异构并行计算下高维混合型数据聚类算法研究

高维数据维度增加,数据空间的体积呈指数增长,容易陷入“维数灾难”,导致聚类算法执行效率低,为此,提出异构并行计算下高维混合型数据聚类算法。构建高维混合型数据相异度矩阵,提取高维混合型数据的统计序列特征值,利用时间窗口进行特征优化。采用K⁃Prototypes聚类算法提取高维混合型数据的统计序列特征,评估数据与类中心的相异性,计算数据与类中心的欧氏距离,实现高维混合型数据聚类。采用异构并行计算技术进行高维混合型数据K⁃Prototypes聚类的并行化处理,合理分配CPU与GPU工作,达到CPU与GPU的工作负载平衡,提高K⁃Prototypes的聚类效率。实验结果表明,此算法对于高维混合型数据的聚类效果好、运行时间短、性能稳定。

一种并行的正序变异的混合PSO算法研究与应用

为有效解决粒子群算法在求解路网问题时易陷入局部最优的缺点,根据高校地理数据和多核系统并行处理方式,将自平衡策略和变异思想结合且并行化,提出一种并行求解高校路网问题的正序变异的混合PSO算法。该算法引入适合此问题的自平衡正序变异策略且采用并行处理方式,使其生成相互独立子群体且并行求解,来提高算法求解精度,保证算法多样性及收敛,降低计算时间。实验以Visual Studio 2005中C++编程实现仿真,结果表明此算法不但能有效求解高校路网问题,而且比离散PSO算法、并行自平衡PSO算法的解更优。

聚类和NSGA-Ⅱ联合算法在混合流水车间的应用研究

为了改善某高端装备制造企业总装车间混流生产调度困难、批处理阶段产品组批困难的问题,以及实现车间多个目标的同步联合优化,研究了含批处理机的混合流水车间多目标优化问题。首先根据车间运行情况建立了多目标优化模型,之后提出了基于K-means聚类算法和非支配排序遗传算法(NSGA-Ⅱ)的联合方法,设计了能够对不相容产品进行分组的聚类流程,以及基于产品组编号和组内产品编号的双层编码方式,为批处理工序设计了完整的组批流程。最后,使用车间生产案例进行测试,并将测试结果同仅使用NSGA-Ⅱ得到的结果进行对比,验证了所提方法的有效性。

人机共站并行拆卸线平衡问题建模与混合教学优化算法

针对现有人机共站拆卸问题研究对任务间影响关系约束的不足,提出人机共站并行拆卸线平衡问题,以工作站开启数、空闲时间均衡指标、操作者总数和拆卸成本为优化目标,构建了其多目标混合整数规划模型。并提出一种混合教学优化算法求解,算法在原始教学优化算法的基础上融入自学操作和模拟退火操作,以保持种群多样性并避免算法陷入局部最优。应用数学规划软件LINGO精确求解所提问题的中小规模算例并与算法求解结果对比,验证了所建模型正确性与算法的有效性。最后,将所建模型与所提算法应用至大规模人机共站并行拆卸线实例中,通过与多种算法进行不同的对比试验,进一步验证了所提算法求解性能和求解质量的优越性。

基于自适应权重调整与差分进化策略的并行式混合蛙跳算法

针对标准混合蛙跳算法(SFLA)在复杂优化问题中出现的收敛速度慢、求解精度不高和运行效率低等问题,提出了一种基于自适应权重调整与差分进化(DE)策略的并行式混合蛙跳算法(P-DE-ASFLA)。在局部搜索过程中,采用邻近学习策略更新子群中的最优个体以加快算法的收敛;采用动态蛙跳规则更新子群中的最差个体以避免算法早熟收敛;在全局搜索过程中,采用DE策略对混合后的种群进行基因更新,增强算法的全局寻优能力。同时基于主从式并行架构,采用多进程技术使子群的局部搜索过程并行化,大幅提高了算法的运行效率。实验结果表明,所提算法在6个标准测试函数中的求解质量和运行效率要远优于标准SFLA和DE算法。

