基于成本感知的边缘服务器部署方法

针对移动边缘计算(mobile edge computing,MEC)中边缘服务器(edge server,ES)供应商的成本预算问题,建立一种以最小化时延和部署成本为目标的数学模型。通过归一化方法将其转化为单目标优化问题,提出一种基于交叉算法的鲸鱼优化算法的边缘服务器部署方法;采用精英反向学习策略构造新种群,提高种群的多样性和全局收敛速度;采用改进的非线性收敛因子平衡算法的整体开发能力和局部探索能力;利用纵横交叉策略提高算法跳出局部最优的能力。使用上海电信基站的真实数据集进行仿真,其结果表明,与其它4种算法相比,该算法在时延和部署成本方面的表现均优于其它算法,系统成本下降了42.1%。

演化算法的收敛性分析及算法改进

文章利用马尔可夫随机过程刻画了演化算法,证明了标准演化算法是不收敛的,说明了演化算法收敛于最优解的必要条件:非完全遍历性。并论证了采取精华保留策略的标准遗传算法以概率1收敛于最优解,并据此分析了一个典型实例———GTGA算法的收敛性及其算法改进方案。

单亲遗传算法的选择方式

给出了单亲遗传算法的几种常用选择方式 ,并指出单亲遗传算法的全局收敛性和收敛速度与选择方式有关。锦标赛选择方式和父子竞争选择方式不能保证算法的全局收敛性 ,但有较快的收敛速度 ;按适应度比例选择方式在引入了最优保持操作后能保证算法的全局收敛性 ,但收敛速度较慢。

改进粒子群算法的云计算环境资源优化调度

针对云计算的资源调度问题,提出一种基于改进粒子群优化算法(Improved Particle Swarm Optimization,IPSO)的资源调度算法.对云资源调度问题进行分析,建立云资源调度的目标函数,利用PSO较快的收敛速度找到云资源调度问题的最优解,并根据每个粒子的适应度值自适应地改变每个粒子的速度权重,提高了全局寻优能力和收敛能力,同时在Cloud Sim平台对算法进行仿真实验.结果表明:IPSO算法减少了任务的平均完成时间,提高了任务处理的效率,具有很好的优化资源以及合理调度资源的能力.

基于时序进化搜索策略的地磁仿生导航研究

对先验地磁图的依赖是制约地磁导航发展的关键。受生物无需先验知识的地磁导航行为启发,研究地磁仿生导航问题。从仿生角度,将导航过程归结为多目标搜索问题,建立仿生导航模型。针对导航过程中,地磁场多参量与导航单一路径间存在的因果约束,提出了一种基于时序进化策略的搜索方法,使得多参量收敛伴随并指导导航搜索的进行。仿真结果证实了方法的有效性。

精英类克隆选择算法平均收敛速度估计

克隆选择算法收敛速度估计是算法研究的一个难问题,目前还是处于初始的研究阶段.本文对一大类精英保持策略克隆选择算法的收敛速度问题进行了研究.首先利用算法种群中最佳个体的定向转移概率导出最佳个体的转移概率矩阵,针对实际应用中由于算法种群规模过大而导致该矩阵求取较困难的问题,将最佳个体的转移概率矩阵构造成满足一定条件的矩阵范数,从而提出一种更为简单有效的算法平均收敛速度估计的新方法.对不同的精英保持策略克隆选择算法进行了收敛速度估计仿真实验,其结果表明了该估计方法的有效性.

云计算中基于改进遗传算法的负载均衡优化模型

由于云计算环境的动态性和复杂性,云环境很容易出现负载失衡现象。文章将精英选择策略引入遗传算法中,结合虚拟机综合负载能力指标,提出了基于改进遗传算法(IGA)的负载均衡优化模型。仿真实验表明,相对于Min-Min算法,IGA算法能很好满足云环境下负载均衡的要求,提高资源利用率和负载均衡度。

自适应遗传算法在求解0-1背包问题的探讨

针对传统遗传算法求解背包问题的不足,采用精英保留策略,可使算法加快收敛,同时,陷入局部最优的可能性加大,为克服此不足,分别设计一种动态改变杂交概率和变异概率的方式,提出一种自适应遗传算法,在迭代初期,杂交概率和变异概率较大,有利于算法跳出局部最优,而在搜索后期,概率变小,使搜索转向精细寻优。为确保解的可行性,采用贪心修正,仿真结果表明,改进的算法在进化效率、收敛性及求解精度上的可行性和有效性。

优化蚁群算法的云环境负载均衡

从云计算的资源负载均衡研究角度出发,提出一种优化蚁群算法与云计算负载均衡结合方案,将预优化排序策略和精英策略引入负载均衡蚁群算法中。仿真实验结果表明了该算法的有效性。

遗传算法的计算效率分析

给出了遗传算法的几种常用选择方式 ,并指出遗传算法的全局收敛性和收敛速度与选择方式有关。锦标赛选择方式和父子竟争选择方式不能保证算法的全局收敛性 ,但有较快的收敛速度 ;按适值比例选择方式在引入了最优保持操作后能保证算法的全局收敛性 。