基于GSA的复杂产品关键质量特性识别

为了识别复杂产品关键质量特性(critical-to-quality characteristics,CTQs),提出基于遗传模拟退火算法(genetic simulated annealing algorithm,GSA)的特征选择算法。所提算法将遗传算法(genetic algorithm,GA)与模拟退火算法(simulated annealing algorithm,SA)结合,兼有不错局部搜索与全局搜索能力。提出一种综合适应度函数应用于所提算法,以同时优化CTQ集分类性能和所选质量特性数。算例结果表明,所提算法能有效过滤无关、冗余质量特性,识别关键质量特性;与Memetic算法和信息增益(information gain,IG)算法相比,所提算法在识别更少关键质量特性的同时,得到更高预测精度。

混沌模拟退火算法在无功优化中的应用

为了更有效地改进处理无功优化问题的方法,提出了混沌模拟退火(CSA)算法,该算法是一种基于混沌变量的改进模拟退火算法,结合了混沌算法的全局遍历性和模拟退火算法的启发式规则,在模拟退火算法的搜索过程中加入了混沌算法的优点。利用混沌算法确定算法的初始温度,有效地减小了搜索空间,同时利用混沌算法确定模拟退火算法中的扰动准则,使算法有效跳出局部最优解。最后将混沌模拟退火算法应用于电力系统无功优化中,通过对IEEE 6和IEEE 30节点以及实际129节点系统的仿真验证了该算法应用的有效性。

云环境下基于SLA的优化资源分配研究

针对云计算环境下如何高效分配资源,实现资源供应者利润最大化这一难题,提出了一种基于服务级别协议(SLA)的动态云资源分配策略。该策略通过将SLA中的计算力、网络带宽、数据存储等属性作为优化参数,构造了一种服务请求与资源的映射模型,同时设计相应的效用函数,并结合改进的与模拟退火算法相融合的混合粒子群算法(SA-PSO),实现云环境下的优化资源分配。实验分析结果表明,基于SLA参数的SA-PSO算法具有更好的全局最优值,在给定虚拟资源相同情况下,调用该算法完成用户任务实现的利润更高。

基于自适应学习搜索框架的混合分布估计算法

在元启发式算法自适应学习搜索框架下对分布估计算法和模拟退火算法的学习能力、深度搜索和广度搜索强度进行分析,针对分布估计算法广度搜索性能方面存在的问题,提出了一种将模拟退火算法融入分布估计算法的混合优化策略;以旅行商问题为例进行了仿真实验。实验结果表明,混合算法比分布估计算法和模拟退火算法具有更高的优化质量。