采用改进两点交叉算子的改进自适应遗传算法求解不相关并行机混合流水车间调度问题

针对不相关并行机的混合流水车间调度问题,提出了改进两点交叉算子(ITPX)的自适应遗传算法。首先,利用精确取点方式提高两点交叉算子的求解性能;其次,论证了基于激素调节的自适应选择概率引导种群的收敛趋势;然后,建立优质染色体池和记忆因子来记录种群迭代的优质解,并实现两种不同区域的交叉。实验结果表明,ITPX可节省优化时间,提高求解性能;自适应概率可增强收敛性;改进两点交叉算子的改进自适应遗传算法(ITPX-IAGA)可缩短40%以上的求解时间,并提高求解性能。

基于创新的混合算法在列车姿态测量系统中的应用研究

本文针对列车姿态测量系统中无线传感器网络的覆盖优化难题,提出了一种创新的混合算法—PGSO。该算法融合了粒子群算法优化出色的全局搜索能力与萤火虫算法在局部精细搜索方面的优势,旨在提升列车姿态测量系统中无线传感器网络的覆盖质量。实验显示,PGSO算法较PSO和GSO更快收敛、覆盖率更高、全局搜索能力更强,在列车姿态测量场景中表现卓越,有效解决了无线传感器网络覆盖优化问题。

一种混合并行算法及其在多相交直流混合电力系统中的应用

综合电力系统是典型的多相交直流混合电力系统,多由多相电机和电力电子设备构成。由于多相电机计算量大、端口数多,采用传统并行算法难以提高综合电力系统电磁暂态仿真效率,为此提出一种混合并行算法,该算法由元件级并行和网络级并行2部分组成。其中前者通过将计算量大的多相电机元件分拆为多个互相耦合的电机,以大幅减少单个元件的计算量和显著提高系统分区的灵活性;后者则利用元件级并行实现系统切分方案的优化设计和计算流程中等待时间的高效利用,从而显著提高网络并行计算的总体效率。典型综合电力系统算例的仿真结果验证了所提出算法的正确性和有效性。

求解不相关并行机混合流水线调度问题的人工蜂群算法

针对不相关并行机混合流水线调度问题的特点,设计了一种基于排列的编码和解码方法,提出了一种有效的人工蜂群算法.在引领蜂和跟随蜂搜索阶段采用3种有效的邻域搜索方法,以丰富搜索行为;在侦察蜂搜索阶段通过随机搜索对种群进行更新,以增强种群多样性.同时,通过试验设计方法对算法的参数设置进行了分析,给出指导性参数组合.通过基于典型实例的数值仿真以及与已有代表性算法的比较,验证了所提算法的有效性和鲁棒性.

一种基于PSO和GA的混合算法

结合PSO算法和GA算法的优势,提出了一种新颖的PSO-GA混合算法(PGHA)。混合算法利用了PSO算法的速率和位置的更新规则,并引入了GA算法里的选择、交叉和变异思想。通过混合算法对4个标准函数进行实验并与标准PSO算法比较,结果表明混合算法表现出更好的性能。

基于混合遗传退火算法的并行测试任务调度优化

并行测试任务的优化调度是并行测试技术的核心问题之一。可以充分利用混合遗传退火算法优异的全局最优搜索能力来寻找具有最大并行率的并行任务序列。首先,建立了并行测试任务调度问题的数学模型;给出了并行率的定义,设计了一种满足资源约束与任务时序约束的基因编码方法及相应的遗传退火操作方案。最后,对实例进行仿真实验,结果验证了该算法的有效性及优越性。

混合并行遗传算法求解TSP问题

该文应用多种群遗传并行进化的思想,对不同种群基于不同的遗传策略,如变异概率,不同的变异算子等来搜索变量空间,并利用种群间迁移算子来进行遗传信息交流,以解决经典遗传算法的收敛到局部最优值问题,对于TSP(Traveling Salesman Problem)进行了求解,仿真结果表明,该文算法的收敛性能优于经典遗传算法。

求解相同并行机混合流水线车间调度问题的分布估计算法

针对相同并行机混合流水车间调度问题,提出了一种有效的分布估计算法。针对基于排列的编码方式,设计了改进的启发式解码规则,进而提出了一种评价个体优劣的混合解码方式。建立了描述问题解空间分布的概率模型,通过对概率模型采样产生新个体,并基于优势种群更新概率模型的参数。通过基于标准测试集的数值仿真以及与已有算法的比较,验证了所提算法的有效性。

