一、并行遗传算法及其在组合优化问题上的分布式应用(论文文献综述)
张田[1](2021)在《基于混合智能算法的小水电配电网无功优化研究》文中指出小水电作为一种发展潜力巨大的新型清洁能源,它具有技术完善、经济效益好等优势。但是,现阶段的小水电发电还多见于边缘地区的供电系统,通常情况下会与10k V等母线进行直接并网操作。另一方面,小水电电网除了会随着季节以及地域等因素而发生变化以外,还存在供电半径长、导线截面积小等问题。综上,大量接入小水电会引起正常电网电压性能的稳定性下降。此外,小水电电网持续发电能力上的缺陷也势必加大电压输出稳定性控制的难度,导致电网系统的经济效益减少,因此,如何提高小水电电网系统的无功优化控制,从而稳定系统电压、降低网损,具有非常大的研究价值和应用价值。本文从小水电的发展状况以及国内外无功优化现状入手,介绍了目前主流的传统优化算法和人工智能算法的原理和优缺点。着重分析了小水电接入配电网带来的电压越限、无功分布不合理和线路损耗增加问题,提出构建基于小水电配电网的多目标无功优化数学模型,以网损最小为目标函数,电压偏移量与无功补偿量为罚函数。将包括发电机端电压在内的多个配电网参数作为控制变量,并介绍了配电网潮流计算方法。针对传统算法在求解小水电配电网无功优化、多目标问题上耗时长等问题,提出混合智能算法。重点阐述了遗传算法、多智能体算法的理论基础及主要特点,提出了基于多智能体和伪并行遗传算法的智能混合型求解算法。根据遗传算法的内在并行性和小水电站的特点,提出伪并行遗传算法。研究多智能体协同配合机制,针对多智能体自主、反应、社会等特点,将多智能体协作机制和网格环境引入到伪并行遗传算法中,增加了遗传算法跳出局部最优解的概率,在改进遗传算子的基础上引入了自学习算子,可使得系统传输数据量减小,增强系统多样性,从而能以较快速度收敛于全局最优解。本文基于MATLAB平台实现了算法的程序设计工作,分别采用辐射状IEEE 13标准节点和环状IEEE 30标准节点对含有小水电接入的配电网进行了仿真运算,将运算结果与传统的遗传算法以及多智能体遗传算法进行对比分析,结果表明本文所提出的算法在降低系统网损、提高电网电压质量等方面具有显着优势,而且大幅地提高了运算速度,具有更强的全局寻优能力。
吴昊[2](2020)在《基于双层并行算法的水电站群优化调度方法及应用研究》文中研究表明随着我国大型江河流域的水电站群规模急剧扩大,优化调度问题也随之越来越复杂。为充分发挥各水电站间最优水量补偿和优化调节的功效,从而达到水资源最大利用率,世界各地相关专业领域的科学家和学者们,都纷纷依据目前各类水电站的种类及特性,展开了优化调度模型相关理论和求解方法研究,然而调度模型的优化解精度和对应算法的计算耗时是两大主要相互制约矛盾点。近些年来随着计算技术的飞速发展,以此为契机可充分有效利用计算资源,根据模型和算法的不同特点提出相对应的并行算法,在保证或提高优化解精度的基础上,一定程度上可相对减少或保持原有模型优化求解的计算耗时。因此本文以我国西南地区某大型流域为研究背景,取其部分相邻串联水电站,且都具备年调节功能。根据梯级水电站群库容水流优化调节的理论方法及其模型特点,以能够获得理想优化结果作为目的,在单机多核、联网多机两种架构模式下提出了双层并行算法,针对如何提高计算效率展开研究,从而可进一步提高对梯级水电站群优化调度的管理水平。本文主要研究成果如下。(1)在水电站发电优化调度模型中应用人工鱼群算法,为避免陷入局部优化解,可将其结合混沌优化算法,扩大单体人工鱼的遍历搜索范围,另一方面可增加单体人工鱼数目,从而进一步提高优化调度模型优化解的精度,然而计算耗时会有一定程度的增加。针对该问题并结合模型特点,对其可并行化因素进行深入的分析研究,以多台多核计算机互联组成网络系统为硬件基础,提出了混沌人工鱼群双层并行算法,之后对我国西南某流域的单一水电站发电优化调度模型展开了实例验证。结果表明该双层并行算法不仅提高了整体优化解的精度,同时能有效将计算耗时控制在可接受的范围之内。(2)将传统动态规划算法应用于水电站优化调度模型中,增加时段内初、末库容状态变量离散数,可进一步使整体优化解收敛于理论最优值,但计算耗时会成倍增加。针对该问题,基于时段内初、末状态库容变量各循环计算的可并行性,提出了双层并行动态规划算法。通过我国西南某流域水电站发电优化调度模型的实例验证,表明该算法在整体优化解精度和计算耗时两个矛盾点有较好的制衡作用。(3)当应用动态规划算法求解梯级水电站群与库容水流优化调节相关的水力发电模型时,若提高优化解精度,易产生“维数灾”现象,对其计算进行并行化处理可在一定程度上减少计算时间,但并未有效降维,计算时间依然较多。基于大系统分解协调原理建立的二级递阶结构调度模型可有效降维,且可应用多线程技术并行化的标准动态规划算法求分解后水电站子系统的优化解。针对标准动态规划算法中可并行化因素展开分析研究,引出了基于大系统分解协调及分解后单一水电站双层并行动态规划的梯级水电站群发电优化调度模型。其并行因素主要采自于分解后各水电站时段内初、末离散化库容状态变量的两种细粒度子任务划分,通过扩大离散程度来提高优化结果精度。以我国西南某流域的梯级水电站群作为实例背景,验证了该方法的有效性。(4)基于大系统分解协调方法,根据多台多核计算机互联的体系架构,提出了梯级水电站群优化调度模型的异时启动双层并行计算。该方法的基本思路是首先将多台多核计算机分配给对应编号的水电站,通过异时启动并行算法实现各水电站之间的相互独立计算,即为粗粒度任务划分的第一层并行计算;第二层并行计算便是基于分解后水电站自身标准动态优化计算的并行化处理,也是时段内离散化的初或末库容状态变量细粒度子任务划分。以我国西南某流域的梯级水电站群作为实例背景验证了该方法能够有效控制计算耗时和整体优化解精度。
