基于全流程并行遗传算法的贝叶斯网络结构学习

为解决海量数据情况下学习贝叶斯网络(Bayesian network,BN)结构的算法性能急剧降低问题,基于Spark框架设计了一种全流程并行遗传算法用于BN结构学习(简称为SparkGA-BN)。SparkGA-BN包含互信息计算并行化、遗传算子并行化和适应度评分并行化3个部分。互信息并行计算可以高效减少搜索空间;在演化前增加对种群信息与选择信息的广播来对全种群执行选择操作。选择与交叉算子共用选择信息以并行执行,从而高效演化并减少数据落盘时间。对约束和评分两阶段产生的中间数据作记忆化存储,提升数据复用率和全局执行效率。实验结果表明,所提算法在执行效率和学习准确率方面均优于对比算法。

基于并行自适应遗传算法的水文模型率定研究

【目的】参数率定是影响水文模型预报精度的重要因素,采用人工智能算法可以有效提高水文模型参数的率定效果。【方法】采用基于种群离散程度的自适应算子,对GA算法的交叉、变异和迁移过程进行自适应优化,并利用粗粒度并行计算模型提高种群进化效率,综合以上手段研究了一种基于自适应策略的并行遗传算法。将传统遗传算法(GA),串行自适应遗传算法(AGA)和并行自适应遗传算法(PAGA),应用于屯溪流域新安江模型的参数率定,从率定效率、率定收敛性、率定稳定性和率定效果四个方面,验证PAGA算法的综合性能。【结果】结果表明:PAGA算法的计算加速效果显著,在10核环境下相对于AGA算法计算时间减少了87.9%;在进化后期,PAGA算法能够更加稳定的收敛于最优解,收敛后的目标函数值具有更好的稳定性;在验证期的场次洪水模拟中,采用PAGA算法率定的模型模拟效果最优,总体洪水合格率大于90%,确定性系数均值为0.85。【结论】PAGA算法能够明显降低模型参数寻优耗时,改善模型率定效果和收敛性能,为水文模型参数的率定提供了新思路。

基于分布式并行遗传算法的城市轨道交通列车跳停方案研究

为制定高效的城市轨道交通列车跳停方案,首先,需要在充分考虑列车跳停时间节省和跳停站下车旅客的选择倾向的基础上,建立以乘客整体出行效率最高为目标的列车跳停优化模型。其次,在传统遗传算法的基础上对初始种群进行并行处理,并设计迁移算子和各子种群的遗传算子,以提高模型求解效率。最后,分别采用传统遗传算法和改进的分布式并行遗传算法对城市轨道交通列车跳停算例进行求解,对比分析计算结果和算法收敛性。结果表明,改进算法获得的跳停节省率更高,说明改进后的列车跳停方案更加合理高效。

基于多种群遗传算法的航天复杂系统测试任务调度

针对航天复杂系统型号较多,传统测试流程与调度设计只能人工定制化排布,效率较低且未有效优化,同时,考虑到航天复杂系统快速测试的迫切需求,提出一种基于多目标遗传算法的航天测试流程自动生成方法。该方法在测试项集合明确的前提下,将测试项抽象为离散事件,以测试总时间和测试资源均衡度为优化目标,充分考虑航天器测试的诸多约束,将其作为遗传算法执行过程中交叉或变异的禁忌项。在初始种群确定后,对测试流程和调度方案进行自动生成和优化。对算例的仿真结果表明,该方法相对于同实验条件下的传统半串行测试方法和单目标优化方法,测试总时间或资源均衡度得到了较大提升。在进一步扩展优化目标和约束项后,该方法可有效提高航天复杂系统测试过程的快速响应能力和可靠性。

基于粗粒度并行遗传算法的隔震层参数优化

针对基于经典遗传算法的隔震层参数优化方法效率不高的问题,提出一种基于粗粒度并行遗传算法的隔震层参数优化方法。利用Python的多进程机制和Python与ETABS的交互,实现CPU各核同时调用ETABS并进行遗传操作,最后通过一个隔震工程的实例进行验证。结果表明:采用粗粒度并行遗传算法进行隔震层参数优化,与原设计结果相比,优化后的隔震结构性能更优;同时,用10核CPU计算,与经典遗传算法相比,该方法既能准确得出全局最优解,又可显著提高优化效率,加速比约为6,可基本满足隔震工程设计的及时性需求,具有较好的工程应用价值。

