Monarch Butterfly Optimization for Reliable Scheduling in Cloud

Enterprises have extensively taken on cloud computing environment since it provides on-demand virtualized cloud application resources.The scheduling of the cloud tasks is a well-recognized NP-hard problem.The Task scheduling problem is convoluted while convincing different objectives,which are dispute in nature.In this paper,Multi-Objective Improved Monarch Butterfly Optimization(MOIMBO)algorithm is applied to solve multi-objective task scheduling problems in the cloud in preparation for Pareto optimal solutions.Three different dispute objectives,such as makespan,reliability,and resource utilization,are deliberated for task scheduling problems.The Epsilonfuzzy dominance sort method is utilized in the multi-objective domain to elect the foremost solutions from the Pareto optimal solution set.MOIMBO,together with the Self Adaptive and Greedy Strategies,have been incorporated to enrich the performance of the proposed algorithm.The capability and effectiveness of the proposed algorithm are measured with NSGA-II and MOPSO algorithms.The simulation results prompt that the proposed MOIMBO algorithm extensively diminishes the makespan,maximize the reliability,and guarantees the appropriate resource utilization when associating it with identified existing algorithms.

采用动态分割种群策略的改进MBO

大红斑蝶优化算法(MBO)是最近提出的一种新的群智能优化算法。然而,该算法仍存在收敛速度较慢、易陷入局部最优的缺点。为克服MBO算法之不足,提出了一种改进的大红斑蝶优化算法(IMBO)。该算法采用将群体动态随机分割成两个子群体的策略,不同子群体中的大红斑蝶采用不同的搜索方法,以保持种群搜索的多样性。通过10个基准函数的仿真实验并与MBO算法以及标准PSO算法相比较,结果表明IMBO算法的全局搜索能力有了明显的提高,在函数优化中具有更好的收敛速度及稳定性。

基于改进麻雀搜索算法的时延连续系统参数辨识

现实环境下的控制系统大多为存在时间延迟的连续时间控制系统,为了模拟控制系统对输入的响应,就必须对其参数进行估算。本文首先对时延连续系统方程作拉普拉斯变换,得到了系统的显式方程;然后,通过蝴蝶优化算法和Levy飞行算法对2020年提出的最新的麻雀搜索算法进行改进,使其避免陷入局部极小值点;最后,将智能优化算法应用于控制系统的辨识中,基于本文改进的麻雀搜索算法对时延连续系统的参数进行了估算,并通过数值实验验证了本文算法在辨识精度和收敛速度上的优越性。

基于改进帝王蝶算法的群优化算法加速框架

该文提出了一个通过改进的帝王蝶算法的群优化算法加速框架,该架构旨在改善群智能算法的优化特性和收敛效率。传统的帝王蝶算法具有收敛速度慢和容易进入局部最优的问题。为解决上述问题,该文在帝王蝶算法中引入了一系列改进措施,改进帝王蝶算法并使其作为加速框架与其它群智能算法组合使用。首先,通过应用混沌映射来更新群体起始状态以增强其成员的多元性,这能有效扩大搜寻范围并采用反向学习和随机干扰取代传统的移动操作,从而提升整体的稳定性,防止算法被困于局部最优。此外,采用非线性的自适应运算因子,初期强化了变异力以避开局部最优,后期减弱它以便深入寻找更好的结果,进而提高了精度。通过组合不同的群智能优化算法30维下寻优在10个测试函数的综合评估,验证了该算法框架可以有效提升其它群智能优化算法的收敛速度和精度。

一种混合算子改进帝王蝶优化算法

帝王蝶优化算法存在收敛速度慢、容易陷入局部最优、求解精度不高等问题,基于此提出一种基于柯西-高斯混合算子帝王蝶优化算法,该改进算法是在标准帝王蝶算法的迁移操作和调整操作中引入柯西-高斯混合算子,并发挥柯西算子全局搜索能力强和高斯算子的局部搜索能力强来改善算法性能,同时也对调整操作中调整率做改进。最后通过数值仿真实验对4个单峰、多峰、混合、复合测函数进行测试,同时与其他算法进行对比,结果表明改进帝王蝶优化算法收敛性、求解精度等性能有所提高,该改进算法适应性、鲁棒性好于其他算法。

基于改进帝王蝶优化算法的特征选择方法

针对帝王蝶优化算法(MBO)全局搜索能力较弱、在迁移过程中容易出现种群多样性减少等问题,文中提出基于柯西变异的差分自适应MBO及其特征选择算法.首先,使用差分进化算法中的变异操作替换MBO的迁移算子,提升全局搜索能力.然后,将自适应调整策略融入MBO的调整算子,改变单一的调整方式.最后,对每次更新的种群进行柯西变异,增加种群多样性.为了验证改进帝王蝶优化算法及其特征选择方法的性能,通过基准函数和UCI数据集两部分实验对其进行测试,结果表明文中算法性能较优.