姜垚先[3](2020)在《通信卫星中增强型多波束天线系统功率优化研究》文中进行了进一步梳理随着近代卫星通信系统网络容量和用户数量的快速增长,多波束天线出现并得到了广泛的应用。多波束反射面天线具有主瓣窄、增益高、结构简单、性能优良等优势,通过空间隔离实现频率复用,提高了卫星通信系统的通信容量和频谱利用率。采用增强型波束成形法与多端口放大器相结合的多波束天线系统,可以有效提高功率放大器的利用率,减少单个功放对于波束性能的影响,提高了天线系统的鲁棒性。因此,本文以增强型多波束反射面天线波束成形优化和天线系统功率优化设计为主要对象进行研究,具体从以下三个方面展开工作:1.首先研究了多波束天线系统的基础原理。介绍了影响天线性能的基本参数,重点分析了波束形成矩阵、多波束反射面天线和多端口放大器的工作原理与实现方式,并研究了空间多波束频率复用方案与同频干扰问题。2.针对增强型多波束反射面天线空间波束成形进行优化设计。详细阐述了馈源阵列激励优化原理,在给定期望方向图的情况下,设计了函数拟合法和包络采样法两种方案,分别对波束成形优化目标函数进行构建。通过引入最优稳态保存策略和伪并行遗传进化策略对遗传算法进行改进,提出了一种基于改进遗传算法(Improved Genetic Algorithm,IGA)的馈源激励系数优化算法,对构建的不同模型进行优化求解。通过仿真得到:两种模型优化形成的64个波束满足系统要求,主瓣增益大于49.65d Bi,同频复用载干比大于12d B;但从合成波束的形状、主瓣宽度和副瓣的拟合情况来说,包络采样法效果优于函数拟合法。3.针对增强型多波束天线系统输出功率进行优化设计。详细研究了基于多端口放大器的多波束天线系统原理,设计了基于分割多端口放大器(Divided Architecture Based on Multi-port Amplifier,DA-MPA)的增强型多波束卫星天线激励映射模型。通过引入混合进化模型和自适应参数控制策略对差分进化算法进行改进,提出了基于改进差分进化算法(Improved Differential Evolution Algorithm,IDE)的多波束卫星天线激励映射算法,针对不同仿真场景下多波束天线系统激励映射关系进行优化设计。仿真表明:采用基于IDE的多波束卫星天线激励映射算法优化目标激励映射关系,可以有效地抑制输入混合矩阵对于相干信号的影响,相较于传统无激励映射模式,天线系统功率效率提高了46.89%。
汪培萍[4](2020)在《一种改进的自适应遗传算法及在智能排课系统中的应用研究》文中进行了进一步梳理遗传算法作为求解问题的一种自组织与自适应的人工智能技术,对一般组合优化问题提供了有效工具。但随着现代信息技术应用领域的不断扩大,现实工程问题的复杂多样,传统遗传算法的不足逐渐呈现出来。在智能排课问题中,多约束复杂组合优化的NP难完全问题,采用传统遗传算法难以解决。当前智慧校园和一站式网上服务大厅在高校数字化校园建设中广泛应用,且随着扩招政策实施,多种教学模式和环境约束下的高校教务管理工作也发生巨大变革,解决高校智能排课问题很有意义。本文对传统遗传算法的初始种群、编码设计、自适应交叉和变异算子及冲突检测方式进行了研究,应用性能较优的算子操作,根据平均适应度和最大适应度之间的个体适应度,非线性地调整交叉率和变异率,构造了一种改进的新型自适应遗传算子,设计了一种改进的新型自适应遗传算法,使得算法跳出局部最优解,提高了精确度。在此基础上,分析了高校排课的要素和约束条件,建立了高校智能排课系统数学模型,并将改进的自适应遗传算法应用在高校智能排课系统中。经过实验验证,改进后的新型自适应遗传算法,在设置不同的排课条件规则下,学生选课的满足率达到98%,总体规则满足率均值达到95.8%,应用在智能排课系统中排课效率总体满足率提升到98%,为智能排课问题提供了新的思路和方法,使高校排课管理体制更智能化,提高了教学资源合理配置以及教育教学计划完成力度。目前,基于这种新型改进的自适应遗传算法的智能排课系统已通过线上线下测试,在广东省佛山市顺德区的一个学校得到了实际应用,成功部署在学校实验中心机房的服务器上,各模块功能使用正常,系统运行良好。
黄遥[5](2020)在《混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究》文中进行了进一步梳理物流能够保证商品的流通,因此它是商品经济的动脉。车辆路径问题作为物流活动中的优化问题,更是具有深远的研究价值。群智能优化算法作为一类新兴的优化算法,虽然具有较好的寻优性能,但是面临复杂度不断升级的问题,求解性能也面临挑战。基于上述背景,本文对混合蛙跳算法及其在带容量约束的车辆路径问题中的应用进行研究,主要研究内容如下:(1)分析混合蛙跳算法的结构弊端,提出一种基于解空间跳跃和信息交互强化的混合蛙跳算法求解函数优化问题。算法在局部搜索中增加了子群次优解和次劣解的交互,强化内部信息交互;设计了反向跳跃机制,降低劣解生成概率,增强算法开发能力;对子群最优解进行变异,保证种群多样性;通过子群最优解交叉加深子群间交互,引入反向跳跃思想防止种群加速同化。选取23个不同类型的测试函数,验证策略的有效性和所提算法的性能,实验结果表明所提策略均能改善算法性能;与4种性能优越的算法对比,所提算法的整体性能优于对比算法,表现出了较好的求解精度和稳定性。(2)根据旅行商问题的特点,提出了一种基于启发信息的混合蛙跳算法求解旅行商问题。该算法设计了基于启发信息的个体生成算子,能够同时从优解和劣解中提取有效信息;采用反向轮盘赌策略,实现种群的多样性;设计了基于独立最优子群的算法框架,强化算法开发能力,平衡各子群搜索能力;变异并优化局部最优解,有助于跳出局部最优;强化局部搜索,提升求解精度和速度。共用31个标准测试实例,分别验证个体生成算子和改进策略的有效性以及所提算法的性能,实验结果表明个体生成算子和改进策略是有效的;与8种对比算法相比,本文所提算法在求解旅行商问题时具有更好的精度和稳定性。(3)分析带容量约束的车辆路径问题和旅行商问题的异同点,以上述基于启发信息的混合蛙跳算法为框架,修改了个体解码方式,将约束条件从车辆的容量转化为使用车辆的数量;设计与违反约束程度成正相关的惩罚函数,在算法迭代中淘汰不可行解;删除原有的强化局部搜索策略,在个体解码环节中,对每个车辆的路径分别进行局部搜索。采用45个不同规模的实例作为测试集,与近期具有代表性的4种算法进行对比实验,实验结果表明所提算法在带容量约束的车辆路径问题上具有更高的求解精度。
