并行遗传算法

摘要： 新安江模型参数众多,率定计算工作量大、传统率定参数精度难以满足实际生产需要的特点。本文提出了一种参数率定的多核并行遗传算法,以洪峰流量、峰现时间和洪水总量为评价目标,建立多准则参数率定模型,并采用模糊集思想把多准则问题转化为单一目标优选问题。其次针对遗传算法个体适应度计算时间较长,采用主从式并行策略实现遗传算法的并行化,提高系统计算效率。最后以我国南方地区酉水流域凤滩水库为例,该方法不仅可获得高质量的模型参数,保证模型的预报准确性,同时可解决新安江模型参数率定耗时长等问题,有效提高模型参数率定效率,为模型参数校核提供参考。

摘要： 指挥控制信息系统(指控系统)运行在动态变化的复杂环境中且任务需求时刻变更,亟需一种自适应决策方法以动态产生调整系统的最优策略,从而适应环境或任务变化,确保系统长期稳定运行.随着指控系统自身及其运行环境的持续复杂化,自适应决策方法需具备应对多个非预期变化的在线权衡决策能力,以避免造成冲突的调整后果或无法及时响应未知情况.然而,当前指控系统多采用基于先验知识、应对单一变化的自适应决策方法,尚无法完全满足该能力需求.因此,提出了一种基于并行搜索优化的指控系统自适应决策方法.方法采用基于搜索的软件工程思想,将自适应决策问题建模为搜索优化问题,并采用遗传粒子群算法,实现针对同时发生的多个变化进行在线权衡的目标.并且,为解决该方法在指控系统中实际应用时存在的搜索效率保障、策略择优选择问题,分别采用并行遗传算法和后优化理论,对决策方法实现了并行化并建立了策略多指标排序法,以确保方法的实用性.

摘要： 针对风、光、负荷不确定性给风光储并网型微电网带来的影响.通过多状态理论对风光出力和负荷进行处理,以条件风险价值(CVaR)将微电网的运行风险转化为平均风险损失加入经济性的目标函数中,在不确定性框架下建立容量优化模型.通过并行遗传算法对模型进行求解,对比没有考虑不确定性因素下的配置结果,将两种配置方案在随机场景下进行分析比较.验证了本文所述方法在满足经济性的前提以及在不确定性因素影响下使微电网有更强的稳定性和鲁棒性.

摘要： 由于经典SPGA缺乏多种群并行进化能力,当问题规模较大时,计算效率偏低。为此,深入研究Spark大数据计算模型并行机制与多种群并行进化机制的潜在关系,将多种群并行进化机制引入经典SPGA,形成一种新的SPGA——MPE-SPGA;将提出的算法应用于TSP,选取EIL51、CH130和TSP225三种数据集,分别代表小型、中型和大型数据集。实验结果表明,提出的MPE-SPGA在小型数据集上计算时间比原算法减少3%,计算性能有小幅提升;在中型和大型数据集上,计算时间分别减少了22%和31%,性能提升显著。

摘要： 由于经典SPGA缺乏多种群并行进化能力,当问题规模较大时,计算效率偏低.为此,深入研究Spark大数据计算模型并行机制与多种群并行进化机制的潜在关系,将多种群并行进化机制引入经典SPGA,形成一种新的SPGA--MPE-SPGA;将提出的算法应用于TSP,选取EIL51、CH130和TSP225三种数据集,分别代表小型、中型和大型数据集.实验结果表明,提出的MPE-SPGA在小型数据集上计算时间比原算法减少3％,计算性能有小幅提升;在中型和大型数据集上,计算时间分别减少了22％和31％,性能提升显著.

摘要： 配电网自动化终端可以提升供电可靠性,但如何合理经济地配置终端是目前难点之一.考虑了多类型自动化终端在故障处理中的作用,进而搭建了终端配置的优化模型,该模型考虑了终端配置过程中的经济性,并通过改进岛式并行遗传算法加速求解效率.最后,通过RBT-BUS4算例结果证明所提出的优化模型具有良好的求解结果和一定的工程应用前景.

摘要： 针对新一代种群在并行遗传算法收敛过程中产生旧的个体可能性逐渐增大导致重复计算适应度的问题,提出一种基于散列函数加速的并行遗传算法(HPGA).一方面利用散列函数查表时间复杂度低的优势,在散列表中存储算法运行中产生的个体以及其相应的适应度,减少个体适应度的重复计算;另一方面利用时间戳替代键,改进散列表存储方式,从而解决散列函数处理冲突的问题.通过求解集合覆盖问题对比了原始并行遗传算法和HPGA,结果表明HPGA在不影响求解精度的情况下,运行速度提升了3倍以上.

