混合粗粒度遗传算法在约束最优化问题中的应用

选取粗粒度遗传算法,并针对其过早收敛、收敛速度慢的缺陷进行改进,提出混合粗粒度遗传算法。混合粗粒度遗传算法按照适应度函数值对染色体群体进行分组,各分组采用不同的惩罚系数、交叉、变异算子;同时采用同种互斥和最优解保留策略。实验结果表明该算法在约束最优化问题中应用良好。

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Hadoop MapReduce和粗粒度并行遗传算法的大数据聚类方法改进

为了提高并行遗传算法在大数据聚类问题中的时间效率,通过利用粗粒度遗传算法的并行化思想,提出了Hadoop平台上基于MapReduce计算框架的粗粒度遗传算法的并行化设计。该思想主要来源于大数据体量庞大的特点,聚类算法时间消耗巨大。并行是解决算力不足的一个较为有效的方法,实验结果表明,并行化的遗传算法在处理大数据聚类时相比传统的串行化处理在时间消耗方面有明显的降低。

粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法 ( CGGA) ,该算法利用多个子种群基于不同的编码方式进行进化计算 .首先各子群体独立进行交叉、变异和选择遗传操作 ,每代进化后迁移算子被引入用来进行种群间的信息交流 ,迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化 .基于时齐遍历马尔可夫链理论 ,给出了 CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵 ,证明了以概率 1全局收敛 .对典型的测试函数 CGGA进行了求解 .仿真结果表明 ,本算法的收敛性能优于经典遗传算法 ( CGA) ,可以有效解决

基于种群规模可变的粗粒度并行遗传算法

在科学计算领域 ,并行计算越来越成熟 ,并行遗传算法开始受到关注 .本文分析了遗传算法并行化的动机和实现模型 ,提出了一种新算法——基于种群规模可变的粗粒度并行遗传算法 。

粗粒度并行遗传算法的计算性能分析

探讨了粗粒度并行遗传算法的机理和运行的基本步骤,通过对经典测试函数Bohachevsky 3#函数进行不同参数组合的多次计算并比较计算结果,分析了粗粒度并行遗传算法的计算性能特点。计算结果表明:粗粒度并行遗传算法相对于经典遗传算法有较为理想的运行结果和较为理想的运行过程。

粗粒度并行遗传算法的MapReduce并行化实现

针对粗粒度并行遗传算法的特点,给出了MapReduce编程模型实现遗传算法的方法。将随机生成的初始种群分割成若干个子种群,用Map方法实现单个子种群的传统遗传算法。各个子种群在不同的Node上相互独立地并发执行个体适应值计算、选择、交叉和变异等操作,在Partition环节将每个子群所提取的最优个体迁移到其他子种群中,以实现各个子种群的共同进化。该方法充分利用了MapReduce的高度并行性,提高了算法的效率,同时在一定程度上克服了过早收敛和局部最优解问题。

基于粗粒度并行遗传算法的阻尼器优化布置

提出了一种粗粒度并行遗传算法,并将其应用于被动控制结构中阻尼器布置位置的优化.该算法把一个种群划分为多个子种群,各个子种群可以独立完成经典遗传算法操作.对于给定基因编码的种群个体,通过Matlab-ABAQUS-Python的交互使用,利用Matlab编程生成INP模型文件,并先调用ABAQUS来进行模型分析,后调用Python来读取结果数据并传输给Matlab,求解结构模型的目标函数值.文中还以层间位移角为控制目标,对10层被动控制钢框架结构的阻尼器优化布置进行了实例分析.结果表明:粗粒度并行遗传算法与经典遗传算法相比,既提高了种群的多样性,又加快了种群的收敛速度;对比常规隔层方法,采用该算法可使结构减震率至少提高19.3%,说明该算法能显著提高结构减震率.

基于SPMD的粗粒度并行遗传算法在立体仓库路径优化中的应用

为了提高粗粒度并行遗传算法性能,缩短对立体仓库路径优化问题的求解时间,将一种单程序多数据流(简称SPMD)并行结构运用到粗粒度并行遗传算法中,并对算法进行改进。通过对自动化立体仓库拣选路径优化模型的求解,得到串行与并行计算两种情况下的运算时间与加速比,并在求解精度相差不大的情况下,将改进算法的计算时间与遗传算法、蚁群遗传算法进行比较。对比结果表明,并行计算能有效提高算法优化效率,缩短程序执行时间。该研究对于解决自动化立体仓库堆垛拣选路径优化问题有着重要的现实意义。

基于粗粒度并行遗传算法的JSSP研究

针对车间作业调度问题(JSSP)进行研究,利用粗粒度并行遗传算法(CGPGA)对JSSP进行有效求解。该算法首先将多个子群体以不同的编码方式进行进化计算,然后引入迁移因子进行群体间的信息交互。利用迁移因子把子群体中的优良个体传播到其余子群体,替换相邻子群体中的最差个体并继续进化而获得最优解。仿真实验表明:该方法简单且易于实现,求解效率远远高于经典遗传算法(GA),并可有效防止早熟现象的发生。

基于快速非支配排序遗传算法的阻尼器多目标优化布置

将快速非支配排序遗传算法(NSGA-Ⅱ)和并行遗传算法相结合,提出内嵌NSGA-Ⅱ的粗粒度-主从式并行遗传算法。该算法将种群分为多个子种群,每个子种群可独立并行执行NSGA-Ⅱ操作;达到迁移周期时,子种群之间执行迁移操作;完成迁移后,子种群再次独立并行执行NSGA-Ⅱ操作。以最大层间位移角和最大楼层加速度为目标函数,对14层消能减震钢框架结构上的阻尼器布置位置进行优化分析。结果表明:该算法既实现多目标优化,又提高优化速度;对比常规隔层布置方法,该算法可使结构的层间位移角减震系数和加速度减震系数分别至少提高16.82%和16.01%。