任名[6](2020)在《基于云计算的智能楼宇负荷的优化调度》文中进行了进一步梳理近年来,随着需求响应和智能电网技术的发展,分布式能源逐渐应用在居民用电中,智能家庭设备在居民用户中得到了快速发展。但智能电网需求响应研究,主要针对大中型建筑、电动汽车充电站等用户展开,针对居民用户侧研究较少。因此,本文在云计算环境下,兼顾电网侧与用户侧的需求,研究了楼宇用户用电优化调度问题。主要研究内容如下:首先,对云计算平台进行了介绍,分析了云计算平台在电力系统中的应用。并且对用户用电设备特性进行分析,用户根据其用电习惯和设备运行特性将楼宇用户分为四类,并将用电负荷分为三类:不可控负荷、可中断负荷、可转移负荷。其次,结合分时电价信息,考虑用户侧三种优化目标:用户不满意度最小化、用电费用最小化、碳排放最小化,并分别针对三个优化目标建立模型。并且对Pareto理论进行了介绍,给出了多目标优化问题的数学描述以及非支配解和非支配解集的定义。提出一种基于种群分布式的并行遗传算法(populations distributed parallelgenetic algorithm,PDPGA)的求解方法。将计算任务分配给局域网的多台子节点计算机并行执行。最后,以夏季某智能用户的用电情况为例,在Matlab环境下建立并模拟该模型。通过对比分析,本文提出的多目标优化策略能够在不影响用户用电体验的前提下有效地较好地实现用户的节电和舒适目标,减少碳排放量。同时改进的PDPGA优化方法能充分利用云计算平台的计算资源,降低优化计算时间,并且使居民负荷参与需求响应,协助维持电网的稳定运行,体现了智能楼宇绿色、安全的特征以及智能电网灵活、互动的特点。
肖昂弘[7](2020)在《基于云计算的分布式入侵肿瘤生长优化算法及其应用》文中指出随着大数据时代的到来,许多优化问题的复杂性和数据规模都在不断增长,一方面造成了巨大的搜索空间,使算法容易陷入局部最优;另一方面带来了沉重的计算负担,导致大量耗时,这使传统的进化算法面临严峻的挑战。入侵肿瘤生长优化算法(ITGO)是本实验室提出的一种新的进化算法,已经被证明具有优秀的求解能力和现实应用价值,但由于单机版ITGO算法缺乏扩展性,在求解一些大规模优化问题时难以在合理的时间内求得最优解。面向云计算的分布式计算由于具有灵活性、易扩展、方便处理大规模数据等优势而被广泛应用,进化算法可以通过分布式计算框架来迁移拓展到云计算平台上,实现并行优化需求。因此,本文将结合ITGO算法与面向云计算的Spark框架,设计实现一种具有良好扩展性与求解能力的分布式入侵肿瘤生长优化算法Spark-ITGO,使其可以应用于求解大规模优化问题。本文结合分岛模型和Spark平台的特点,设计了一种基于弹性分布式数据集(RDD)及中心广播机制的Spark分岛框架,来对ITGO进行多种群并行优化,使单机版ITGO能够扩展到多节点多核心并行运行,从而加速整个种群的进化过程。该框架具有良好的通用性和扩展性,不需要对原始的进化算法作任何修改,易于拓展到大多数进化算法的并行化实现。本文结合单机版ITGO算法的特点,设计了一种多岛平衡最优迁移策略在多个种群之间进行个体迁移,实现不同种群间的信息交流。该迁移策略兼顾了种群多样性的引入和迁移个体的质量,同时保持各个岛屿迁入的个体整体质量均衡,能够有效地增加种群的多样性,从而避免算法陷入局部最优,促进全局最优解的搜索,并加速整个收敛过程。本文将Spark-ITGO应用于解决生物医学数据的聚类、云数据中心的容器调度和关联基因的上位性检测等具体应用问题,通过根据具体的应用场景对Spark-ITGO进行相应的改进,包括离散化解空间、增加实际约束条件等来进一步提升Spark-ITGO求解具体应用问题的效果,从而验证Spark-ITGO求解实际优化问题的能力。通过在多节点集群上对Spark-ITGO进行大量的基准测试、扩展性测试以及实际应用实验,并和ITGO及其它优化算法进行对比,结果表明Spark-ITGO具有良好的扩展性,其求解能力较ITGO有进一步的提升,并且可以有效地应用到实际优化问题中。
臧永森[8](2018)在《基于Hadoop求解大规模VRPTW问题的并行遗传算法》文中研究表明车辆路径问题广泛应用于各个领域,不论是机器人自主无碰运动、服务网络规划等学术研究领域,还是数字地图导航、仓库AGV无导引小车运作等工业生产环境,甚至是与人们生活息息相关的快递配送业,都要用到车辆路径问题的优化理论。车辆路径问题的研究,不仅具有重要的学术研究意义,而且有重要的生产实用价值。带有时间窗的车辆路径问题在车辆路径问题的基础上考虑了时间成本的影响,更加符合实际需求。针对带有时间窗的车辆路径问题的研究已经比较成熟,包括精确算法、启发式算法、元启发式算法等,但这些算法基本都是串行的集中式算法,大都只能求解中小规模的车辆路径问题,然而现在的车辆路径问题动辄就是上千个节点的规模,加上时间窗的约束,传统串行算法求解效率比较低,短时间内很难求解出可接受解。当今大数据、云计算等计算机技术的蓬勃发展,为并行计算提供了技术支持,也为并行化解决大规模带有时间窗的车辆路径问题提供了新的思路。针对集群式并行计算具有高容错性、高扩展性、高可用性和廉价性等方面的优势,本研究选用了经典的集群分布式并行计算平台----Hadoop作为并行计算的基础架构,基于此使用MapReduce并行框架进行分布式并行算法的设计与优化,用以解决大规模带有时间窗的车辆路径问题。本研究在基础算法的设计上,选取了具有天然并行特性的遗传算法。为了最大限度地降低遗传算法的巨大计算开销,本文选择并改进了比较优秀的选择、交叉、变异算子。在MapReduce框架中,map和reduce阶段的设计上,充分考虑了大规模车辆路径问题的遗传基因的长度带来的影响,同时考虑了如何降低集群间信息传输的压力,最终采用粗粒度并行模型----遗传算法岛屿模型嵌入MapReduce框架。在键值对的处理上,利用键值对中“键”的不变性保持遗传算法解个体和适应度值的一致性,并将迁徙操作与shuffle阶段结合起来,保证迁徙过程顺利执行。本文使用带有时间窗的车辆路径问题的大规模标准算例----Gehring&Homberger(1999)算例进行了算法验证,分别从并行算法的有效性、串行和并行算法的对比、集群处理器数量对算法的影响和处理器配置对算法的影响等四个方面进行了数值实验与精确的分析,并论述了本文研究的有效性和重要价值。
