基于改进差分进化算法的动态防空资源分配优化

面对动态防空资源分配问题中存在的空袭目标突现和雷达、发射车等资源受干扰现象,在综合考虑雷达、发射车和导弹等武器装备性能的基础上,基于目标集、资源集建立了最小化目标总拦截价值与生存概率的混合整数决策模型。提出了一种新的改进差分进化算法进行求解,采用反向学习策略生成初始解,确保初始种群的质量,设计了一种快速修复与重构的启发式规则作用于多阶段,以提升算法的搜索能力。仿真实验验证了该算法具有求解时间和求解精度上的优越性。该研究能使武器系统在动态事件的随机影响下,保持高效的作战能力和决策效果。

基于动态规划算法的资源应急分配优化模型

针对电力突发事件的资源应急分配问题,文中提出了基于动态规划的阶段优化模型。该模型依据各需求点的初始时刻需求,以最小化资源超时到达造成的损失为优化目标,进行资源的应急优化分配。同时考虑后续时刻资源需求的动态变化,基于上一阶段的优化目标叠加下一时刻资源需求缺乏量的惩罚项,从而实现不同时刻需求点之间资源的转运调度。文中采用自适应惯性系数和飞行时间来提高算法的收敛速度,并将所提IPSO应用于两阶段动态规划模型的求解。以人力资源数据进行的仿真结果表明,文中算法迭代40次即可收敛,显著优于传统PSO。且与单阶段优化模型在后续时刻出现明显人力资源缺乏的情况不同,该模型能够满足各需求点的动态需求,进而对应急资源进行合理分配。

空地网络资源分配与无人机基站动态部署算法

为解决空地网络中地面设备数量变化引起的用户体验质量无法满足的问题,提出了一种智能网络资源分配与多无人机基站动态部署方案。首先,考虑用户体验质量和无人机、地面设备能量约束,以最小化系统总能耗为目标进行问题建模;其次,将多无人机的动态部署问题转化成具有连续动作集的马尔可夫决策过程,并根据优化目标设计了基于能耗惩罚的奖励函数;然后,采用基于确定性策略梯度的深度强化学习算法求解此问题;最后,通过仿真和对比实验验证所提方案的有效性和优越性。实验结果表明:对于海量用户场景,所提算法比深度强化学习和演员-评论家算法有更好的收敛性和更高的累积奖励,与单无人机和传统地面基站部署方案相比,所提方案系统的能耗降低约30%~40%,用户服务质量满意度提升约50%~60%。

基于改进遗传算法的大数据中心资源分配方法

为提高大数据中心在处理海量数据请求时的资源分配效率,降低运营成本,本研究采用改进的遗传算法优化资源分配过程。考虑到传统遗传算法在大规模系统中应用时存在的不足,如收敛速度慢、局部最优问题,本研究引入自适应变异率与精英选择策略增强算法搜索能力与适应性。本研究还设计了一种新适应度函数,以更精确地反映资源分配效率,满足公平性需求;进行了基于改进遗传算法的大数据中心资源分配模型设计,实现了大数据中心资源动态排序与高效分配。通过模拟测试,验证了改进遗传算法在资源利用率、响应时间、能耗等方面的表现。结果表明,与传统遗传算法相比,基于改进遗传算法的大数据中心资源分配方法在各项性能指标上都有显著提升,可支持大数据中心面对不断变化的工作负载和运行环境的适应性需求。

基于GWO与PSO融合优化算法的雾计算资源分配研究

针对雾计算资源分配问题,文章通过结合灰狼优化算法(GWO)较好的全局搜索能力以及粒子群优化算法(PSO)良好的算法收敛能力而提出了一种新的资源分配思路。此外优化算法权重取值对算法性能的影响较大,文章引入一种自适应权重策略来调节算法的权重,以优化算法对于节点资源分配准确度和效率。实验结果表明,该文提出的算法在雾计算资源分配问题上具有更好的性能,为任务提供更为高效、快速的资源调度策略。

动态自适应蚁群算法在二次分配问题中的应用

采用一种新算法动态自适应蚁群算法解决二次分配问题,并引入3-opt方法对问题求解进行局部优化,通过对二次分配问题的不同实例进行实验,结果表明,该算法在求解二次分配问题上具有较好的能力,可以很好地解决较大规模的二次分配问题,而以往的算法只适合于处理较小规模的二次分配问题.