基于改进智能优化算法的数据特征选择方法

特征选择在人工智能领域是一个困难又重要的问题,为了快速准确地筛选特征,提出一种改进的帝王蝶优化(IMBO)算法进行封装特征选择。首先,为了使新产生的个体具有一定种群记忆功能,在迁徙算子中添加5种差分变异策略,提高种群个体的信息共享。然后,封装式特征选择算法使用模糊C均值(FCM)分类器作为评估器,利用IMBO作为搜索策略。实验结果表明:与原帝王蝶优化(MBO)、人工蜂群(ABC)算法和蚱蜢优化算法(GOA)相比,所提算法在多个公开数据集上实现了较高的准确度,显著降低了特征选择规模,且具有较快的收敛速度。

基于邻域粗糙集和帝王蝶优化的特征选择算法

针对经典的帝王蝶优化(MBO)算法不能很好地处理连续型数据,以及粗糙集模型对于大规模、高维复杂的数据处理能力不足等问题,提出了基于邻域粗糙集(NRS)和MBO的特征选择算法。首先,将局部扰动和群体划分策略与MBO算法结合,并构建传输机制以形成一种二进制MBO(BMBO)算法;其次,引入突变算子增强算法的探索能力,设计了基于突变算子的BMBO(BMBOM)算法;然后,基于NRS的邻域度构造适应度函数,并对初始化的特征子集的适应度值进行评估并排序;最后,使用BMBOM算法通过不断迭代搜索出最优特征子集,并设计了一种元启发式特征选择算法。在基准函数上评估BMBOM算法的优化性能,并在UCI数据集上评价所提出的特征选择算法的分类能力。实验结果表明,在5个基准函数上,BMBOM算法的最优值、最差值、平均值以及标准差明显优于MBO和粒子群优化(PSO)算法;在UCI数据集上,与基于粗糙集的优化特征选择算法、结合粗糙集与优化算法的特征选择算法、结合NRS与优化算法的特征选择算法、基于二进制灰狼优化的特征选择算法相比,所提特征选择算法在分类精度、所选特征数和适应度值这3个指标上表现良好,能够选择特征数少且分类精度高的最优特征子集。

准确度优先的多目标帝王蝶优化定量构效特征选择方法

针对帝王蝶优化算法用于特征选择时需满足多目标的要求,对该算法进行了3个方面的改进:(1)在个体排序步骤中引入非支配排序算法,并对调整算子做了修正,满足了多目标要求;(2)增加了准确度优先策略,减少了计算资源在低准确性区域的搜索,保证了模型的准确性,满足了特征选择中准确性优先于特征数的要求;(3)增加了基于子组的突变策略,对不同子组使用不同的突变策略,避免了算法过早陷入局部最优,解决了算法早熟问题.在3个定量构效特征选择基准数据集上进行了一系列实验,实验结果表明改进的算法与其它算法相比显著提高了模型的准确性并减少了特征数,证明了改进策略的有效性.

变异反向学习的自适应帝王蝶优化算法

针对于原始帝王蝶优化算法易陷入局部最优解、收敛性不好等问题,提出变异反向学习的自适应帝王蝶优化算法。将遗传算法的变异思想与反向学习策略结合来替代原始的迁移算子,提高全局的收敛性。在原始帝王蝶优化算法的调整算子中融入自适应的策略,使种群更具多样性。在更新的种群中将排序在最后的5只帝王蝶进行柯西变异,让变异个体附近生成更大的扰动,使整个群体在更大的范围内进行寻优。为了验证改进帝王蝶优化算法,通过基准函数和Wilcoxon秩和检验对其进行测试,实验结果表明改进算法的收敛速度及寻优精度得到了很大改进。

