云计算环境中基于分布估计蛙跳算法的资源调度

针对云计算环境下的资源调度问题,提出了一种基于分布估计蛙跳算法的云资源调度策略。在运用混合蛙跳算法(SFLA)搜索全局最优解的同时,在SFLA的局部搜索环节引入基于群体的增量学习算法(PBILA),通过建立反映优质解分布的概率模型,增加子群间的协作、增强群体的全面学习能力。仿真实验结果表明:该资源调度策略不仅能够有效地避免陷入局部最优,而且较好地提升了全局收敛性能。

基于分布估计算法的Web服务组合优化

分布估计算法(EDAs)将遗传算法和统计学习相结合,并利用概率模型来描述变量之间的相互关系,提高解决高维问题的效率,降低时间复杂性,最终求出最优解。文中将分布估计算法应用于解决Web服务组合问题,并提出了基于分布估计算法的Web服务组合优化模型。仿真实验采用了EDAs中的基于群体的增量学习算法(PBIL),分析了服务类的数量以及采用精英保留策略对优化结果的影响。结果表明采用了精英保留策略的分布估计算法求解Web服务组合的问题是可靠有效的。

一种基于PBIL算法和变焦算法的混合算法

基于群体的增量学习(PBIL)算法具有运行过程简单、解决问题快速准确的优点.本文采用二进制编码,针对二进制编码的算法从二进制最高位到最低位依次收敛的多米诺现象,提出一种变焦算法用来提高PBIL算法的搜索效率和求解精度.基于多组不同维数的Benchmark函数的仿真结果表明,混合算法具有全局收敛、求解精度及搜索效率高的优点.