曹立禄[9](2017)在《基于Hadoop的遗传算法在TSP中的研究》文中研究指明信息爆照时代,数据规模急剧增加,大数据分析计算平台应运而生。以遗传算法为代表的智能算法,具有并行运行的特点,在处理多条件、多约束及非线性等实际问题中所起的作用越来越明显。本文着重研究如何将遗传算法在大数据分析计算平台上进行有效的运行,并在TSP(旅行商问题—Travelling Salesman Problem)问题中实例化文章提出的混合并行遗传算法(HPGA,Hybrid Parallel Genetic Algorithm)。本文主要研究工作和成果如下:(1)讨论遗传算法并行的可能性。由于遗传算法天生具有并行运行的属性。因此,如何提升其并行的效果是本文讨论的重点。学术界,已经有很多专家学者对遗传算法并行的可能性做了相关的研究。本文在前人研究的基础上,对研究成果进行充分的讨论,以确保优化遗传算法的并行特性。(2)建立基于Hadoop的混合并行遗传算法模型。基于遗传算法并行可行性的讨论研究,本文构建了基于Hadoop的混合并行遗传算法模型。将不同的并行遗传算法模型进行合理的整合,使其具有更好的伸缩性,提高混合并行遗传算法模型在面对实际问题求解过程中的适应能力。在提高求解效率的同时,又能很好保持遗传算法的优秀特性。(3)模型框架的实例化和方法研究。本文选取TSP旅行商问题实际背景,以混合并行遗传算法为基础,对提出的算法模型进行实例化验证,通过实验数据证明本文提出模型框架的可用性。
张宏伟[10](2016)在《基于MapReduce的遗传算法在组合优化问题中的研究》文中提出在现实社会中,很多生产和生活问题都可以建模为组合优化问题,特别是随着“互联网+”时代的到来,科学技术水平得以飞速发展,数据信息呈爆炸式的增长,越来越多的新型组合优化问题得以涌现。研究如何能更好的解决组合优化问题将为人们的生产生活带来巨大的收益。本文采用了遗传算法来求解组合优化问题,但是传统单机遗传算法在解决组合优化问题上存在稳定性差,多次实验需要消耗大量时间等缺点,本文实现了基于MapReduce分布式计算框架下的并行遗传算法。使每个种群在相应节点上并发执行,最后通过适应度评比选出最优个体。本文主要做了如下的工作:(1)将传统的遗传算法进行了优化,在种群初始化中加入了贪心策略,在选择策略上采用了轮盘赌与最佳个体保留的策略,并对交叉算子和变异算子进行了参数分析实验,采用了启发式交叉算子和自适应变异算子相结合的方法。(2)将优化后的遗传算法移植到了MapReduce分布式计算框架上,同时对MapReduce分布式计算框架进行了参数优化,进一步提高了整个框架的计算性能。最终将程序部署在Hadoop平台上运行,以旅行商问题作为实验对象,采用TSPLIB库提供的数据作为实验数据,实验结果表明,当实验次数大于10次时,相比于传统单机遗传算法,程序运行时间减少了近56.4%,寻解能力明显增强。同时,因为分布式并行遗传算法具有一次运行多次实验的特点,从而在一定程度上克服了遗传算法稳定性差的缺点。
二、并行遗传算法及其在组合优化问题上的分布式应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、并行遗传算法及其在组合优化问题上的分布式应用(论文提纲范文)
(1)基于混合智能算法的小水电配电网无功优化研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 小水电的国内外发展状况 |
1.2.2 小水电配电网无功优化的国内外研究现状 |
1.3 主要研究内容 |
第2章 小水电配电网无功优化的理论研究 |
2.1 小水电配电网无功优化的影响分析 |
2.1.1 小水电接入配电网电压特性的分析 |
2.1.2 小水电接入配电网对线损影响的分析 |
2.2 小水电配电网的无功优化数学模型 |
2.2.1 目标函数 |
2.2.2 约束条件 |
2.3 小水电配电网无功优化的潮流计算 |
2.3.1 节点导纳矩阵 |
2.3.2 牛顿拉夫逊法潮流计算方法 |
2.4 本章小结 |
第3章 基于混合算法的小水电配电网无功优化 |
3.1 多智能体算法 |
3.1.1 多智能体的相关定义 |
3.1.2 多智能体的协调与协作 |
3.2 遗传算法 |
3.2.1 遗传算法简介 |
3.2.2 遗传操作 |
3.2.3 伪并行遗传算法 |
3.3 混合算法的提出 |
3.4 混合算法的步骤 |
3.5 本章小结 |
第4章 混合算法在小水电配电网中的应用 |
4.1 基于IEEE13节点系统无功优化结果分析 |
4.1.1 IEEE13节点系统 |
4.1.2 仿真结果分析 |
4.2 基于IEEE30节点系统无功优化结果分析 |
4.2.1 IEEE30节点系统 |
4.2.2 仿真结果分析 |
4.3 本章小结 |
结论与展望 |
参考文献 |
攻读硕士学位期间取得的科研成果 |
致谢 |
(2)基于双层并行算法的水电站群优化调度方法及应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及研究意义 |
1.1.1 选题背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 梯级水电站群优化调度模型计算现状综述及分析 |
1.3.1 梯级水电站群调度模型及算法演进历程 |
1.3.2 梯级水电站群优化调度模型计算存在的主要问题 |
1.4 本文主要研究内容及技术路线 |
1.4.1 主要研究内容 |