基于并行遗传算法的高轨卫星导航选星方法

高轨航天器自主导航能力在北斗三号卫星导航系统建成后得到了增强,但是也带来了部分时刻可见星数量冗余的问题。为降低运算量以保证服务的实时性,提出一种利用多种群并行遗传算法(PGA)进行快速选择当前最优可见星组合的方法。该方法将加权精度因子(WDOP)作为适应度评判标准,利用粗粒度式并行划分成的多个子种群进行搜索加速,并通过变异因子差异化设置与子种群间的信息交流来提高搜索能力。对多个典型高轨环境下7颗及以上选星任务的仿真测试表明,基于PGA的选星方法解相比遍历法所求最优解绝对误差平均值小于0.1,相对误差最大不超过1%。仿真结果表明,在典型高轨环境F1接收机利用四系统组合导航时,所提方法可以有效地快速、准确完成指定卫星数的选星任务。

基于FPGA的并行遗传算法硬件实现的研究

遗传算法具有天然的并行性。FPGA( Field programmable gate arrays)本质上的并行特性使其很适合用于实现并行的遗传算法。结合两者的并行特性 ,本文提出了一种基于 FPGA的并行遗传算法。选用了适合硬件实现的选择、交叉、变异算子 ,并将它们设计成流水线结构。整个设计采用了 XILINX公司的 XC2 V1 0 0 0型号的FPGA芯片。算法利用 VHDL语言来描述。实现后的测试表明 ,这种硬件遗传算法有效减少了运行时间 。

并行遗传算法的FPGA硬件实现研究

提出基于FPGA的并行遗传算法的硬件实现系统,从硬件实现角度提高遗传算法的收敛速度.硬件系统划分4个子系统,每个子系统同步而单独地运行一个群体大小为M的简单遗传算法,在简单遗传算法每代结束时,总控制器从4个子系统中选取1个最佳个体,然后复制到与其物理相邻的2个子系统中,实现子系统之间的信息交换.每个子系统采用5段流水线处理技术,即将子系统划分为解码操作、适应度计算、预选操作、随机地址比例选择操作以及交叉-变异操作5个单元.为了解决各段速度瓶颈,适应度计算采用4个具有加速模块的Nios处理器,预选操作采用M个取整电路,交叉-变异操作采用1个交叉部件和1个变异部件,解码操作采用2个解码部件的内部并行处理方式.用遗传算法标准测试函数测试该硬件系统,实验数据表明,由FPGA硬件实现的并行遗传算法同由软件实现的遗传算法相比,收敛速度大幅度提高,约2个数量级.

基于并行计算和遗传算法的钢-UHPC华夫板组合梁优化设计

为实现钢-超高性能混凝土(UHPC)华夫板组合梁结构快速经济合理的设计,提出了基于并行计算与遗传算法的结构优化设计方法.通过Python建立了并行计算平台,使Abaqus和Python能够执行同步数值模拟和数据处理,以成本最小化为目标,采用遗传算法对钢-UHPC华夫板组合梁进行了优化,验证了所提方法的可行性.结果表明,遗传算法中密集的分析任务可以并行化并分配给不同的计算资源以提高计算效率;使用并行计算可以提高8.6倍的优化效率;并行计算和串行计算的CPU平均使用率分别为82%和18%.本文方法的成功应用可为其他类型结构的优化设计提供参考.

基于多解并行遗传算法预测RNA二级结构及假结

非编码RNA功能通常与其结构密切相关,准确预测RNA的二级结构有助于揭示RNA的功能。在传统的遗传算法基础上,结合RNA二级结构和假结的特点,提出一种多解并行的遗传算法预测RNA二级结构和假结。首先构建茎区池和初始解集;然后根据RNA二级结构的基本特点建立目标函数、约束函数、自适应度函数和相应的遗传算子,基于初始解集中多条序列—结构模型进行并行遗传迭代,预测最优RNA二级结构;然后在RNA二级结构基础上,使用遗传算法继续进行迭代和筛选,预测含假结的RNA二级结构。实验结果表明,该方法不仅可以解决大规模茎区的组合问题,还可以减少随机性。该方法与常用的预测假结的IPknot方法比较,对单序列RNA的结构预测结果正确率高且稳定。

