公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

贝叶斯博弈多目标进化算法及其收敛性分析: 2015年; 多目标进化算法(MOEAs)主要依靠非支配解排序推动种群搜索Pareto前沿,在种群迭代搜索前期具有较好的全局寻优性能,但进化后期易出现收敛停滞现象,影响算法对于复杂优化问题的全局寻优能力。由此提出了一种基于静态贝叶斯博弈策略的多目标进化算法(SBG-MOEA),将每个优化目标模拟为一个博弈参与者,以多次迭代中优化目标Pareto优化收敛程度映射为博弈收益,通过损益纳什均衡博弈机制驱动种群的Pareto寻优,理论分析证明了该方法具有全局收敛特性。基准测试函数的优化实验表明,与NSGA-II等经典算法相比,贝叶斯博弈策略有助于增强进化种群全局搜索能力。; 李智勇胡杰琼陈冬李仁发; 关键词：多目标优化进化算法

基于生态策略的动态多目标优化算法被引量：11: 2014年; 动态多目标优化问题(dynamic multi-objective optimization problems,DMOP)的目标函数、约束条件或者问题的相关参数随时间变化,是多目标优化领域非常重要的研究难题,传统方法难以很好地追踪其变化的Pareto前沿.针对动态多目标优化问题特点,提出了一种基于生态策略的动态多目标优化算法(dynamic multi-objective optimization algorithm based on ecological strategy,ESDMO).各种群可以采取不同的进化策略应对外部环境变化,捕食种群与被捕食群体间的竞争也促进种群不断提高生存力.受此启发,采用了一种多种群协同进化机制与强化学习策略相结合的协同进化计算模型.该算法定义了一种环境自检算子用于检测环境的变化,不同的种群采取不同的生态策略来应对动态环境变化.经过各种类型的动态多目标优化问题测试,实验结果表明所提出的算法具有更好的解集多样性、均匀性和分布性,验证了该算法对于解决动态多目标优化问题是有效的.; 张世文李智勇陈少淼李仁发; 关键词：动态多目标优化 PARETO前沿协同进化生态策略进化算法

融合目标空间分割的网格任务调度算法被引量：1: 2014年; 针对网格环境中多个相互独立的任务调度问题,提出一种融合空间分割思想的网格任务调度算法(OSD-GTSA,a Grid Task-Scheduling Algorithm based on Objective-Space-Divided)。算法结合了OSD-MOEA(A Multiple-Objective Evolutionary Algorithm based on the ObjectiveSpace-Divided)算法的目标空间分割的思想,通过对网格中多个相互独立的任务问题进行建模,针对费用和时间权重的不同,进行了3组仿真实验。实验结果表明,OSD-GTSA在算法的收敛性和Pareto解集的分布性上都取得了满意的效果。; 任长安李智勇罗庆云陈利平; 关键词：进化算法网格任务调度

基于生态种群捕获竞争模型的多目标Memetic优化算法被引量：3: 2015年; 本文针对复杂多目标优化问题Pareto前沿搜索难度大的特点,设计了一种结合多种群间捕获竞争、强化学习机制的多种群Memetic学习策略与进化计算模型.受种群进化、捕食种群与被捕食群体间的竞争等生态学原理的启发,提出了一种基于生态种群捕获竞争模型的多目标Memetic优化算法(Multi-Objective Memetic Algorithm based on Ecological Population Preying-competition Model,ECPM-MOMA).ECPM-MOMA算法设计并运用了捕获竞争、强化学习算子进行全局搜索,在种群进化过程中结合了Memetic搜索算子进行局部搜索.理论分析与实验结果表明,本文所提出的算法具有良好的收敛性能和分布特征,生态种群捕获竞争策略与进化计算模型对于解决复杂多目标优化问题是有效的.; 张世文李智勇林亚平; 关键词：多目标优化进化算法

面向大数据处理的并行优化抽样聚类K-means算法被引量：45: 2016年; 针对大数据环境下K-means聚类算法聚类精度不足和收敛速度慢的问题,提出一种基于优化抽样聚类的K-means算法(OSCK)。首先,该算法从海量数据中概率抽样多个样本;其次,基于最佳聚类中心的欧氏距离相似性原理,建模评估样本聚类结果并去除抽样聚类结果的次优解;最后,加权整合评估得到的聚类结果得到最终k个聚类中心,并将这k个聚类中心作为大数据集聚类中心。理论分析和实验结果表明,OSCK面向海量数据分析相对于对比算法具有更好的聚类精度,并且具有很强的稳健性和可扩展性。; 周润物李智勇陈少淼陈京李仁发; 关键词：大数据 K-均值概率抽样欧氏距离

异构云环境多目标Memetic优化任务调度方法被引量：19: 2016年; 云计算系统的高效能调度优化是当前重要的研究课题,面向异构云环境的多目标优化调度方法研究具有重要意义.云计算环境下的能耗和性能优化管理是NP-HARD的多目标组合优化问题,目前一般启发式调度系统大多采用带约束的性能或能耗的单目标优化计算方法,不能完全满足复杂云计算系统资源约束动态性与管理需求多样性的需求.基于传统进化优化的随机搜索算法应用于云环境下的DAG任务的多目标调度优化,计算开销大、计算实时性不足,文中提出了新的Memetic优化方法以解决异构云环境多目标调度优化问题.首先,文中针对异构云环境多目标调度优化问题,构建了一般性的数学定义;其次,针对该问题设计了多目标Memetic优化算法,采用基于解结构相关信息的Memetic局部搜索算子加速调度方案的局部优化能力,以提高算法的收敛速度、降低计算开销.实验结果表明,应用所提出的多目标Memetic优化算法进行异构云环境能耗和性能多目标调度优化,比传统方法具有更好的计算效率、解集多样性与收敛性能.; 李智勇陈少淼杨波李仁发; 关键词：DAG 云计算

基于正交设计的动态多目标优化算法被引量：3: 2016年; 提出了一种基于正交设计的动态多目标优化算法(ODMOA),当环境变化时通过分析动态多目标优化问题的特点,利用历史信息对新环境下的Pareto最优解集进行预测,得到一个新的预测种群;否则在静态环境下使用正交试验法在解空间内进行系统且高效的搜索,使算法能够在当前环境下快速收敛到最优解。进行了多组对比试验,验证了该算法的有效性。; 李智勇李峥陈恒勇张世文; 关键词：动态多目标优化 PARETO最优解集正交设计环境检测

云环境下超启发式能耗感知调度算法被引量：16: 2016年; 能耗感知调度的研究对云计算数据中心的可持续发展有着重要意义。能耗感知调度是一个NP难的多目标优化问题,目前云环境下的任务调度算法较少考虑能耗问题,且不能实现对能耗的灵活管理,随机搜索算法是一种解决该问题的有效途径,但其计算开销大,收敛速度慢。将异构云环境下的能耗感知调度问题定义为一个带约束的问题,即在一定的完成时间下优化系统能耗,以实现对能耗的灵活管理。此外,提出了基于在线学习的超启发式算法(OLHH),该算法结合电压调节技术,在设计了简单高效的启发式策略集的基础上,引进超启发式算法,并采用在线学习的方式跟踪启发式策略的表现,实现对启发式策略的合理管理,从而达到提高算法的收敛性能的目的。模拟实验表明,该算法能够实现系统能耗的灵活管理,且比传统的随机搜索算法有着更好的收敛性能。; 陈少淼李智勇杨波李彦武; 关键词：电压调节

全选清除导出

共1页<1>

国家自然科学基金(61173107)

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

国家自然科学基金(61173107)

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