PSO和ABC的混合优化算法

通过将粒子群优化(Particle Swarm Optimization,PSO)算法与人工蜂群(Artificial Bee Colony,ABC)算法相结合,提出一种ABC-PSO并行混合优化算法。在每次迭代中,将种群分为两个子种群,一个子种群使用PSO算法,另一个子种群使用ABC算法,两个算法寻优后进行比较,选出最优适应值。通过混合算法对4个标准函数进行测试,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。

并行混合免疫算法及其在布局设计中的应用

布局问题在理论上属于NPC问题,在工程实践上具有广泛的应用。为较好地求解该问题,以并行遗传算法(PGA)为基础,针对其早熟和收敛速度慢两大缺陷加以改进,提出了并行混合免疫算法(PHIA)。该算法将免疫思想加入遗传算法起到了双重作用,一是免疫选择可有效地防止早熟,二是通过基于免疫记忆的子群体信息交换策略可加速收敛。算法采用混沌初始化,并依自适应交叉和变异的概率值对子群体进行分类,与Powell法混合可更好地改善局部搜索性能。以卫星舱和印制电路板布局设计为背景的算例验证了该算法的可行性和有效性。

混合并行机调度问题的多目标优化模型及算法

针对生产工序的合并造成一种串并联共存的生产布局,研究了一种特殊的混合并行机调度问题,并考虑以最小化总流水时间和最小化总延迟工件数量为目标的多目标调度问题,建立了混合整数规划模型.针对模型特点,设计了一种改进的非支配排序遗传算法进行求解,采用基于启发式方法的初始种群生成方式以提高种群的质量和多样性,并引入一种局域搜索策略以改善求解算法所获得的非支配解的质量及分布性.通过对大量数值算例进行仿真实验,并与典型的多目标优化算法进行比较,结果表明所提出的模型和算法在收敛性、分布性及极端点质量方面均具有优势,能够较好的解决多目标混合并行机调度问题.

PHGA-COFFEE:多序列比对问题的并行混合遗传算法求解

设计了一个求解多序列比对问题的并行混合遗传算法(与之相应的软件称为PHGACOFFEE).该算法采用COFFEE函数作为个体的适应度函数,构造了六种遗传算子,特别是设计了两种新颖的变异算子,其中一种变异算子基于COFFEE的一致性信息设计,以改善算法的整体搜索能力.另一种变异算子基于动态规划方法设计,以增强其局部搜索能力.通过对BAliBASE中144个测试例的测试,证明该算法是有效的.与已有的算法相比,该算法对处于朦胧区和具有N/C末端延伸的序列比对问题有更强的问题求解能力.同时通过对算法并行化,其运行时间显著缩短.

并行遗传/模拟退火混合算法及其应用

1 引言人们常常应用随机优化方法,例如:遗传算法GA(Genetic Algorithms),模拟退火算法SA(Simulated Annealing),爬山算法HC(Hill Climbing),Tabu算法等,解决复杂的非线性函数优化问题。这些方法通常需要大量的计算,从而导致运行时间开销较大。随着计算机及网络技术的高速发展,在高性能计算平台上并行化随机优化方法成为当今研究领域的热门。特别是Beowulf PCs Cluster技术的成熟。

PSO和Powell混合算法在医学图像配准中的应用研究

基于互信息的图像配准方法具有自动化程度高、配准精度高等优点 ,已被广泛应用于医学图像的配准。但是 ,基于互信息的目标函数经常是不光滑的 ,存在许多局部极值 ,给问题的求解带来了很大的困难。本文讨论了互信息函数的多极值特性 ,并提出了一种粒子群优化算法 (particleswarmoptimization ,PSO)和Powell混合优化方法。经检验 ,这种方法能有效地克服互信息函数的局部极值 ,大大地提高了配准精度 ,达到亚像素级。

模拟退火与蚁群混合并行算法解旅行商问题

求解TSP问题的智能优化算法主要包括蚁群算法和模拟退火算法等,这些算法求解TSP问题的速度比传统的精确求解算法有很大改进,但在问题的求解空间逐渐增加时,串行执行速度往往还是无法满足人们的需求.针对此问题,研究了蚁群算法、模拟退火算法以及两者的混合算法的并行实现方法,建立了PC机群实验平台,基于MPI环境对蚁群算法、模拟退火算法以及混合算法的并行算法进行了测试.根据理论研究和实际测试的结果,比较了并行算法和传统串行算法的性能差异,总结了利用PC机群系统求解旅行商问题的并行求解的可行性,得出了关于并行效率等方面的一些有意义的结论.