基于种群混合迁移策略的并行量子遗传算法

针对量子遗传算法求解大规模优化问题存在收敛速度慢、易于陷入局部最优等问题,改进量子遗传算法。设计一种种群混合迁移机制促进算法的种群多样性,采用仿TriBA种群结构、双精英种群、重生种群、自适应迁移算子、个体竞争排挤算子以及随机失活机制,提高算法的局部勘测能力和全局寻优能力。利用Spark框架实现算法在分布式集群环境下的运算。改进2-opt&R优化算法,通过引入高斯变异提高算法的局部搜索能力,缩小算法的搜索空间。实验结果表明,改进后的算法在全局优化能力、收敛速度、运行速度和求解稳定性等方面均有大幅度提升。

引入高斯变异和最速下降算子的人口迁移算法

人口迁移算法模拟了人口随经济中心而转移和随人口压力增加而扩散的机制。主要针对该算法提出了一种改进的人口迁移算法。该改进算法通过引入高斯变异算子和最速下降算子来改善人口迁移算法的收敛速度和全局收敛性,并对其收敛性进行了证明。通过对函数的数值实验测试结果表明,改进的人口迁移算法的全局寻优能力和收敛速度较人口迁移算法均有所提高。

一种群体迁移优化算法及性能分析

受生态系统中迁移机制的激发,提出了一种基于群体迁移的优化算法.该算法是根据生态学中群体分布的迁移模型而提出的一种新的优化算法.借鉴其他智能算法思想,用栖息地来表示优化问题的解集,通过生物群体的迁入与迁出实现解集之间特征信息的共享,从而完成进化过程.该文讨论了基于群体迁移的优化算法基本原理和实现步骤,同时进行一些基准函数的性能测试.通过分析表明提出的新算法是有效的,是一种具有潜在优越性的优化算法.

基于SEIRS传染病模型的函数优化方法——SEIRS算法

为了解决复杂函数优化问题,采用SEIRS传染病模型提出了SEIRS算法.在该算法中,假设某个生态系统由若干人类个体组成,每个个体均由若干个特征来表征.该生态系统存在一种传染病在个体之间传染,该传染病攻击的是个体的部分特征.每个染病个体均经历易感、潜伏、发病和治愈等阶段,这些阶段的综合作用决定了个体的体质强弱;利用SEIRS传染病模型所描述的疾病传播机理构造出了相关算子,使个体之间能充分交换信息.结果表明:E-E,I-I和R-R算子能使体质强壮的个体向体质弱的个体传递强壮特征信息,使得后者能向好的方向发展;S-E,S-R,E-I(ω)和R-S(ω)算子能使处于不同状态的个体获得其他个体的平均特征信息,从而降低了该个体陷入局部最优解的概率;S-S算子能使个体的活跃度提高,从而扩大其搜索范围;E-R和I-R算子既具有S-S算子的特征又具有S-E,S-R,E-I(ω)和R-S(ω)算子的特征.体质强壮的个体能继续生长,而体质虚弱的个体则停止生长,从而确保本算法具有全局收敛性.测试结果表明:本算法具有搜索能力强的特点,对求解复杂函数优化问题具有很高的收敛速度.

基于两阶段策略的粒子群优化

提出了一种基于传统粒子群优化的两阶段实施方案,通过对一组测试函数的仿真表明,该方案以适当增加计算量为代价,提高了搜索成功率.对比实验表明,两阶段方案几乎在各种最大可迭代次数的约束下都能获得更好的搜索成功率,且对学习速度参数的敏感性降低,算法的搜索性能更稳健.实施该策略时,子群数量宜选取适中的数值,以综合考虑可靠性与计算成本2个因素.

改进人口迁移算法及其应用

人口迁移算法(PMA)是一种新的仿生模拟进化算法.针对算法容易陷入局部最优解与计算量较大等不足对算法进行了改进,引入范数,并保留多个个体,通过典型的测试函数进行优化计算,测试结果表明改进后的方法是有效的.

