支持第四代语言的并行进化式软件开发模型CESD

目前,第四代语言(4GL)巳成为应用领域的主流软件开发工具。随着实践的深入,人们逐渐意识到:目前广泛流行的澡布式软件开发棋型不适应基于佑L的应用软件开发活动。究其原因在于二者刻画间翅空间思维方式的不匹配性。软件开发活动是一个不断反复、逐步求解的过程,4GL快速高效的开发生产率有效地支持了这一过程;而澡布式模型刻画软件开发活动过于呆板苛刻,未能很好地反映反复这一本质.此外,在应用软件开发过程中,很多开发活动实际上是可以并行的,这一点在开发实践中已得到验证,澡布式模型未能提出在较高抽象级上并行的机制.因此,软件开发模型如何从概念上到本质上支持基于4GL的软件开发活动,成为了重等解决的问题之一。一、并行进化式软件开发模型cEsD 如上所述,在传统的软件开发过程中很多开发活动是并行的。这给我们一个启示,能否在较高抽象级上便软件开发活动并行起来? 事实上,参与软件开发活动的往往是一个课题组的很多人.大型软件系统的开发甚至还要划分为若干个课题组,每一个子课题组解决一个或若干个子间题,实际上是可以并行工作的.因此,我们可以把一个软件系统的开发过程划分为若干个可以并行进行的成分,这个成分我们称为开发进程(珑vel叩-ment Proces,),每一个开发进程完成一个子系统或一个模块的开发任务.

自适应并行进化策略在配电网络重构中的应用

针对目前利用计算机技术进行中压电网运行方案优化问题,构造了网络运行方案优化的数学模型,提出了自适应多种群并行进化策略模型,采用多种群连接节点逐步扩展法求解问题线路对应的串位进化变异,并对算法进行了实现。算例分析证明,这种策略能够极大地降低网损,提高经济效益。

多种群并行进化神经网络的研究及应用

提出一种新的多种群并行遗传算法 (NMPGA) ,并将其作为多层前馈神经网络(MFNNs)的学习算法 ,从而形成一类新的 MFNN模型——多种群并行进化神经网络(MPENNs)。首先 ,对一给定的网络结构 ,随机产生一初始权重的集合 ,这个集合实际上对应着一组具有相同结构但不同权重的神经网络。然后 ,采用 NMPGA对 MFNNs的权重进行进化。最后 ,性能最好的网络被选作目标问题的解。在 NMPGA算法中 ,作者采用浮点数编码来克服传统二进制编码的精度不足问题 ,并设计了专门的杂交算子和变异算子来增强算法性能。实验结果表明 ,MPENNs能成功解决异或问题、三元奇偶问题及成品烟的感官质量评价问题。

未知远程环境下移动机器人导航的并行进化模型

本文分析了未知远程环境下移动机器人导航过程中进化学习的效率和知识更新问题 ,提出了并行进化模型来解决此问题 ,并设计和论证了高效的并行进化计算机 .

基于并行进化规划的Job Shop动态调度策略

针对具有路径柔性的 Job Shop动态调度问题 ,提出了基于并行进化规划、周期性和事件驱动的两种有 (无 )窗口的重调度策略 .仿真结果证实了算法的可行性和有效性 .

并行进化BP神经网络

基于并行进化种族间的协作和竞争机制，给出了ＣＰＣＡ算法。新算法的进化操作更符合自然选择机制，在动态增加新种族的同时，亦动态删除老化、竞争力弱的种族。该算法用来进化ＢＰ网，经实验证明能有效地提高解的质量，并降低进化时间。

常系数乘法器的分布式并行进化设计

为了进一步改善进化图生成EGG(Evolutionary Graph Generation)系统的性能,我们在EGG中引入了基于PCs簇Linux计算平台并使用消息传递接口MPI(Message-Passing Interface)技术成功地实现分布式的EGG并行系统DPEGG(Distributed and Parallel EGG)。实验结果充分表明DPEGG系统在生成的解质量方面略好于EGG系统。特别值得指出的是,DPEGG系统的运行时间开销还大大地减少了。

云计算环境下并行进化神经网络的设计研究

针对提高进化神经网络进化时效性,充分利用神经网络的训练数据,提出一种在云计算Hadoop平台环境下,使用进化算法对BP神经网络的权值和网络结构进行优化,通过分布并行计算,提高进化速度和效率。理论分析和实验结果表明,在数据量较大时,该方法能有效地提高神经网络计算精度。

应用并行进化策略求解柔性调度问题

该文研究应用多种群并行进化策略(MPES)求解FMS中的柔性调度问题。仿真结果表明,该算法能增强进化算法的全局收敛性,在多目标和复杂的多约束条件下,能得到满意的全局最优解。

嵌入式系统动态数据结构优化的并行进化算法

为了更好地解决现代多媒体嵌入式系统动态数据结构优化问题,结合NSGA-II和SPEA2两个多目标进化算法,引入岛屿模型和多线程机制,提出了一种并行多目标进化算法——PMOEA-NS。基于多核计算机系统,使用PMOEA-NS具体的3个不同并行算法和串行NSGA-II、SPEA2,对一个实际动态嵌入式应用程序进行优化实验和计算,结果表明:与串行算法NSGA-II和SPEA2相比,并行算法不但提高了优化过程的速度,而且改善了解的质量和多样性。

基于Spark大数据计算模型的多种群并行进化遗传算法

由于经典SPGA缺乏多种群并行进化能力,当问题规模较大时,计算效率偏低。为此,深入研究Spark大数据计算模型并行机制与多种群并行进化机制的潜在关系,将多种群并行进化机制引入经典SPGA,形成一种新的SPGA——MPE-SPGA;将提出的算法应用于TSP,选取EIL51、CH130和TSP225三种数据集,分别代表小型、中型和大型数据集。实验结果表明,提出的MPE-SPGA在小型数据集上计算时间比原算法减少3%,计算性能有小幅提升;在中型和大型数据集上,计算时间分别减少了22%和31%,性能提升显著。