摘要： 提出了一种新的基于MapReduce大数据计算模型的PGA,该算法将遗传算子计算从Reduce阶段提前到Map阶段,从而获得了更好的并行度。通过四组实验验证了提出算法的性能,实验结果表明,提出的算法具有较高的计算效率。

摘要： 工业园区蒸汽管网运行工况多变、负荷波动大,为保证到达各热用户处的蒸汽品质,有必要对蒸汽热网的运行方式进行优化.以基于结构机理模型的蒸汽热网在线热工水力计算为核心,通过在环状蒸汽热网中增设调节阀,并采用并行遗传算法在线预测出最优的调节阀开度,实现了优化调节环状蒸汽热网的流动状态.基于上海化学工业区蒸汽热网系统的模拟计算表明:提出的方法能够提高到达热用户的蒸汽品质,提高蒸汽热网的运行技术水平.基于上海化学工业园区蒸汽热网实际结构的模拟验证表明本文所介绍的方法和系统具有良好的实用性和可行性，能够提高复杂环状蒸汽热网运行的安全性和经济性。

摘要： 本文应用一种基于并行遗传算法的智能组卷算法开发了一个机械设计题库管理平台，很好地解决组卷质量和组卷速度之间的矛盾。该算法首先以并行计算为基础，然后用自适应遗传算法对试题选择过程进行操作，在保证组卷预期效果的前提下，不仅搜索速度加快，而且能够避免遗传算法中经常出现的“早熟现象”，具有很好的高效性和收敛性。

摘要： 基于多核处理器系统的并行计算模型是并行处理研究方向的重点之一。本文首先分析了并行遗传算法中三种主要模型的不足，然后提出了一种基于多核处理器并运用多线程技术的动态负载平衡并行遗传算法。该算法在并发控制中通过采用原子操作避免了使用锁的不可靠性，易于实现且实现了动态负载平衡。通过与一般串行和并行遗传算法的实验结果比较，表明该算法在性能上接近线性加速比，同时证明了算法的正确性和有效性。

摘要： 本文将传统的马科维茨模型进行了改进,引入了风险厌恶因子,对投资比例设定了上下限.同时提出了一种并行遗传算法(PGA),其运算时间短,而且随机搜索,不易陷于局部最优.将该算法引入证券投资组合领域,将数据随机分为若干个小组,同时进行遗传优化,提高了运算效率.通过实证分析,求解改进的模型,计算表明并行遗传算法能够准确快速地解决证券投资组合优化问题.

摘要： 采用基于并行遗传算法进行浅海声速剖面的匹配场反演。在此基础上利用2001东中国海实验数据进行了处理，并对计算结果进行了验证。

摘要： 旅行商问题(Traveling Salesman Problem,TSP)是组合优化领域著名的NP问题,具有较为广泛的工程应用和现实生活背景.遗传算法是一种基于自然选择和基因遗传学原理的随机搜索算法,是一种寻求全局最优解而不需要任何初始化信息的高效优化方法.该算法具有全局寻优能力、适应性强、解决非线性问题具有较强的鲁棒性、对问题没有特定限制、计算过程简单、对搜索空间没有特殊要求、易于与其他算法结合等特点,在求解NP完全问题方面是一种较为有效的全局方法.然而遗传算法是一种概率搜索算法,其性能受种群规模、杂交和变异概率等控制参数的影响,而且有时会有收敛到局部最优解的现象.由于算法需要较大的种群规模,种群进化则需要不断的进行适应度函数计算,计算量相当大,因此,本文使用Compute Unified Device Architecture(CUDA)技术在Graphics Processing Unit(GPU)上并行实现遗传算法的所有操作并用于求解TSP旅行商问题.实验证明,该方法相对于串行遗传算法具有更强全局寻优能力以及耗费更少的操作时间.

