分享到:

基于群智能的复杂联盟机制研究

基于多agent系统(Multi-agent systems,MAS)的分布式智能控制正在蓬勃兴起,以适应计算机支持的协同工作等应用需求,因而使得对MAS中的联盟研究也变得越来越重要。如何形成一个稳定均衡的联盟,使联盟朝着稳定的方向发展,是控制理论的前沿课题,已经成为迫切需要解决的关键问题。传统的研究方法仅考虑一个agent只能加入一个联盟,势必造成agent能力和资源的极大浪费,而且在很多应用场合不能满足实际系统的需要。基于上述背景,本文提出“复杂联盟”的概念,并引入群智能技术,力图在多任务环境中实现真正意义上的一个agent可以同时加入多个联盟和一个联盟可以同时承担多个任务,从而能在一定程度上提高系统的任务求解效率和资源利用率,为解决复杂控制问题提供理论指导和方法依据。本文的主要内容及创新之处如下:(1)提出一种基于多粒子群协同优化的复杂联盟串行生成算法。基于图论的思想,给出了“虚拟agent”的概念,旨在转移父联盟的剩余能  (本文共108页) 本文目录 | 阅读全文>>

《信息系统工程》2016年12期
信息系统工程

多群智能算法的云计算任务调度的对策研究

随着社会的不断发展,科技的不断进步,我国各个领域近年来都得到了很好的发展,经济实力也得到了有效提升,当今社会的飞速发展使得对人才、对设备、对技术等多方面的要求都有所提升,尤其...  (本文共1页) 阅读全文>>

《数码世界》2017年05期
数码世界

从鸡群算法看群体智能算法的发展趋势

分析比较各种群智能算法的特点,并重点研究了鸡群算法的特异性特征,总结出鸡群算法具有群体中个...  (本文共1页) 阅读全文>>

武汉理工大学
武汉理工大学

基于社群特性的群智能算法研究及在物流中的应用

随着我国经济的飞速发展,物流作为现代服务业的主要支柱产业也面临着向信息化和智能化转型的机遇。高效、安全和低碳为物流资源的合理利用提出了更高的要求和挑战。在新发展趋势下,如何对具有大规模、动态和多目标等特征的复杂物流问题进行优化受到了特别关注,常规方法往往不能满足实际应用的需要。群智能算法高效和简洁的计算性能,为解决物流运作中的复杂问题提供了可行的技术手段。然而在解决复杂问题中,一般的群智能算法仍然面临着容易陷入局部最优和早熟等问题,阻碍了其在物流领域的深入应用。如果可以改善群智能算法缺陷,将会极大提升群智能算法的优化能力,拓展在物流领域的应用。论文旨在从种群拓扑网络、邻域结构和个体行为方面研究群智能算法的改进和构建,以提高智能算法在处理复杂优化问题的能力,为解决物流运作中的实际问题提供有效方法。论文主要研究工作和创新点如下:(1)从邻域构建角度,提出了聚类自适应粒子群改进算法(APSO-C)。基于对种群中个体搜索行为的分析,采用...  (本文共164页) 本文目录 | 阅读全文>>

温州大学
温州大学

改进群智能优化算法研究及应用

群智能优化算法由于其实现简单,灵活性强,鲁棒性高等优点,得到了很多研究者的关注,并被广泛的应用于各种领域的优化问题。近年来,有很多新颖的群智能算法被提出,其中包括灰狼优化算法(GWO)、鲸鱼优化算法(WOA)和蚱蜢优化算法(GOA)。这些算法都是通过模拟动物的捕食和迁移行为实现的。虽然这些群智能算法与经典的群智能算法(如遗传算法,粒子群算法等)相比具有明显的优势,但是在优化实际问题时依然有着收敛速度慢,容易陷入局部最优的问题。本文针对这三种群智能优化算法各自存在的问题分别提出了改进方法,并将这些改进算法成功应用到现实优化问题。本文的主要研究内容如下:(1)在GOA的基础上,通过引入反向学习机制、Levy飞行机制和高斯变异机制提高算法的全局和局部搜索能力,提出了一种改进蚱蜢优化算法(IGOA)。在IGOA算法中,高斯变异机制首先被用来增加种群多样性,提高局部搜索能力。其次,利用Levy飞行提高GOA的随机性和跳出局部最优的能力。最...  (本文共73页) 本文目录 | 阅读全文>>

西安理工大学
西安理工大学

基于GPU的群智能算法研究与实现

随着GPU等高性能平台近些年来的不断发展,同时群智能算法所具有的隐含并行性为算法在GPU上的实施提供了有利的平台基础,基于GPU平台的群智能算法逐渐成为解决高维复杂优化问题的首选。本文以群智能算法中具有代表性的粒子群优化算法(PSO,Particle Swarm Optimization)为例,研究如何进一步利用 GPU上的CUDA(Compute Unified Device Architecture)平台的计算性能,充分发挥群智能算法并行性的优势。主要研究工作如下:为充分利用GPU的计算资源,同时为提高算法的收敛精度,提出了基于CUDA streams的多种群PSO算法,使用基于岛屿模型的并行多种群机制,结合CUDA平台的流并发机制,将stream的数量与子群的数量一一对应,提高了原始算法的并行程度,使得并行PSO算法在原始线程级并行的基础上实现了更高级别的网格级并行,充分利用了 GPU的计算资源。实验结果表明,在使用4或8...  (本文共65页) 本文目录 | 阅读全文>>