基于混沌优化技术的并行进化模型及性能分析

提出了基于混沌优化技术的并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法、灾变算子,宇宙间采用基于学习机制的移民、基于混沌序列的信息交互,因此算法具有更好的种群多样性、更快的收敛速度和全局寻优能力。不仅从理论上分析了算法的性能,而且通过仿真实验验证了该算法的优越性。

一种并行免疫进化策略算法研究

基于克隆选择原理,提出一种自适应并行免疫进化策略.在算法中根据抗体抗原亲和度将初始抗体种群分为两个子群,相应地提出了精英克隆算子和超变异算子.通过精英克隆算子提高算法局部搜索能力,同时利用超变异算子维持种群多样性,通过这两个功能互补算子的并行操作实现种群进化.仿真表明,自适应并行免疫进化策略搜索效率高,能有效抑制早熟收敛现象,可用于解决复杂机器学习问题.

并行量子进化算法的研究与实现

分析讨论并行进化模型理论及性能,提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。并给出了多宇宙的并行拓扑结构,提出了宇宙内采用免疫量子进化算法,宇宙之间采用基于学习的移民和模拟量子纠缠的交互策略进行信息交换。这样能提高种群多样性,有效克服早熟收敛现象。算法综合了量子计算的天然并行性和免疫算法的充分自适应性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度。通过并行实验验证了该算法的优越性。

自适应并行混沌免疫进化规划

基于克隆选择原理，提出一种新的并行混沌免疫进化规划算法．在算法中，根据抗体抗原亲和度将抗体种群分为两个子群，相应的提出混沌克隆算子和超变异算子，混沌克隆算子在局部空间具有较强搜索能力，超变异算子在广阔空间具有大范围搜索能力，通过两个算子的并行操作使局部寻优和多样性保持相结合，从而提高算法的搜索效率．仿真表明，与传统进化规划（EP）和基于混沌变异的进化算法（EACM）相比较，并行免疫进化规划搜索效率高，能有效抑制早熟收敛现象，可用于解决复杂的机器学习问题．

基于双层进化的多种群并行人工蜂群算法

针对人工蜂群算法(ABC)容易陷入早熟收敛等不足,引入文化算法双层进化结构和多种群并行进化思想,提出基于双层进化的多种群并行人工蜂群算法(PMABC)。将采蜜蜂群划分为具有不同搜索策略的子种群并行进化,平衡全局开发能力与局部搜索能力,避免算法过早陷入局部最优。采用双层进化结构,采蜜蜂群作为种群空间寻找可行解,追随蜂群作为信仰空间,记忆采蜜蜂群搜索的优质蜜源并继续搜索。将其搜索结果用于指导蜂群寻优,可加速算法收敛,提高收敛精度。通过6个经典的适应度测试函数仿真验证了该算法能够有效避免陷入局部最优,具有较快收敛速度和较高收敛精度。

集中式粗粒度分布并行模型和并行进化神经网络

提出了一种分布计算环境下并行进化神经网络的实现机制 :集中式粗粒度模型 .该模型基于并行遗传算法 ,可以同时对前馈神经网络的结构和权值进行优化 .在分布计算环境中的实现为其在分布式网络中的应用开辟了广阔的前景 .初步的实验结果表明该模型可以加快神经网络的进化速度 ,提高进化的效率 .

基于并行协同进化的属性约简

提出一种求属性集合最小约简的新方法 ,即基于并行协同进化的属性约简方法 .该方法将并行遗传算法和协同进化算法相结合 ,能有效地处理具有大量属性的信息系统 .对各类实验数据的测试表明 ,该方法得到的属性约简量与基于属性重要性的约简方法相似 ,在某些情况下求得最小约简的可能性要高于属性重要性方法 .

SparkDE:一种基于RDD云计算模型的并行差分进化算法

云计算MapReduce并行编程模型广泛应用于数据密集型应用领域,基于该模型的开源平台Hadoop在大数据领域获得了成功应用。然而,对于计算密集型任务,特别是迭代运算,频繁启动Map和Reduce过程将导致负载过大,影响计算效率。弹性分布式数据集(RDD)是一种基于内存的集群计算模型,有效地支持迭代运算,能够克服负载过大的问题。因此提出基于RDD模型的并行差分进化算法SparkDE。SparkDE首先将整个种群划分为若干个独立岛,然后将一个岛对应RDD中的一个分区,每个岛在RDD的一个分区中独立进化指定代数后,利用迁移算子在岛之间交换信息。利用标准测试问题对SparkDE、基于MapReduce模型的MRDE和基本DE进行对比实验研究。实验结果表明SparkDE求解精度高,计算速度快,加速效果明显,可以作为云计算平台的下一代优化器。

一种有效的基于并行量子进化算法的图像边缘检测方法

本文基于费用函数最小化方法,提出一种混合并行量子进化算法用于文本图像的边缘检测。量子进化算法是一种基于量予计算的概念和理论(诸如量子比特和量子叠加态)的进化算法,它采用了量子编码来表征染色体,由于量子比特的概率表示,能够表示出解的线性叠加状态。此外,量子进化算法具有收敛快和好的全局搜索特性,因此它比传统的进化算法更适于并行结构的实现。我们将这一算法和局部搜索算法相结合,用于图像的边缘检测问题,得到了令人满意的检测效果,并对噪声有较好的抑制作用。