数的跳跃步长权重,使该权重在整个迭代过程中由高以不同的速率下降,提高种群的全局搜索能力.最后,将CSFLA与多个优化算法在不同类型的测试函数上进行了比较.结果表明,CSFLA具有更好的收敛速度和精度,能有效找出全局最优解.并且将改进算法应用至旅行商问题,该算法可以找到总路程更短的路线.

多边缘节点场景下的计算任务卸载算法

针对多边缘卸载环境下存在异地边缘服务器设备空闲从而导致资源浪费以及效率低和能耗大的问题,提出了一种基于改进蛙跳算法的多边缘多设备卸载模型,随机生成终端设备位置并判断其可卸载服务器的列表,将时延与能耗的加权和作为判断卸载决策优劣的目标函数,且为满足计算任务卸载模型的需求,对标准蛙跳算法进行改进,加入自适应权重同时基于异或操作进行青蛙个体位置的更新,并引入遗传算法的变异思想。最后,将提出的卸载算法与4种其他主流卸载算法进行对比,仿真实验结果表明提出的卸载方案得到的卸载决策更优,目标函数值即时延和能耗的优化明显优于其他算法。