基于分配适应度的Spark渐进填充分区映射算法

分析Spark的作业执行机制,建立了执行效率模型和Shuffle过程模型,给出了分配适应度(AFD,allocation fitness degree)的定义,提出了算法的优化目标。根据模型的相关定义求解,设计了渐进填充分区映射算法(PFPM,progressive filling partitioning and mapping algorithm),通过扩展式分区和渐进填充映射,建立适应Reducer计算能力的数据分配方案,有效缩减Shuffle过程的同步延时,提高集群计算效率。实验表明该算法提高了Shuffle过程数据分配的合理性,优化了并行计算框架Spark的作业执行效率。

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%。

基于熵和隶属度函数的高维多目标优化问题求解

为求解高维多目标优化问题,提出一种新的适应度分配策略,即模糊关联熵方法(FREM)。结合模糊信息熵理论和隶属度函数给出FREM,采用隶属度函数将Pareto解和理想解映射为模糊集,运用模糊信息熵理论处理Pareto解模糊集与理想解模糊集之间的内在关系,并进行适应度分配。以模糊关联熵系数引导群体智能算法进化。在DTLZ测试函数集上的实验结果表明,FREM能够解决高维多目标优化问题,避免子目标数量增加对算法的影响,并得到比随机权重法和NSGA-II更好的优化效果。

多目标混合流水车间作业调度的演化算法

针对多目标条件下混合流水车间作业调度的优化问题,提出了一种在优化进程中能够动态调整适应度分配的演化算法。该算法采用矩阵编码描述多阶段并行机调度方案,结合问题的优化模型,对每一代Pareto解在各目标方向上的改善程度进行度量,进而通过多目标的选择性权重系数计算种群个体的适应度,以获得在改善指示方向上的选择压力。通过BENCHMARK问题测试和实际算例分析,表明新算法的性能优于现有的求解算法,特别是对于高维多目标优化问题,能够获得较高的演化收敛速度。

无成组技术条件下流水车间调度的多目标优化

针对有工件组调整时间的流水车间调度问题,提出了无成组技术假设条件下的多目标优化模型,并设计了一种进化计算与局部搜索结合的混合遗传算法。模型的目标函数是最小化最大完工时间和最大拖期。在局部搜索过程中,根据问题的特征定义了两种邻域结构,采取两阶段搜索策略,以提高算法的优化搜索效率。进化过程中,采用基于个体的累计排序数和密度值的适应度分配方法,以保持群体多样性,并采取精英保留策略,以保证解的收敛性。通过测试问题和实际问题的实验以及与其他算法的比较,验证了所提模型和算法的有效性。

基于演化多目标算法的混合流水作业调度优化

针对供应链网络优化领域中的混合流水作业调度问题提出了一种新的多目标演化优化算法。给出了这类问题的通用优化模型,在此基础上,提出了基于流程的矩阵基因编码方案,动态适应度分配机制,并引入小生境保优策略构造了算法过程,利用收敛进程参数分析了算法的收敛性能。性能分析和算例实验表明算法对于高维多目标优化问题是有效的,且能够以较快的速度收敛。

面向多目标流水车间调度的混合遗传算法

建立最大完工时间、最大拖期时间及总流程时间三个调度目标的多目标流水车间调度问题模型,提出一种混合遗传算法。该算法以灰熵并行关联度作为遗传算法的适应度分配机制,以灰熵并行关联度优选个体,并建立Pareto外部档案,以非劣排序及拥挤距离保持外部档案中解的质量及多样性。通过与RWGA和NSGA-II算法进行标准问题的对比实验,验证了所提算法在解决多目标流水车间调度问题中的有效性。