基于混合编码的粗粒度并行遗传算法在公路选线优化中的研究

首先分析公路选线设计中,采用计算机软件算法进行优化的必要性,指出由于公路选线优化上的行业特殊性,目前在提高计算效率中还存在局限性;提出一种基于混合编码的粗粒度并行遗传算法来进行公路选线优化,利用混合编码技术精简编码和子线程的通信量,利用粗粒度并行遗传算法提高多核心CPU的应用率,最终达到提高公路路线优化算法效率的目的。详细介绍了整个算法的原理和过程,并开发计算机软件系统应用到实际工程中;最后,在总结中认为,采用并行遗传算法来解决公路选线优化问题,是研究人工智能算法技术运用在公路选线优化领域中,最能提升效率并取得效果的一种途径。

并行遗传算法的迁移策略对K-中心聚类的影响

分析了并行遗传算法的主从并行模型、粗粒度并行模型和细粒度并行模型等3种并行模型;重点对粗粒度并行遗传算法的异步迁移策略和同步迁移策略进行了比较研究,以K-中心聚类作为实验背景,说明不同的迁移策略对K-中心聚类的效果有一定影响,并得出了异步迁移策略的性能和聚类效果优于同步迁移策略的性能和聚类效果。

网格平台下并行遗传算法的设计

并行遗传算法是遗传算法研究中的一个重要课题,提出了一种在网格平台下实现遗传算法的设计和一些关于遗传算法本身的改进,以及需要进一步研究的课题。

粗粒度并行遗传算法迁移算子的一种改进

给出粗粒度并行遗传算法对于子种群间迁移策略的一种改进,即每隔一定的进化代数,各子种群与公共池交换最佳个体和代表个体.改进后的迁移算子淡化了子种群间交换个体时的拓扑结构,提高了各子种群的多样性.对复杂非线性函数求极值的仿真结果表明,改进迁移算子后的粗粒度并行遗传算法相对于固定拓扑结构的粗粒度并行遗传算法,得到最优解的进化代数提前,并且最优解的质量有所提高.

机器学习辅助隔震支座优化布置

针对如何快速确定隔震结构的最优隔震支座布置问题,使用机器学习辅助结构优化方法,采用人工神经网络构建了预测隔震结构设计参数与结构响应之间复杂关系的机器学习模型,以隔震结构响应最小为目标函数,用粗粒度并行遗传算法,得到隔震结构的最优支座布置。用一个实际隔震工程验证,结果表明:构建的人工神经网络模型对各结构响应参数的预测准确率均达到了92%以上,平均预测准确率达到93%,与精确计算的优化结果相比,用机器学习辅助隔震支座布置的优化结果平均误差为3%,加速比约为300,说明该方法具有很高的预测精度和计算效率。

PAPF输出滤波器的优化设计和控制

并联有源电力滤波器(PAPF)的LCL型的输出滤波器要满足指令电流动态跟踪、补偿频段电流最大输出比和高频开关纹波的充分抑制3个方面的要求。采用遗传算法对LCL参数进行优化设计,为了摆脱传统加权系数法在解决多目标优化问题时对加权系数选择的盲目性,采取了粗粒型并行遗传算法,为避免算法陷入局部最优解,在算法优化的过程中采用了动态交叉,变异算子,提高了粗粒型并行遗传算法的性能。另外针对大容量有源电力滤波器中阻尼电阻能耗过大的问题,用控制方法产生的虚拟电阻去代替实际的阻尼电阻。仿真结果证明了设计的LCL滤波器的优良性能和虚拟电阻的可行性。

面向任务约束的可重构机械臂最优构形设计

为解决受限可重构机械臂在完成任务时的最优构形确定问题,提出一种基于自适应粗粒度并行遗传算法(adaptive coarse parallel genetic algorithms,ACPGA)的构形确定方法:以关节模块和连杆模块的加权和为目标函数,在满足可达性、关节转角限制和避免构形奇异的约束条件下,综合考虑模块数量和连接方位,确定可重构机械臂在受限空间内完成任务的最优构形.通过实例验证了该构形方法的有效性.

基于CPGA的网架重构协调优化方法

针对电网大停电后机组、负荷与线路的动态协调恢复问题,提出了一种综合考虑恢复时间与恢复效果的网架重构协调优化方法。通过考虑机组、负荷的拓扑重要度和其自身的特性,定义机组的加权恢复效率指标和负荷的非线性恢复价值指标,以每个时步恢复的机组与负荷综合重要度最高,以及所要操作的线路数最少为目标,并结合各项约束条件建立网架重构协调优化模型;以有利于系统出力恢复、提高网架重构速度的方式,对系统内的机组、负荷、线路进行统一优化,保证了重构过程的可靠性、简洁性,利于进行后续重构过程;应用具有较好群多样性、计算稳定性和对多峰值问题实用性的粗粒度并行遗传算法(coarse-grained parallel genetic algorithm,CPGA)对所建立的模型进行求解。最后,采用新英格兰10机39节点系统对所提方法进行验证。结果表明,该方法可以快速有效地求得满意的恢复方案。