基于策略的适应性工作流资源动态分配技术

基于工作流执行系统的适应性需求 ,提出了资源动态分配管理模块体系结构 ,修改和补充了 HP公司的工作流资源管理技术 .在需求策略、资格策略和替换策略的基础上增加了优先策略和情景策略 ,有助于实现资源的动态分配 ;利用重写技术和各种策略直接把需求转化为对应的 SQL查询语句 ,简单实用 .

基于自适应遗传算法的战场资源动态调度模型及算法

研究了战场平台资源的动态调度问题,首先分析了该问题在动态调度过程中的约束条件,构建了以最小化使命完成时间为目标函数的数学模型,然后针对问题模型的特点,基于自适应遗传算法提出求解算法,最后结合具体算例对平台资源动态调度模型及其求解算法进行了仿真验证,仿真结果表明,求解方法可以有效应对处理任务新增和平台失效等突发事件并且具有较高的时间效率。

实时系统资源分配的动态规划算法

本文提出了一个划分具有决定性的、实时性能的二级存储系统的最优算法．此算法在多项式时间内就能找出这一问题的最优解，并支持存储器资源的在线重新配置．

基于改进人工鱼群算法的多用户OFDM系统自适应资源分配

在鱼群算法中提出了人工鱼的吞食行为,对算法进行了改进,在保证算法性能的前提下明显降低了人工鱼群算法的复杂度。通过对多用户OFDM系统模型的分析,结合对用户公平性的考虑,给出了该系统中自适应资源分配问题的目标函数。用改进鱼群算法在保证用户公平性的基础上,很好地解决了多用户OFDM中的自适应资源分配问题,实现系统总传输速率最大化。

基于自适应遗传算法的OFDMA资源分配

针对OFDMA系统,提出了基于边缘自适应(MA)准则的子载波分配算法,该算法基于一种新颖的自适应遗传算法.在新算法中的交叉概率、变异概率随着群体适应度的改变而改变,同时在该算法的初始种群中加入优秀基因的个体,使得算法快速收敛,并能搜寻到优秀的子载波分配方案.仿真结果表明:新算法与已有分布式算法、遗传算法相比较,在性能上有较大的改善,并远优于静态的频分多址资源分配方式.

一种基于协同演化的自适应约束多目标进化算法

约束多目标优化(CMOP)问题的求解旨在将有限的搜索资源合理地配置到约束条件的满足与目标函数的优化2个方面,但问题约束的日趋复杂给求解算法带来了巨大挑战。提出一种基于协同演化的自适应约束多目标进化算法,该算法同时进化2个功能互补的种群(主种群和存档种群),使算法在求解复杂约束问题时能够实现约束处理与目标优化之间的良好平衡。首先,主种群进行双重繁殖,首次繁殖过程通过动态适应度分配函数自适应地利用不可行解所携带的有价值信息,使种群在进化前期强调对目标函数的优化,后期强调可行性,二次繁殖则与存档种群进行合作,以提高种群收敛性并维护多样性。然后,提出一种基于角度的选择方案更新存档种群,在保证种群良好多样性的同时保持种群向Pareto前沿的搜索压力。最后,与5种先进的约束多目标进化算法在33个基准问题上进行对比实验,结果表明,所提出的算法在解决各类CMOP问题时与对比算法相比更具优势,其效率平均提高了约67%。

光因特网中动态综合考虑的资源分配算法

该文研究了光因特网络中的动态资源分配问题。提出了基于分层图模型的路由选择和波长分配算法。对于动态变化的业务到达请求,如果在已有的基于IP级的逻辑拓扑上不能有效建立,则需要为该请求按算法分配资源,即解决路由选择和波长分配问题。由于该文算法将IP层和光层综合进行考虑,所以能大大提高资源利用的有效性,取得较好的阻塞性能。仿真结果表明,该算法既能选择比较短的路由,又能使网络取得较低的阻塞率。

物联网动态带宽资源分配算法及其应用

在物联网环境中,网络需要传输的数据和信息量急剧增加,从而造成带宽不足。为此,提出一种采用动态带宽资源分配算法的物联网远程机械控制方案,通过改变控制信号的采样速率,达到优化分配带宽资源的目的。仿真结果表明,在相同网络带宽条件下,该方案可降低重构信号的误差,并有效提高物联网系统智能分配带宽资源的能力。

