MapReduce平台上面向大规模Web服务组合问题的并行引导变异进化算法

大规模服务组合是一种通过将不同领域的大量服务按照一定的流程组合起来以满足用户需求的策略。然而,在当今服务数量巨大并且种类颇多,外加用户需求日益复杂的情况下,快速生成一个满足用户要求的最佳QoS的复合服务是一项值得研究的问题。对此提出了以MapReduce模型为基础的引导变异进化算法(MR-GMEA),该算法能够更好地适用于当前大规模服务组合的主观与客观需求并且可以缩短执行时间,此外其中引入的skyline算子在开始阶段剔除了大量冗余服务,从而提高了效率。最后通过仿真验证,证明了该方法的可行性与优越性。

基于两步变异差分进化算法的激电测深一维反演

激电测深一维反演是一个多参数非线性优化问题。本文基于改进的两步变异差分进化全局最优化算法实现了激电测深的一维反演。传统的差分进化算法包含变异、交叉和选择操作,变异为单步变异。本文提出的两步变异法分步将最优个体与随机选取的两个个体经变异后产生新个体。加强了最优个体的影响度,提高了全局寻优能力。通过模型试算结果表明,两步变异法比传统方法寻优能力更强。利用等效电阻率法加载极化率参数,通过数字滤波算法可快速正演计算层状模型表面激电测深电阻率曲线,在此基础上应用两步变异差分进化算法不断变异产生新个体,正演计算电阻率与观测值进行拟合,选择适应度值趋近于最大适应度值的个体作为反演结果。本文反演方法操作简便,计算速度快。通过对H型和KH型地电模型进行计算,得出本反演方法有较高的拟合精度。

基于变异进化的不固定牵引方式双肩回交路机车最优配置算法

建立了不固定牵引方式双肩回交路机车周转图的数学模型,以机车在两折返段和基本段总停留时间最少为目标,设计了求解该机车运转制机车最优配置的一种变异进化算法.该算法根据个体适应度的优劣而对个体进行不同程度的变异,并采用启发式变异和随机变异两种变异策略,不但优秀个体的染色体中优良模式能够最大程度地遗传给子代,而且又保持了子代的多样性,有助于提高算法的优化性能和收敛速度.以某列车运行图为例仿真计算,所求得的机车段内总停留时间和需要的机车数比该运行图分别减少约23.8%和9.8%,并与遗传算法进行了比较.

基于自适应变异差分进化算法的电弧时域模型

随着电弧炉功率不断增大,电弧炉对供电网络的负面影响越来越受到关注。主要的负面影响是引起谐波、电网电压波动和闪变。因此,建立精确的电弧模型,对于研究上述问题有着重要的意义。新的电弧时域模型以能量守恒定律为基础,用非线性微分方程描述电弧电导与电流之间的函数关系,并且利用现场检测到的数据,采用自适应变异差分进化算法对参数进行辨识。通过调整参数,模型完全可以模拟电弧炉冶炼过程的电弧特性。仿真结果表明,模型输出的电压、电流与现场实测数据一致,验证了模型的正确性。

NGI尺度收缩混沌变异QoS组播路由算法

IP/DWDM光Internet是下一代互联网主要组网技术之一,服务质量组播路由算法是其一个研究热点,已经证明它是NP完全的。为此设计了一种非NP类算法,基于尺度收缩混沌变异进化算法,构造一棵带宽、延迟、延迟抖动和出错率受限且费用优化的QoS组播路由树,兼顾网络负载均衡。仿真研究表明,该算法是可行和有效的,较好地克服了传统遗传算法的早熟和收敛性差的问题。

一种新的混合策略进化算法

进化计算已成功地运用到各种数值优化和组合优化问题中,而运用单一变异算子的进化算法总是存在着对某种函数优化问题性能良好,对另一些却不尽人意的问题。提出一种基于经典进化算法和单点变异算法的混合策略进化算法SPCEP。SPCEP算法利用两种变异算子各产生一个后代个体,并选择较好的一个作为唯一的后代。实验结果表明,在处理高维单模函数时,SPCEP的性能比CEP和SPMEP有显著的提高。

带有混沌变异的双种群伪并行PSO-DE混合算法

在求解全局优化问题时,采用单个PSO、DE算法有一定的不足,为了弥补这些不足,给出一种带有混沌变异的双种群伪并行PSO-DE混合算法(MPSODE)。通过对六个标准测试函数进行测试,结果表明,该混合算法是一种鲁棒性较强、求解精度高、收敛速度快的全局优化算法。

改进差分进化算法下的MIMO雷达波形设计

由于正交MIMO雷达展现出的性能优势,正交波形的设计受到了很大的关注。其中,完全互补码(CCC)在零多普勒轴附近展现出了良好的正交性。然而,多普勒旁瓣会随着多普勒频率的增加快速增长。本文将一种基于改进变异策略的自适应差分进化算法(MMADE)应用到完全互补码的设计问题中来。仿真结果表明,在此方法中,完全互补码的抗多普勒性能得到显著提高,同时在不同码长的完全互补码设计中也表现出很好的效果。

基于KFCM和AMDE-LSSVM的软测量建模方法

针对软测量建模过程中模型存在失效问题,提出了一种基于KFCM和AMDE-LSSVM多模型的软测量建模方法;首先,采用核模糊C均值聚类(Kernel-based fuzzy c-means algorithm,KFCM)对训练样本数据进行划分,然后利用最小二乘支持向量机(least squares vector machina,LS-SVM)对每个聚类建立子模型,并使用自适应变异差分进化算法(Adaptive Mutation different evolution,AMDE)对最小二乘向量机中的径向基宽度和惩罚系数进行寻优;将提出的算法用于秸秆发酵关键参数乙醇浓度、基质浓度(总糖浓度)、菌体浓度检测中,通过软测量建模得到的预测值与离线化验值进行对比,证明方法的有效性;实验结果表明,改进后的算法克服了差分进化算法中容易陷入局部最优,早熟收敛的现象;建立的新模型相比单一模型,乙醇浓度、基质浓度(总糖浓度)、菌体浓度测量误差分别为0.64%,1.85%和0.75%,具有更好地适应秸秆发酵过程、提高测量精度的优势。