保护区种群迁移动力学优化算法

为了求解一些复杂优化问题的全局最优解,基于保护区种群迁移动力学模型,提出了一种新的群智能优化算法,简称PZPMDO算法。在该算法中,假设有很多生物种群生活在某生态系统中,该生态系统被分成两个区域,即非保护区和保护区,对生活在保护区内的生物种群实施各种保护。在非保护区与保护区之间存在种群迁移通道,若某区域内的某生物种群的密度过高,该生物种群就会自发地迁移到低密度区域,从而导致低密度区域内的生物种群受到迁移过来的生物种群的影响;若某生物种群的占比越大,该生物种群的影响也就越大;若某生物种群越强壮,该生物种群就越会将其优势传播给其他生物种群。不同区域内的各生物种群因生存竞争而相互影响,这种影响会体现在种群部分特征间的相互作用上,且该影响是随时间变化的。文中采用ZGI指数描述一个生物种群的强弱程度,利用保护区种群迁移动力学模型、种群迁移和相互影响关系构造算子。PZPMDO算法拥有8个算子,且演化时每次仅处理总变量数的1/1000~1/100,具有搜索速度快和全局收敛性的特点,适用于求解维数较高的全局优化问题。

水平结构竞争-互利群落优化算法

为了求解一些非线性优化问题的全局最优解,采用水平结构竞争-互利群落动力学理论,提出了一种新的水平结构竞争-互利群落优化算法(HS-CBCO)。在该算法中,每个种群由若干生物个体组成,种群间相互作用主要是竞争和互利,种群内部各个体之间存在相互影响。运用群落动力学理论开发出了6个算子,其中竞争和互利算子可实现个体跨种群交换信息,而普通影响和强烈影响算子可实现种群内的个体之间的信息交换,从而确保了个体间的信息的充分交换;新生算子可适时补充新个体到种群中,而死亡算子可将种群中的虚弱个体适时清除掉,从而提升了该算法跳出局部陷阱的能力。测试结果表明,HS-CBCO算法的求精能力、探索能力及其两者的协调性均优良,且具有全局收敛性的特点,为复杂优化问题全局最优解的求解提供了解决方案。

异质空间结构种群迁徙动力学优化算法

为了求解一些复杂优化问题,采用异质空间结构种群迁徙动力学理论,提出了异质空间结构种群迁徙动力学优化算法(HSS-PMDO)。在该算法中,优化问题的解空间与由若干个斑块组成的海岛相对应,每个斑块具有竞争、互利和捕食-被食3个生存条件之一。种群会依据所在斑块的生存条件选择适应度更好的斑块进行迁徙。在斑块上,种群相互之间展开与生存条件相适应的相互作用。依据种群的迁徙和相互作用开发出了5个算子:竞争算子可提升算法的求精能力;互利算子和捕食-被食算子可提升算法的探索能力;迁徙算子可使得种群间信息交换充分,从而提升了探索能力和求精能力的平衡性;选择算子可确保算法具有全局收敛性。当种群不断进化时,每次只有其部分特征发生变化,该特征可提高收敛速度。测试结果表明,HSS-PMDO算法具有收敛速度快,探索、求精及其平衡能力强,能够快速求解一些维数较高的复杂优化问题。

垂直结构群落系统优化算法

为了求解一类复杂非线性优化问题的全局最优解,基于采用垂直结构群落动力学理论,提出了一种新的垂直结构群落系统优化算法,简称为VS-CSO算法。该算法将优化问题的搜索空间视为一个生态系统,该生态系统具有若干个垂直结构分叉营养水平,在各个营养水平中生活着不同种类的生物种群;在每个种群内,有若干生物个体在活动;生物个体不能跨种群迁移,但在同类种群中会相互影响。各种群以循环捕食-被食或资源-消耗连接在一起。运用垂直结构群落动力学模型开发出了通吃算子、择食算子、干扰算子、侵染算子、新生算子、死亡算子。其中,通吃算子和择食算子可实现个体跨种群的信息交换,而干扰算子和侵染算子可实现种群内部个体之间的信息交换,从而确保个体间信息的充分交换;新生算子可适时补充新个体到种群中,而死亡算子可将种群中的虚弱个体适时清除掉,从而大幅提升算法跳出局部陷阱的能力。在求解过程中,VS-CSO算法每次只对极少变量进行处理,因此可求解高维优化问题。测试结果表明,VS-CSO算法能求解一类非常复杂的单峰函数、多峰函数和复合函数优化问题,其求精能力、探索能力及两者的协调性均优良,且具有全局收敛性的特点。该算法为求解一些较高维复杂函数优化问题的全局最优解提供了可行方案。