1.4.2 研究技术路线 |
1.5 本文研究创新点 |
第2章 双层并行计算架构模式研究 |
2.1 双层并行计算方法研究 |
2.1.1 并行计算机内存结构 |
2.1.2 并行计算架构 |
2.1.3 并行计算实现方法及考虑因素 |
2.1.4 并行计算性能评价指标 |
2.1.5 双层并行计算架构 |
2.1.6 并行算法 |
2.2 优化算法并行化基础理论研究 |
2.2.1 传统优化算法并行化 |
2.2.2 智能优化算法及其并行化 |
2.3 本章小结 |
第3章 水电站优化调度模型的双层并行算法 |
3.1 水电站发电量最大优化调度基本模型 |
3.2 基于混沌人工鱼群双层并行算法的水电站优化调度模型 |
3.2.1 混沌人工鱼群双层并行算法(CAFSDPA) |
3.2.2 基于CAFSDPA水电站发电优化调度模型的求解步骤 |
3.3 基于双层并行动态规划算法的水电站优化调度模型 |
3.3.1 动态规划算法的并行因素分析 |
3.3.2 模型双层并行计算流程 |
3.4 本章小结 |
第4章 基于双层并行算法的水电站优化调度模型实证研究 |
4.1 基于CAFSDPA的水电站优化调度模型实证研究 |
4.1.1 相近算法计算结果比较 |
4.1.2 部分参数不同情况下CAFSDPA计算结果比较 |
4.2 基于双层并行动态规划算法的水电站实例论证 |
4.3 本章小结 |
第5章 梯级水电站群的双层并行算法研究 |
5.1 基于大系统分解协调的双层并行算法研究思路 |
5.2 梯级水电站群发电优化调度大系统分解协调模型 |
5.2.1 大系统分解协调 |
5.2.2 梯级水电站群发电优化调度基本模型 |
5.2.3 梯级水电站群发电优化调度分解协调模型 |
5.3 基于分解后水电站CAFSDPA的大系统分解协调模型 |
5.3.1 模型基本原理 |
5.3.2 模型计算步骤 |
5.4 基于分解后水电站多线程并行动态规划的双层并行算法研究 |
5.4.1 分解后水电站动态规划算法 |
5.4.2 模型计算可并行化分析 |
5.4.3 多线程技术并行计算 |
5.4.4 算法结合基本原理 |
5.4.5 模型计算步骤 |
5.5 基于分解后各水电站异时启动并行计算的双层并行算法研究 |
5.5.1 异时启动并行计算 |
5.5.2 并行策略的主要研究方向 |
5.5.3 梯级水电站群优化计算新型并行策略基本研究思路 |
5.5.4 梯级水电站群优化计算的新型并行策略 |
5.5.5 新型并行策略分析 |
5.5.6 基于分解后各水电站异时启动并行计算的双层并行算法 |
5.6 混联水电站群新型并行策略展望 |
5.7 本章小结 |
第6章 基于双层并行算法的水电站群大系统分解协调模型实证研究 |
6.1 实例背景 |
6.2 基于分解后水电站CAFSDPA的分解协调模型实例验证 |
6.2.1 模型计算流程及问题论证方向 |
6.2.2 计算结果分析 |
6.3 基于分解后水电站多线程双层并行动态规划的分解协为模型实例验证 |
6.3.1 程序流程图 |
6.3.2 计算结果与分析 |
6.4 基于分解后水电站异时启动并行计算的大系统分解协调双层并行算法实例验证 |
6.4.1 基本模型建立 |
6.4.2 异时启动并行计算方法设计 |
6.4.3 实例计算结果与分析 |
6.5 本章小结 |
第7章 研究成果和结论 |
参考文献 |
攻读博士学位期间发表的论文及其它成果 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(3)通信卫星中增强型多波束天线系统功率优化研究(论文提纲范文)
摘要 |
ABSTRACT |
符号对照表 |
缩略语对照表 |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外发展现状 |
1.2.1 星载多波束天线系统相关技术研究现状 |
1.2.2 智能进化算法国内外研究现状 |
1.3 论文研究内容安排 |
第二章 多波束卫星天线系统与智能进化算法理论 |
2.1 天线理论基础 |
2.1.1 天线坐标系 |
2.1.2 天线基本参数 |
2.2 多波束卫星天线系统研究 |
2.2.1 波束形成矩阵 |
2.2.2 多波束天线 |
2.2.3 多端口放大器 |
2.3 阵列天线理论基础 |
2.4 智能进化算法 |
2.4.1 遗传算法 |
2.4.2 差分进化算法 |
2.5 本章小结 |
第三章 增强型多波束反射面天线波束成形优化 |
3.1 多波束天线波束成形基本理论 |
3.1.1 增强型多波束反射面天线设计原则 |
3.1.2 频率复用研究 |
3.1.3 同频干扰分析 |
3.2 馈源阵列激励优化原理 |
3.3 优化目标函数建模与馈源组的选择优化 |
3.3.1 优化目标函数建模 |
3.3.2 馈源组选择优化 |
3.4 基于IGA的馈源激励系数优化算法 |
3.4.1 搜索空间限定策略与罚函数策略 |
3.4.2 最优稳态保存策略 |
3.4.3 伪并行遗传进化策略 |
3.5 基于IGA算法目标波束优化仿真 |
3.5.1 仿真条件介绍 |
3.5.2 IGA算法收敛性能分析 |
3.5.3 仿真结果验证分析 |
3.6 本章小结 |
第四章 增强型多波束卫星天线系统功率优化 |
4.1 基于多端口放大器的多波束天线系统 |
4.1.1 混合矩阵网络传输特性 |
4.1.2 多端口放大器传输特性 |
4.1.3 基于多端口放大器的多波束天线系统分析 |
4.2 基于DA-MPA的增强型多波束天线激励映射模型 |
4.3 优化目标函数建模 |
4.4 基于IDE的多波束卫星天线激励映射算法 |
4.4.1 混合进化模型 |
4.4.2 自适应参数控制策略 |
4.5 基于IDE算法的功率优化仿真 |
4.5.1 仿真条件介绍 |
4.5.2 IDE算法收敛性能分析 |
4.5.3 仿真结果验证分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 后续展望 |
