求解大规模优化问题的云差分进化算法

针对大规模优化问题求解难、差分进化算法运算时间长等问题,利用云计算MapReduce并行编程模型,结合差分进化算法隐含并行性,提出云差分进化算法。该算法利用Hadoop集群平台,采用多子群机制,并将子种群与Map任务形成一一对应关系;算法的各个子种群之间根据拓扑结构进行个体迁移,以增加其多样性,从而能搜索更大的范围,提高寻优的几率。仿真实验结果表明,云差分算法能有效地减少求解大规模优化问题的时间消耗,并且取得较好的精度。

高维优化问题的多策略云差分进化算法

针对传统差分进化算法在求解高维优化问题时,耗时长、精度不高的问题,提出一种基于多种群机制的混合策略的云差分进化算法。将种群划分成若干子种群,各子种群采用不同的策略并行进化;种群进化若干代数后,按拓扑结构进行个体迁移,增加多样性,提高寻优机率。利用MapReduce模型,将子种群分发到集群上并行,提高求解速度。仿真结果表明,该算法在求解1000维的13个优化问题时,能取得较好的精度,提高求解效率。

SparkDE:一种基于RDD云计算模型的并行差分进化算法

云计算MapReduce并行编程模型广泛应用于数据密集型应用领域,基于该模型的开源平台Hadoop在大数据领域获得了成功应用。然而,对于计算密集型任务,特别是迭代运算,频繁启动Map和Reduce过程将导致负载过大,影响计算效率。弹性分布式数据集(RDD)是一种基于内存的集群计算模型,有效地支持迭代运算,能够克服负载过大的问题。因此提出基于RDD模型的并行差分进化算法SparkDE。SparkDE首先将整个种群划分为若干个独立岛,然后将一个岛对应RDD中的一个分区,每个岛在RDD的一个分区中独立进化指定代数后,利用迁移算子在岛之间交换信息。利用标准测试问题对SparkDE、基于MapReduce模型的MRDE和基本DE进行对比实验研究。实验结果表明SparkDE求解精度高,计算速度快,加速效果明显,可以作为云计算平台的下一代优化器。

MapReduce模型下的分布式差分进化算法

差分进化算法简单、高效且鲁棒性好.然而在求解大规模优化问题时,其性能随着问题维度的增加会迅速降低.针对此问题,提出一种基于MapReduce编程模型的分布式差分进化算法.算法采用改进的精英学习策略和岛模型两种机制,提高算法的收敛精度.利用MapReduce并行编程模型,构建分布式差分进化算法,并将其部署到分布式集群Hadoop上.利用13个标准测试问题进行仿真实验,实验结果表明该算法求解精度高,且具有较好的加速比和扩展性,是求解大规模优化问题的有效方法.

大学物理实验数据计算机检验、处理系统的研制

分析、介绍了大学物理实验数据检验、处理系统的功能,提出了建立系统的意义,分析了数据检验的实验类型,具体地给出了实现各个功能的方案以及相关技术。

基于MapReduce模型的分布式粒子群算法

通过对传统的单种群粒子群算法的分析,提出一种基于MapReduce模型的分布式粒子群算法,解决粒子群算法在求解大规模优化问题时求解效率和精度明显下降等问题。在粒子群进化过程中,粒子速度和位置的更新采用惯性权重的方法,其权重值线性递减,并且利用多子群进化策略,提高算法的收敛精度。通过MapReduce模型实现算法的并行化,有效提高算法求解效率。选取目前比较流行的几种算法,并在13个500维、1 000维的标准测试函数上仿真试验,结果显示该算法具有良好的优化性能。