基于灰色预测模型的参数寻优方法及能源预测应用

能源电力是中国实现双碳目标的关键领域,精确预测未来能源供需及碳排放量,有利于制定低碳转型的可行路径。灰色预测模型GM(1,1)是在能源预测领域应用最为广泛的一种动态预测模型,但其对原始数据要求较高,且GM(1,1)发展系数α较大时,模型可能失效,另一方面,GM(1,1)的另一关键参数灰作用量u直接决定模型预测精度,如果能够找到更优的u值代入模型进行预测,则模型的精度将会显著提高,考虑到这些问题,本文将一种在实际优化问题中表现优良的新颖群体智能算法帝王蝶优化算法(Monarch Butterfly Optimization,MBO)引入到灰色预测模型关键参数α和u的寻优过程,提出了一种全新的灰色-帝王蝶优化预测模型,实现对天津能源供需及碳排放的准确预测,并依据预测结果制定天津2030年碳达峰的低碳转型路径,通过与已有经典文献方法与预测数据的对比,证实了本文所提出的灰色-帝王蝶优化预测模型的有效性和优越性。

基于地域特征的物流仓储中心逆向选址算法

物流仓储中心地址的选取,从根本上决定了物品出发地和运达地之间的距离,直接关系到物品能否被及时高效地运输,以及配送成本和仓储成本能否最小化。针对传统物流仓储中心选址求解算法脱离实际应用、且容易出现局部最优、求解速度较慢和注意力单一等问题。为减少物流配送时间,降低物流成本,切实提出选址解决方案,通过对K均值聚类算法和帝王蝶优化算法(Monarch butterfly optimization, MBO)进行改进,研究了京津冀地区物流仓储中心的选址问题。实验仿真结果表明:所提出的改进帝王蝶优化算法较其他优化算法在求解精度、收敛速度和迭代次数上均有优势,能够有效完成物流仓储中心选址问题,切实可以缩短物流配送距离,提高物流配送效率。

基于离散帝王蝶算法的喷涂路径组合优化

针对复杂曲面分片后喷涂机器人喷枪路径排序和组合过程中存在的效率低和路径碰撞的问题,提出了一种适用于求解组合优化问题的离散帝王蝶算法,并应用于求解喷枪路径的排序组合问题中。为了构建问题模型,将喷枪路径的排序和组合问题抽象为路径点的开环广义旅行商问题,并建立了该问题的最短路径模型和碰撞模型。同时,为了对传统帝王蝶算法进行改进,采用了一种具有三层结构的矩阵编码方法来解决种群个体编码问题,提出了一种基于贪婪算法的种群初始化方法和一种基于模拟退火算法的种群更新策略来提高算法的收敛速度和精度。在仿真实验中,相较于遗传算法和粒子群算法,所提出的算法的平均迭代次数分别减小了32.3%和21.0%,所规划出的路径碰撞次数降低为0。实验结果表明,所提出的算法能够有效地提高喷涂机器人的喷涂效率和喷涂路径的安全性。

帝王蝶算法优化粒子滤波在SLAM中的应用研究

为解决传统粒子滤波重采样时易出现权值退化及粒子多样性丧失导致滤波精度下降,使机器人定位不准确及地图构建不精确的问题,提出一种基于改进帝王蝶算法优化的粒子滤波算法。以帝王蝶个体代替粒子个体,将帝王蝶算法中的迁移算子和调整算子融入粒子滤波算法中。在帝王蝶的迭代更新过程中引入自适应遗传参数,在粒子滤波重采样时采用线性组合优化重采样方法提高粒子多样性。结果表明:基于改进帝王蝶算法的粒子滤波算法与原算法相比预测精度和运行速度分别提高了29.7%及5.6%以上,应用于机器人定位与地图构建方面也能提高了40%以上的地图构建精度及10.5%的运行速度。

基于Logistic混沌映射优化的君主蝶优化算法

君主蝶优化算法(Monarch Butterfly Optimization,MBO)是2015年提出的一种模拟君主蝶的迁徙行为的元启发式算法.通过对MBO的研究发现其在处理高维问题时易陷入局部最优与迁移算子产生的子代受父代影响过大的问题,本文提出新算法,Logistic混沌映射君主蝶优化算法(Monarch Butterfly Optimization with Logistic Chaotic Map,LCMMBO),使用Logistic混沌映射扰动最优解以增强其跳出局部最优的能力,优化了迁移算子中子代传递的方式以增强其全局搜索的能力.通过仿真实验发现其在处理高维的优化问题时表现出良好的性能,不仅鲁棒性优异,而且跳出局部最优的能力强.