参考文献 |
致谢 |
作者简介 |
(4)一种改进的自适应遗传算法及在智能排课系统中的应用研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.3 研究方法与内容 |
1.4 论文组织架构 |
2 遗传算法理论基础 |
2.1 遗传算法的概述 |
2.1.1 产生与发展 |
2.1.2 基本原理 |
2.1.3 基本特点 |
2.1.4 实现要素 |
2.2 自适应遗传算法研究 |
2.2.1 初始种群 |
2.2.2 编码方式 |
2.2.3 交叉和变异算子 |
2.2.4 冲突检测方式 |
2.3 本章小结 |
3 改进的自适应遗传算法 |
3.1 改进的AGA优化设计 |
3.1.1 流程设计 |
3.1.2 编码及其染色体表示 |
3.1.3 初始化种群 |
3.1.4 冲突检测和消除 |
3.1.5 构造适应度函数 |
3.1.6 遗传算子 |
3.1.7 控制参数设置 |
3.2 实验及数据分析 |
3.2.1 种群规模 |
3.2.2 交叉概率Pc |
3.2.3 变异概率Pm |
3.2.4 实验结果对比 |
3.3 本章小结 |
4 智能排课系统设计与实现 |
4.1 排课问题的需求分析 |
4.1.1 排课问题描述 |
4.1.2 系统业务建模 |
4.1.3 系统需求分析 |
4.1.4 系统领域模型 |
4.2 智能排课系统设计 |
4.2.1 系统开发环境 |
4.2.2 系统总体架构设计 |
4.2.3 数据库设计 |
4.3 智能排课系统的功能实现 |
4.3.1 排课首页菜单说明 |
4.3.2 排课设置 |
4.3.3 排课规则设置 |
4.3.4 智能排课 |
4.3.5 课表管理 |
4.4 本章小结 |
5 系统测试 |
5.1 功能测试 |
5.2 系统性能测试 |
5.3 兼容性测试 |
5.4 本章小结 |
6 总结与展望 |
6.1 论文工作总结 |
6.2 下一步研究展望 |
参考文献 |
致谢 |
附录 Ⅰ |
附录 Ⅱ |
攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(5)混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 选题背景与意义 |
1.2 混合蛙跳算法研究现状 |
1.3 旅行商问题研究现状 |
1.4 带容量约束的车辆路径问题的研究现状 |
1.5 本文工作内容和创新点 |
1.6 本文结构安排 |
第二章 相关知识和理论 |
2.1 优化问题和方法 |
2.1.1 优化问题 |
2.1.2 优化方法 |
2.2 混合蛙跳算法 |
2.2.1 混合蛙跳算法的基本思想 |
2.2.2 混合蛙跳算法的具体实现 |
2.3 本章小结 |
第三章 基于解空间反向跳跃和信息交互强化的混合蛙跳算法求解函数优化问题 |
3.1 引言 |
3.2 函数优化问题 |
3.3 基于解空间反向跳跃和信息交互强化的混合蛙跳算法 |
3.3.1 引入多元信息交互 |
3.3.2 引入反向跳跃机制 |
3.3.3 局部最优解变异 |
3.3.4 子群信息深度交互 |
3.3.5 算法实现 |
3.4 实验仿真与结果分析 |
3.4.1 测试集选择 |
3.4.2 改进策略有效性验证 |
3.4.3 所提改进算法性能测试 |
3.5 本章小结 |
第四章 基于启发信息的新型混合蛙跳算法求解TSP |
4.1 引言 |
4.2 旅行商问题的概述 |
4.3 基于启发信息求解TSP的新型混合蛙跳算法 |
4.3.1 基于贪婪交叉的个体生成算子 |
4.3.2 反向轮盘赌策略 |
4.3.3 建立独立最优子群 |
4.3.4 局部最优解变异策略 |
4.3.5 增强局部搜索 |
4.3.6 算法实现 |
4.4 实验仿真与结果分析 |
4.4.1 个体生成算子的有效性验证 |
4.4.2 改进策略的有效性验证 |
4.4.3 所提算法的性能验证 |
4.5 本章小结 |
第五章 基于启发信息的混合蛙跳算法求解CVRP |
5.1 引言 |
5.2 带容量约束的车辆路径问题概述 |
5.3 基于启发信息求解CVRP的混合蛙跳算法 |
5.3.1 编码与解码方式 |
5.3.2 适应度函数 |
5.3.3 强化局部搜索的改进策略 |
5.3.4 算法实现 |
5.4 实验仿真与结果分析 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 工作展望 |
参考文献 |
致谢 |
作者简介 |
(6)基于云计算的智能楼宇负荷的优化调度(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 智能楼宇研究现状 |
1.2.2 云计算技术研究现状 |
1.2.3 用户侧负荷调度研究现状 |
1.2.4 需求响应研究现状 |
1.3 本课题研究的主要内容 |
第二章 云计算技术及其在电力系统中的应用 |
2.1 云计算概述 |
2.2 Hadoop平台概述 |
2.3 云计算平台在电力系统中的应用 |
2.4 本章小结 |
第三章 智能楼宇用户负荷的特性分析及建模 |
3.1 智能楼宇用户负荷用电调度系统 |
3.2 用户负荷的特性分析及分类 |
3.2.1 用户用电习惯分析及分类 |
3.2.2 负荷特性分析及分类 |
3.3 楼宇负荷用电调度模型 |
3.3.1 用电费用E |
3.3.2 用户不满意度U |
3.3.3 碳排放量C |
3.3.4 储能蓄电池模型 |
3.4 本章小结 |
第四章 多目标优化调度策略 |
4.1 Pareto理论 |
4.1.1 Pareto多目标优化理论 |
4.1.2 多目标纳什均衡决策理论 |
4.2 非支配排序遗传算法 |
4.3 并行遗传算法 |
4.4 基于种群分布式并行遗传算 |
4.5 本章小结 |
第五章 优化调度策略仿真分析 |
5.1 参数设置 |