基于均匀布点的混沌人口迁移算法及应用

人口迁移算法是近几年提出的一种新的全局优化搜索算法。引入均匀布点和混沌搜索算法,对基本的人口迁移算法进行了改进,提出了基于均匀布点的混沌人口迁移算法,并应用于聚类分析。通过二维随机数据实验和Iris数据集实验,对改进算法的有效性进行了验证。结果表明,改进的人口迁移算法能有效地避免陷入局部最优,具有更强的寻优能力,而且收敛速度更快。

基于SEIV传染病模型的函数优化方法

为了求解某些类型的复杂函数优化问题,基于SEIV传染病模型提出了一种新型函数优化算法,即SEIV算法。在该算法中,假设某个生态系统由若干个人和动物个体组成;每个人和动物个体均由若干个特征来表征。该生态系统存在一种传染病在人与动物之间传染,其传染规律为动物传给人或动物传给动物,这种传染病攻击的是个体的部分特征。每个染病个体均经历易感、暴露、接种或发病等阶段。个体的体质强弱是通过该个体的某些特征的暴露、某些特征的接种、某些特征的发病与某些特征的易感等情况综合决定的。依据SEIV传染病模型的疾病传播规律构造出了相关演化算子,其中E-E、V-V和I-I算子能传递强壮个体的特征信息,使得虚弱个体能向好的方向发展;S-E和S-S算子能使异类或同类(仅指动物)个体之间交换信息;S-V、V-S、E-I和E-V算子能使个体获得其他同类个体的平均特征信息,从而降低了个体陷入局部最优解的概率;S-S算子能使个体的活跃度提高,从而扩大搜索范围。体质强壮的个体能继续生长,而体质虚弱的个体则停止生长,从而确保该算法具有全局收敛性。结果表明,本算法对求解某些复杂函数优化问题具有较高的适应性和收敛速度。

团队进步算法在Ad-hoc网络优化问题中的应用

针对Ad-hoc网络优化问题,提出了一种分布式团队进步算法。算法将成员信息在节点间作分布式存储,从成熟成员中确定发起人以负责产生新成员和发布被淘汰成员信息,而新成员的评价则在其对应节点上完成。在一个ad-hoc协同计算系统中搜索具有最低处理负载的节点的模拟试验表明,该算法具有通信开销小、收敛速度快等优点,对同类优化问题具有参考价值。

基于记忆原理的人际关系优化算法

为求解复杂函数优化问题,基于人类记忆原理和人际关系,提出了一种新型函数优化方法,即MP-IRO算法。在该算法中,将个体分为恋人、知己、敌人、小人、陌生人5种对象类型,对应于恋爱、聚集、攻击、排斥、防御等5种行为,并构造相应的演化算子。恋爱算子能优先选择拥有长时记忆的个体,分享其表征特性;聚集算子能使个体摆脱局部最优解的陷阱;攻击算子能使个体之间活跃度增强;排斥算子能让个体远离瞬时记忆试探解方向,扩大搜索范围;防御算子能增加随机性。测试结果表明,本算法对求解复杂函数优化问题具有较高的适应性和收敛速度。