基于自适应遗传算法的OFDMA系统跨层资源分配问题研究

OFDMA系统中的跨层资源分配问题是目前的研究热点。本文提出了基于自适应遗传算法的OFDMA系统跨层资源分配算法,利用自适应遗传算法群体多样性的特点提高算法的全局搜索能力,较好地解决了跨层资源分配问题。仿真结果表明,在满足用户间公平性的前提下,本文提出的改进算法有效提高了系统的频谱利用率及吞吐量,减小了用户的平均等待时延,提高服务质量。

基于改进蝴蝶算法的协同干扰资源分配方法

针对协同对抗下雷达干扰资源的管理决策问题开展研究,提出了一种基于改进蝴蝶算法的干扰资源分配方法。首先,用模糊综合评价的方法量化影响辐射源威胁等级和干扰效能的因素;然后,确定目标函数并计算干扰效能矩阵,建立干扰资源分配模型;最后,把自适应启发项和劣解接纳操作引入蝴蝶算法(BOA)对模型求解。仿真结果表明:引入改进项提高BOA探索能力和搜索效率,有效解决算法局部收敛的缺陷。对比四种经典算法和两种改进BOA算法,该算法在收敛精度和算法稳定性方面均更优,制定的干扰资源分配方案可信度更高。

基于混沌映射自适应NSGA-Ⅱ算法的IMA双层资源分配方法

针对综合模块化航电(IMA)架构双层调度中的资源分配问题,提出一种基于混沌Logistic映射自适应NSGA-Ⅱ算法的双层资源分配方法。首先,根据IMA架构任务调度及分区调度要求,同时考虑资源分配均衡性因素,分别构建分区资源分配模型和节点资源分配模型;其次,采用改进NSGA-Ⅱ算法对模型进行优化求解,引入混沌Logistic映射生成初始种群,提升初始种群的遍历性,并采用自适应交叉、变异算子增强算法的搜索性能和收敛速度;最后,选取不同规模的算例进行实验,结果表明,所提方法能够有效解决IMA架构的资源分配问题,提升分配效率并优化分配结果。

自适应遗传算法优化种植业结构与资源分配问题

研究了种植业结构与农业资源分配最优组合问题,采用自适应遗传算法求解有约束问题的方法,对四种农作物在耕地面积和氮、磷、钾肥供应量一定情况下,最大纯收益数学模型进行了优化。仿真结果验证了自适应遗传算法的正确性和实用性,为该类问题的优化提供了一种新的方法,也为农业生产部门种植业结构与农业资源的合理规划提供了科学的依据。

OFDM多用户系统中一种改进的自适应资源分配算法

针对正交频分复用(OFDM)多用户系统中一些智能算法存在收敛速度较慢且精度不高的问题,研究了把差分进化算法的变异与交叉行为引入人工鱼群算法中,以改进其随机行为。在此基础上,提出了一种改进的OFDM自适应资源分配算法。该算法先在公平度门限下分配子载波,再通过改进的人工鱼群算法进行功率分配。仿真结果表明,所提算法达到最优解时迭代次数有较大减少,同时搜索精度有所提高,在保证用户公平度的同时,提高了系统容量。

资源约束下基于Lyapunov优化的自适应卸载算法

移动边缘计算(MEC)将计算、存储、网络资源和服务向网络边缘下沉,并允许用户在边缘服务器上处理任务。然而,在实际应用中,用户请求的任务卸载量和无线信道状态随时间不断变化,同时计算和通信资源受限也对任务卸载和资源分配任务带来了挑战。针对该问题,构建一种资源约束下面向动态环境的系统效用优化模型。该模型中各个终端设备均配备能量收集装置,充分利用外界可再生能源来支持系统处理任务。运用Lyapunov优化理论消除优化模型对不确定信息的依赖,将原依赖未知信息的目标优化问题转化为只依赖当前时间片系统信息的优化问题,使用归约法证明该优化问题为一个NP-hard问题。结合深度强化学习方法设计一种资源约束下的自适应卸载算法LyUO,该算法在系统动态信息未知的情况下实时确定近优任务卸载决策及MEC服务器通信/计算资源分配策略。仿真结果表明,LyUO算法在任务到达率和无线信道状态变化时可使系统中所有设备的任务队列保持稳定,在满足队列长期约束的同时使系统效用较基准算法提升约15%。