改进免疫克隆算法的Job Shop调度

提出了基于种群协同进化的并行免疫克隆算法,将种群中个体的亲和度计算并行在多个计算节点上同时进行。引入免疫记忆机制,使抗体种群的演化过程和记忆单元的演化过程并行进行,更好地实现了抗体间的相互协作,保证了解集从可行域内部和不可行域边缘向着最优解逼近。采用了克隆增殖变异和交叉算子的操作,增加了种群中优秀个体获得克隆增殖实现亲和度成熟的机会,提高抗体群分布的多样性,在深度搜索和广度寻优之间取得了平衡。从而保证了算法较强的收敛性以及搜索空间的多样性。利用标准问题库对算法进行测试,并分析算法参数对算法结果的影响,仿真结果表明,该算法对待寻优空间的全局搜索能力和局部搜索能力以及算法的稳定性与计算速率都要强于简单免疫克隆算法和遗传算法等优化算法。

网格环境下基于免疫克隆策略的资源分析和任务调度

网格将多种资源组织在一个统一的框架下,为各种复杂的计算任务提供资源。因此计算任务在各种资源之间的调度成为了一个关键的问题。将遗传算法和免疫克隆算法结合起来,充分发挥各自的优势,先通过克隆操作来产生一组新的个体,然后再独立地对所产生的各个体进行克隆变异,克隆交叉操作,从而求得问题的最优解。实验结果表明,这种并行遗传免疫克隆算法全局寻优能力强,能有效地实现资源的负载均衡,可以成功地应用于网格任务调度中。