5.1.1 负荷参数 |
5.1.2 光伏发电及电价参数 |
5.2 第二类用户优化仿真分析 |
5.2.1 第二类用户优化后用电策略 |
5.2.2 第二类用户用电策略对比分析 |
5.3 第三类用户优化仿真分析 |
5.3.1 第三类用户优化后用电策略 |
5.3.2 第三类用户用电策略对比分析 |
5.4 第四类用户优化仿真分析 |
5.4.1 第四类用户优化后用电策略 |
5.4.2 第四类用户用电策略对比分析 |
5.5 楼宇优化仿真分析 |
5.6 遗传算法改进对比 |
5.7 本章小结 |
结论 |
参考文献 |
致谢 |
(7)基于云计算的分布式入侵肿瘤生长优化算法及其应用(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 论文主要研究工作 |
1.4 论文的组织结构 |
第二章 相关理论与关键技术 |
2.1 入侵肿瘤生长优化算法原理 |
2.2 分布式进化算法设计框架及并行模型 |
2.3 云计算与分布式计算框架 |
2.4 本章小结 |
第三章 分布式入侵肿瘤生长优化算法Spark-ITGO |
3.1 Spark-ITGO算法总体框架 |
3.2 Spark分岛框架 |
3.2.1 基于Spark-RDD的种群并行进化 |
3.2.2 基于中心广播机制的信息迁移模型 |
3.3 Spark-ITGO迁移策略 |
3.3.1 源岛迁移个体选择策略 |
3.3.2 目标岛屿迁移个体替换策略 |
3.3.3 迁移个体数量 |
3.3.4 迁移周期 |
3.3.5 迁移拓扑 |
3.4 Spark-ITGO算法流程 |
3.5 本章小结 |
第四章 Spark-ITGO算法分析及实验 |
4.1 Spark-ITGO算法性能分析 |
4.1.1 空间复杂度分析 |
4.1.2 时间复杂度分析 |
4.2 Spark-ITGO算法求解能力分析 |
4.3 Spark-ITGO基准测试及扩展性实验 |
4.3.1 实验环境 |
4.3.2 实验评价指标 |
4.3.3 CEC2013基准测试及扩展性实验 |
4.3.4 CEC2010 LSGO基准测试及扩展性实验 |
4.3.5 与其它算法对比 |
4.4 本章小结 |
第五章 Spark-ITGO算法的应用 |
5.1 Spark-ITGO在生物医学数据聚类问题中的应用 |
5.1.1 生物医学数据聚类问题 |
5.1.2 生物医学数据聚类实验 |
5.1.2.1 数据集及评价指标 |
5.1.2.2 聚类实验结果 |
5.2 Spark-ITGO在云数据中心容器调度问题中的应用 |
5.2.1 云数据中心容器调度问题 |
5.2.2 云数据中心容器调度实验 |
5.2.2.1 数据集及容器调度环境构建 |
5.2.2.2 容器调度实验结果 |
5.3 Spark-ITGO在关联基因上位性检测问题中的应用 |
5.3.1 关联基因上位性检测问题 |
5.3.2 关联基因上位性检测实验 |
5.3.2.1 数据集及评价指标 |
5.3.2.2 上位性检测实验结果 |
5.4 本章小结 |
总结与展望 |
参考文献 |
攻读博士/硕士学位期间取得的研究成果 |
致谢 |
附件 |
(8)基于Hadoop求解大规模VRPTW问题的并行遗传算法(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 课题背景和研究意义 |
1.1.1 课题背景 |
1.1.2 研究意义 |
1.2 论文主要内容 |
1.3 论文组织结构 |
第2章 文献综述 |
2.1 车辆路径问题 |
2.2 车辆路径问题的求解方法 |
2.2.1 精确算法 |
2.2.2 启发式算法 |
2.2.3 元启发式算法 |
2.2.4 人工智能方法 |
2.3 遗传算法求解车辆路径问题 |
2.4 MapReduce与 Hadoop的应用 |
2.5 遗传算法与MapReduce的结合应用 |
2.6 本章小结 |
第3章 Hadoop平台的搭建 |
3.1 Hadoop平台简介与准备工作 |
3.2 Hadoop平台的搭建与调试 |
3.3 本章小结 |
第四章 算法设计 |
4.1 问题描述 |
4.2 遗传算法求解VRPTW |
4.2.1 基因编码 |
4.2.2 初始化种群 |
4.2.3 适应度评价 |
4.2.4 选择精英解 |
4.2.5 选择交叉父体 |
4.2.6 交叉操作 |
4.2.7 变异操作 |
4.2.8 选择幸存解 |
4.2.9 算法影响因素 |
4.3 遗传算法并行模型 |
4.4 MapReduce框架 |
4.4.1 Mapper的设计 |
4.4.2 Reducer的设计 |
4.5 基于Hadoop的并行遗传算法的流程控制 |
4.5.1 Hadoop系统基础架构分析 |
4.5.2 算法整体流程的设计与控制 |
4.6 算法回顾 |
4.7 本章小结 |
第5章 数值实验 |
5.1 参数设置 |
5.1.1 Hadoop集群参数配置与调优 |
5.1.2 初始解参数的设置 |
5.1.3 遗传操作参数的设置 |
5.2 算例结果及分析 |
5.2.1 算法有效性的数值验证 |
5.2.2 串行算法与并行算法的对比 |
5.2.3 处理器数量对计算时间的影响 |
5.2.4 处理器配置对计算时间的影响 |
5.3 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
个人简历、在学期间发表的学术论文与研究成果 |
(9)基于Hadoop的遗传算法在TSP中的研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景 |
1.2 国内外研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 研究目的和意义 |
1.4 研究内容和研究思路 |
第2章 Hadoop大数据平台 |
2.1 Hadoop大数据平台背景 |