基于并行遗传算法的微电网控制方法研究

微电网快速普及背景下,如何对微电网进行高效控制成为电力从业人员重点关注的问题。鉴于此,引入并行遗传算法技术,构建微电网最优控制模型,确定微电网控制约束条件,并以此为基础设计微电网最优控制软件,借助该软件实现对于微电网的有效控制。

基于改进自适应遗传算法的并行测试任务调度

针对并行测试任务调度需要避免资源竞争、系统死锁与饿死,导致调度方案优化困难的问题,提出了一种基于改进自适应遗传算法的任务调度算法。该算法设计了种群相异度函数作为评价种群多样性的标准,并根据种群相异度自适应调节交叉与变异概率以保证整个迭代过程中种群的多样性。在某自动测试系统中的测试结果和算法对比表明,该算法可以有效解决并行测试任务调度问题,能够减小陷入局部最优解的可能性,提高算法搜索最优解的效率与准确性,实现较好的搜索性能。

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。

并行化改进遗传算法的FPGA高速实现方法

为提高硬件运行速度和资源利用率,利用硬件并行化的思想改进传统算法的处理模式,将遗传算法传统实现方法的控制部分分解到各模块内部,按照流水线模式,应用现场可编程逻辑门阵列(FPGA)高速实现。综合后时钟频率达到137.08 MHz,演化1代需64个时钟周期,即0.467μs。实现结构节约硬件资源,效率高,使大规模遗传算法的高速硬件实现成为可能。

GOP-MRPGA:基于MapReduce大数据计算模型的遗传算子前置并行遗传算法

提出了一种新的基于MapReduce大数据计算模型的PGA,该算法将遗传算子计算从Reduce阶段提前到Map阶段,从而获得了更好的并行度。通过四组实验验证了提出算法的性能,实验结果表明,提出的算法具有较高的计算效率。

基于模拟退火机制的多种群并行遗传算法

模拟退火和多种群并行遗传进化是两种较好的改进遗传算法性能的方法 .将这两种思想有机地结合起来 ,提出了一种基于模拟退火机制的多种群并行遗传算法 .仿真结果表明 ,该算法不仅能增强算法的全局收敛性 ,还能加快遗传进化速度 ,得到满意的全局最优值 .

多宇宙并行量子遗传算法

提出了一种多宇宙并行量子遗传算法 ,并从理论上证明了算法的全局收敛性 .算法中将所有的个体按照一定的拓扑结构分成一个个独立的子群体 ,称为宇宙 ;采用多状态基因量子比特编码方式来表达宇宙中的个体 ;采用通用的量子旋转门策略和动态调整旋转角机制对个体进行演化 ;采用量子非门实现量子变异以阻止早熟收敛 ;各宇宙独立演化 ,宇宙之间采用最佳移民和量子交叉操作来交换信息 ,提高算法的执行效率 .将该算法与独立分量分析算法相结合 ,提出一种盲源分离新方法 .仿真结果表明

基于遗传算法的多连接表达式并行查询优化

多连接表达式的并行查询优化是提高数据库性能的关键问题之一.提出了使用遗传算法来解决多连接表达式的并行查询优化问题.为了提高查询处理器的执行效率,采用启发式规则来搜索最优的多连接表达式并行调度执行计划.文中给出了详细的测试结果和性能分析.实验结果表明,结合启发式知识的遗传算法是解决多连并行查询优化的有效途径,对提高数据库的性能起到重要作用.

基于MPI的主从式并行遗传算法框架

遗传算法是一种求解复杂系统优化问题的有效工具.其本身具有的固有并行性,在并行系统构架下有着非常广阔的应用前景。本文对D.L.Carroll的“遗传算法驱动”进行了改进,加入对当前通用消息传递接口MPI的支持,形成了一个可重用的主从式并行遗传算法框架。并且,针对该框架使用通用遗传算法测试函数,在由两台双至强处理器的工作站组成的COW集群上进行了测试。该框架使不具有并行程序设计经验的用户,可以很方便的构造并行遗传算法程序。

并行设计子任务调度的遗传算法原理与实现方法

建立了设计子任务调度的目标模型 ,提出了一种针对并行设计子任务调度的遗传算法 应用结果表明 ,在满足子任务间偏序关系条件下 。