基于补偿回滚的操作系统故障自恢复技术

操作系统故障根据传播特性可分为process-local和kernel-global 2类,分别造成进程局部数据和内核全局状态的错误。现有技术通过重启系统或故障进程实现对进程局部数据错误的恢复,但未考虑内核全局状态的不一致问题,不能保证对kernel-global类型故障的恢复效果。针对以上问题,提出了一种基于补偿回滚的故障自恢复技术。该技术通过监测内核全局方法调用,在进程局部数据被正确恢复的前提下,利用补偿操作对不一致的内核全局状态进行恢复,控制了故障的传播效应,减小了单点故障造成的影响。此外,该技术以内核模块的形式实现,不需要对目标操作系统进行修改,可便捷地实现功能扩展和移植。故障注入实验结果表明,在保证系统功能正常的前提下,该技术能对91.6%的故障进行有效恢复,且带来的系统负载较小。

融合模式搜索与人口迁移的优化算法

针对人口迁移算法存在的收敛速度慢、优化精度低、易陷入局部最优等问题,提出一种融合模式搜索与人口迁移的优化算法。将模式搜索方法作为一种局部优化算子嵌入到人口迁移算法中,对人口迁移算法随机产生的点利用模式搜索方法进行局部优化。通过5个典型函数进行测试,结果表明,该算法收敛速度快、优化精度高,能有效求解全局优化问题。

参数动态调整的自适应布谷鸟算法

为提高布谷鸟算法的收敛速度和求解精度,提出了一种基于自适应机制的改进布谷鸟算法。该算法在迭代初期和末期分别使用两种自适应策略来动态调整步长和发现概率,提高了算法的局部和全局寻优能力。利用10个标准测试函数对基本布谷鸟算法、所提出的改进算法以及其他智能优化方法进行了仿真对比验证,结果表明所提出的改进布谷鸟算法在求解精度、稳定性以及收敛速度上都具有一定优势。

面向机器学习的分布式并行计算关键技术及应用

当前机器学习等算法的计算、迭代过程日趋复杂,充足的算力是保障人工智能应用落地效果的关键。本文首先提出一种适应倾斜数据的分布式异构环境下的任务时空调度算法,有效提升机器学习模型训练等任务的平均效率;其次,提出分布式异构环境下高效的资源管理系统与节能调度算法,实现分布式异构环境下基于动态预测的跨域计算资源迁移及电压/频率的动态调节,节省了系统的整体能耗;然后构建了适应于机器学习/深度学习算法迭代的分布式异构优化环境,提出了面向机器学习/图迭代算法的分布式并行优化基本方法。最后,本文研发了面向领域应用的智能分析系统,并在制造、交通、教育、医疗等领域推广应用,解决了在高效数据采集、存储、清洗、融合与智能分析等过程中普遍存在的性能瓶颈问题。

基于群体智能算法的大数据迁移策略研究

针对云数据中心不同于传统的数据中心,其管理和维护需要解决更加复杂的问题的情况,为实现云计算平台中大数据系统的平稳升级和更新,提出了一种基于群体智能算法的大数据迁移策略,解决了负载平衡和带宽瓶颈问题。首先对云计算体系架构上的大数据迁移技术进行研究和分析,然后采用人工鱼群优化算法解决m个服务器之间n个数据迁移的最优解问题。最后,将量子比特引入到人工鱼群算法中实现其三大基本行为。Cloudsim仿真平台上的测试结果表明:相比其他迁移策略,所提出算法能更有效地提高云数据中心的运行效率,具有更好的全局寻优能力。

改进的动物迁徙算法求解全局优化问题

致力于探索如何进一步提高动物迁徙算法的寻优能力和收敛速度,为此结合动物迁徙算法(AMO)和粒子群算法(PSO)提出了改进的动物迁徙算法(PSAMO)用来求解全局优化问题。改进策略在于应用标准粒子群算法中惯性权重W的特性,通过对惯性权重W的线性调节,来提高算法的全局搜索能力。在Matlab中为改进的动物迁徙算法设计了仿真实验。使用了23个benchmark基准测试函数,并将改进的算法所得到的最优解的平均值与粒子群优化算法、萤火虫算法、布谷鸟算法等已有的传统优化算法进行比较。