2.1.1 Hadoop大数据平台的产生背景 |
2.1.2 Hadoop大数据平台生态圈 |
2.2 Hadoop核心组件及其文件系统 |
2.2.1 核心组件 |
2.2.2 文件式存储系统hdfs及实现机制 |
2.2.3 MapReduce分析计算框架 |
2.3 E-MapReduce大数据分析计算平台 |
2.3.1 E-MapReduce概述 |
2.3.2 E-MapReduce架构组成 |
2.3.3 E-MapReduce优势 |
2.4 本章小结 |
第3章 传统遗传算法及TSP问题模型分析 |
3.1 遗传算法 |
3.1.1 遗传算法简介 |
3.1.2 遗传算法的发展历史 |
3.1.3 遗传算法的特点 |
3.1.4 遗传算法的运算过程 |
3.2 TSP问题及其传统求解模型分析 |
3.2.1 TSP问题简介 |
3.2.2 TSP问题的传统求解思想 |
3.2.3 TSP问题的智能优化算法求解思想 |
3.3 本章小结 |
第4章 基于Hadoop的混合并行遗传算法模型构建 |
4.1 基于Hadoop的并行遗传算法实现依据 |
4.1.1 个体适应度计算的并行性 |
4.1.2 整个群体中各个个体适应度评价的并行性 |
4.1.3 子代群体产生过程的并行性 |
4.1.4 基于群体分组的并行性 |
4.2 传统并行遗传算法实现模型 |
4.2.1 全局PGA模型 |
4.2.2 粗粒度PGA模型 |
4.2.3 细粒度PGA模型 |
4.2.4 混合PGA模型 |
4.3 基于Hadoop的并行遗传算法实现模型 |
4.3.1 混合并行遗传算法求解模型 |
4.3.2 混合并行遗传算法在Hadoop平台中的实现 |
4.3.3 混合并行遗传算法的优越性 |
4.4 本章小结 |
第5章 TSP问题下的模型验证 |
5.1 TSP问题传统遗传算法求解模型 |
5.2 Hadoop下HPGA求解TSP问题的数据平台设计 |
5.2.1 基础硬件设施设计 |
5.2.2 基于E-MapReduce的基础软件设施设计 |
5.3 Hadoop下HPGA求解TSP问题模型设计 |
5.3.1 初始总群与编码设计 |
5.3.2 求解TSP问题的遗传算子设计 |
5.3.3 求解TSP问题第一层算法模型设计 |
5.3.4 求解TSP问题第二层算法模型设计 |
5.4 算法测试与分析 |
5.4.1 第一层HPGA算法模型试验结果 |
5.4.2 第二层HPGA算法模型试验结果 |
5.4.3 基于Hadoop的HPGA试验结果分析 |
5.5 本章小结 |
第6章 结论与展望 |
6.1 总结 |
6.2 展望 |
6.3 不足之处 |
参考文献 |
攻读学位期间公开发表论文 |
致谢 |
(10)基于MapReduce的遗传算法在组合优化问题中的研究(论文提纲范文)
摘要 |
Abstract |
1 引言 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国内研究现状 |
1.2.2 国外研究现状 |
1.3 论文研究内容 |
1.4 论文组织结构 |
2 基本理论和相关技术 |
2.1 TSP问题概述 |
2.2 遗传算法 |
2.2.1 遗传算法概述 |
2.2.2 遗传算法基本原理 |
2.3 分布式计算技术 |
2.4 开源分布式行计算平台Hadoop |
2.4.1 Hadoop平台的基本架构 |
2.4.2 分布式文件系统HDFS |
2.4.3 分布式计算框架MapReduce |
2.5 其它分布式计算平台 |
2.6 本章小结 |
3 基于遗传算法求解TSP问题的方法及优化 |
3.1 编码方式和种群初始化 |
3.1.1 种群初始化的优化 |
3.2 评价函数设定 |
3.3 选择策略 |
3.3.1 选择策略的优化 |
3.4 交叉操作 |
3.4.1 交叉算子参数分析 |
3.4.2 交叉算子优化 |
3.5 变异操作 |
3.5.1 变异算子参数分析 |
3.5.2 变异算子优化 |
3.6 求解TSP问题的仿真实验 |
3.7 本章小结 |
4 基于MapReduce的遗传算法及TSP实验分析 |
4.1 算法描述 |
4.2 Map端设计 |
4.3 Reduce端设计 |
4.4 Hadoop实验平台搭建 |
4.4.1 集群配置 |
4.4.2 Hadoop平台结合Eclipse的搭建 |
4.5 MapReduce参数优化 |
4.6 实验结果与分析 |
4.7 本章小结 |
5 总结与展望 |
5.1 总结 |
5.2 展望 |
致谢 |
参考文献 |
作者简介 |
四、并行遗传算法及其在组合优化问题上的分布式应用(论文参考文献)
- [1]基于混合智能算法的小水电配电网无功优化研究[D]. 张田. 陕西理工大学, 2021(08)
- [2]基于双层并行算法的水电站群优化调度方法及应用研究[D]. 吴昊. 华北电力大学(北京), 2020
- [3]通信卫星中增强型多波束天线系统功率优化研究[D]. 姜垚先. 西安电子科技大学, 2020(05)
- [4]一种改进的自适应遗传算法及在智能排课系统中的应用研究[D]. 汪培萍. 广东技术师范大学, 2020(02)
- [5]混合蛙跳算法及其在带容量约束的车辆路径问题中的应用研究[D]. 黄遥. 南京信息工程大学, 2020(02)
- [6]基于云计算的智能楼宇负荷的优化调度[D]. 任名. 东北石油大学, 2020(03)
- [7]基于云计算的分布式入侵肿瘤生长优化算法及其应用[D]. 肖昂弘. 华南理工大学, 2020(02)
- [8]基于Hadoop求解大规模VRPTW问题的并行遗传算法[D]. 臧永森. 清华大学, 2018(04)
- [9]基于Hadoop的遗传算法在TSP中的研究[D]. 曹立禄. 大连海事大学, 2017(07)
- [10]基于MapReduce的遗传算法在组合优化问题中的研究[D]. 张宏伟. 内蒙古农业大学, 2016(02)