基于帝王蝶优化算法的BP神经网络能源预测模型研究

基于帝王蝶优化算法,提出了一种新的帝王蝶-BP(Back Propagation)神经网络预测模型,以预测结果的平均绝对误差为目标函数,对BP神经网络模型的初始权重和阈值进行寻优,实现了对江西省能源供需的准确预测,并依据预测结果制定江西省低碳转型路径。通过与已有文献方法和权威公开数据的对比,验证了帝王蝶-BP神经网络优化预测模型的有效性和优越性。

差分进化帝王蝶优化算法求解折扣{0-1}背包问题

帝王蝶优化算法(Monarch Butterfly Optimization,MBO)是一种新颖的群体智能算法,自从提出就在实际优化问题上表现出很好的性能.但是,帝王蝶优化算法的迁移算子采用随机选择两个个体来生成新个体,并没有记忆整个种群的最优解,容易造成全局最优帝王蝶搜索经验的丢失.根据MBO寻优过程的内在机制以及差分进化算法的变异算子能够利用个体间的差异信息,将MBO分别与目前性能最优、应用范围最广的7种差分进化(Differential Evolution,DE)变异策略相结合,实验验证了7种不同算法的性能.基于性能最优的DE/best/2/bin变异模式,提出了一种差分进化帝王蝶优化算法(Monarch Butterfly Optimization Algorithm with Differential Evolution,DEMBO),使得算法能够记忆种群最优解并实现种群内部信息的充分共享,达到既加快收敛速度又提高解的精度的目的.在30个典型折扣{0-1}背包问题(D{0-1}KP)实例上进行了一系列实验,实验结果表明:(1)DEMBO能够在时间复杂度不变的条件下,显著提高算法的求解精度和收敛速度;(2)DEMBO在求解所有D{0-1}KP实例时,均能够获得一个近似比非常接近1的近似解.

负载均衡的无线传感器节点重部署算法

近年来,节点部署优化问题引起了越来越多的研究者的关注。针对无线传感器网络节点部署中存在的网络负载不均衡问题,提出了一种无线传感器网络中负载均衡的节点重部署(Load Balanced Node Redeployment, LBNR)算法。算法在网络初始化之后,利用K-means算法进行分簇,引入冗余节点,对负载大的簇进行拆分,对负载小的簇进行簇成员节点调整。其中,在减小簇规模阶段,利用帝王蝶优化算法对冗余节点进行移动,以进行簇拆分;在增大簇规模阶段,采用邻近运动方式,进行簇成员调整。上述算法通过有效地移动节点,均衡了网络负载,提高了网络能量使用效率。而且与其它节点部署方案相比,研究提出的方案采集数据量明显增加,网络负载更均衡,传感器网络的生命周期显著延长。

改进多目标帝王蝶算法

帝王蝶优化算法结构简单,能够较好的完成寻优搜索要求,但在多目标问题上,算法的精度和非支配解的分布性较差。针对以上不足之处,本文提出一种改进型多目标帝王蝶算法(Improvedmulti-objectivemonarchbutterfly algorithm,IMOMBO),对非支配解进行拥挤度排序,所有非支配解个体都以当前最优个体为中心点映射镜像点,并朝向镜像点奔袭,以此增加个体在Pareto前沿上的收敛性和算法精度。在算法迭代后期,对部分较优个体进行Logistic混沌映射,以改善个体在Pareto前沿上的分布性。随机选用ZDT和DTLZ测试函数集中的函数进行算法性能验证,实验结果证明,本算法可以很好地保证非支配解个体的收敛特性和分布特性。

优化模糊推理系统在电力变压器故障检测处理中的应用

电力变压器故障检测处理工作意义重大,需要借助人工智能算法提升故障检测效率。在分析电力变压器故障检测原理的基础上,提出利用优化模糊推理系统进行电力变压器故障检测处理,通过一维卷积神经网络选取出最优属性,并将其作为自适应神经模糊推理预测模型的输入特征,再利用改进的帝王蝶优化算法(Monarch Butterfly Optimization,MBO)优化模型的分类精准性,从而完成故障的诊断与分类。通过与同其他算法模型的对比,所提模型的精准度高达98.99%,且运行时间仅为1.23 s。这表明该方法在电力变压器故障检测处理中具有高效性和准确性,能够有效提高故障检测效率,为电力系统的稳定运行提供有力保障。