多策略融合的蛇优化算法及其应用

针对蛇算法寻优阶段交互性差,初始种群随机程度严重,易陷入局部最优解等问题,提出了一种多策略融合的蛇优化算法(multi-strategy snake optimizer, MSSO)。首先,利用正交矩阵对蛇种群进行初始化,使个体分布更加均匀;其次,设计探索开发阶段切换的自适应方程,用以替换原有的食物量与温度阈值,使算法进行自适应阶段切换;最后,使用联合反向选择策略替换算法原有的新个体孵化方法,提高算法收敛精度的同时加快算法收敛效率。选取10个基准测试函数从不同角度对MSSO算法进行实验,测试算法性能,分析各策略的有效性,并使用Wilcoxon秩和检验来证明算法显著性,通过两个工程应用仿真实验来验证MSSO的实用性。各实验结果表明MSSO较比较算法综合表现更优,证明MSSO算法改进在寻优能力、鲁棒性、实用性等方面均有所提升。

一种面向医疗人力资源应急调度的优化算法设计

在医疗人力资源应急分配和调度算法中,常见的权重分配法局限性较大,最终结果无法包含全部的最优解,难以获得最佳方案。针对这一问题,文中提出使用多目标粒子群算法来综合多个要素对数据进行训练,通过粒子适应度对比求得最优值,同时使用正交方法初始化粒子群,以保证解的收敛性。在算法性能的测试实验中,所提算法的最优值均小于对比算法,且在优化结束时的迭代次数最少,证明了其具有良好的综合性能。在实例分析中,该算法能够有效地计算出新冠疫情初期武汉市各定点医院人力分配的最佳方案,实现了人力资源的快速优化调度,应用价值较为理想。

模糊云资源调度问题的RIOPSO算法

针对时间-成本约束下的云资源调度问题,使用三角模糊数表示不确定的任务执行时间,建立了模糊云资源调度模型,调度的目标是降低任务总的执行时间和总的成本消耗,决策变量是任务和虚拟机的映射关系。使用混合粒子群优化算法(RIOPSO)对模糊云资源调度进行求解。该算法使用了正交初始化粒子群的方法,提升粒子初始探索最优调度方案的质量,在粒子搜索过程中使用重新随机化控制粒子的搜索范围,使用实时更新惯性权重的方式控制粒子在搜索中的速度,从而得到最优的调度方案。在Cloudsim仿真平台上使用随机生成的仿真数据,对提出的问题模型和优化算法进行验证,证明了模型的可靠性,实验结果表明使用提出的优化算法,可以达到使云资源调度中总执行时间和总执行成本降低的目的,并且在收敛速度、求解能力方面具有良好的性能。

基于混合粒子群算法的QoS选播路由优化算法

本文提出一种基于混合粒子群算法的QoS选播路由优化算法。算法针对QoS的多约束条件特点,采用了混沌搜索思想来增强算法局部搜索能力,并且通过正交初始化种群和交叉选择来增加粒子的多样性,提高算法精度。仿真结果对比表明,算法优化效果明显。