摘要： 遗传算法是一种解决优化问题的启发式全局搜索算法,并行遗传算法是遗传算法的并行扩展,可以有效地减少遗传算法的运行时间.传统的主从式并行遗传算法具有不能充分利用从节点计算资源的缺点,据此本文提出一种改进的基于Xeon Phi的主从式并行遗传算法IPMSPGA来充分利用大规模计算中从节点的计算资源.IPMSPGA采用线程并行和VPU并行两层并行方案,其中线程并行通过多线程来实现单指令多数据并行、VPU并行通过KCi指令来获得数据并行.其实验结果相对基于CPU的传统MSPGA和host端运行的multi-core MSPGA分别可达到12倍和4倍的提升.

摘要： 遗传算法是解决最优化问题的一种有效方法,并行化处理是其重要发展方向,文中基于群体分组并行性提出一种引入精英保留机制和迁移操作的分布式并行遗传算法,弥补了基本遗传算法"过早收敛"和求解精度不高等不足,实验结果表明,该算法较之串行方式能获得更高的求解质量和更快的寻优速度.

摘要： 设计了一种微带栅格天线,该天线是由若干微带辐射单元和传输线单元组成的微带阵列天线,可以直接50Ω同轴线馈电。天线工作中心频率2.45GHZ,为实现阻抗匹配以及高增益特性,采用并行遗传算法和数值算法对微带栅格天线结构进行了优化设计。根据设计结果加工制作了原型天线并进行了测试,测试结果表明该微带栅格天线的增益达到了18.3dBi。

摘要： 为评价水泵水轮机转轮内部的综合流动性能,本文提出一种叶型设计和求解其双向流动的方法.利用三维涡面模型从正向设计叶片,得到相应流场；再从反向设计叶型,通过改变速度矩变化规律,并采用遗传算法控制其分布变量,渐进求解出转轮的逆向流场.根据双向流动状况预估了转轮的综合能量性能和空化性能.引入并行算法以提高计算效率,加速比曲线表明其并行性能良好,8进程的加速比为6.88.此方法人工干预少,便于实现可逆式转轮叶片的在线优化设计.

摘要： 本发明提供了一种基于遗传算法的多资源并行任务高级计划排程方法，以遗传算法为核心的，基于工艺路径动态确定、制造能力动态生成的多资源并行任务高级计划排程方法。该方法利用多资源组合约束、邻接矩阵构建解析、遗传算法高效迭代等手段，可以实现企业的资源需求灵活搭配、工艺路径自动梳理、多订单任务自动排程等功能。本发明实现了一种将不同产品的工艺路径，以一种通用的运算逻辑，准确无误的输出到运算规则当中，当产品工艺路径变更时，无需更改程序代码，即可输出对应的工序执行顺序，进而提高排程结果的普适性和高效性。

摘要： 本发明涉及一种遗传算法与粒子群算法并行融合的进化算法，该算法包括如下步骤：S1，随机生成初始种群；S2，利用适应度函数对初始种群进行适应度的计算；S3，实施进化计算步骤，设置适应度函数值的最小阈值为进化计算的终止条件；S4，进行遗传操作，产生子代种群1，同时进行粒子群进化操作，产生子代种群2；S5，将子代种群1和子代种群2合并，并按照适应度排序，取适应度高的个体组合为子代种群3；S6，将子代种群3继续返回步骤S2循环操作，直到达到进化计算的终止条件，输出具有最优适应度的个体。通过本发明解决了遗传算法后期效率低下、粒子群算法容易陷入局部最优解的问题，提高进化算法的优化效率和优化效果。

摘要： 本发明公开了一种基于蚁群优化和遗传算法的粗粒度并行算法，初始化m只蚂蚁的起始城市；蚁群周游一次，将周游结果作为GA的初始种群；蚁群周游一次，计算并记录本次周游具有最短路径的蚂蚁；运行GA的选择算子、GA的杂交算子、GA的变异算子；若迭代过程达到预先设定的迭代条件，计算并输出运行时间，输出最优解。经过大量计算表明，该并行算法的计算速度优于同等串行算法。

摘要： 本发明公开了一种面向动态等效并行机调度问题的快速非支配排序遗传算法，按下述步骤进行：S1：混合启发式规则MODD，ATC，X‑RM与随机方法生成种群；S2：基于动态规划的解码方法对种群个体进行目标值计算；S3：判断是否满足终止条件；若是，结束；否则，对种群中的个体进行快速非支配排序；S4：通过遗传算子产生子代种群；S5：将父代种群和子代种群合并而成规模为2N的种群；S6：对种群中个体进行快速非支配排序，结合拥挤度计算确定种群；S7：对种群个体进行邻域搜索产生新解替换原冗余解。本发明具有提高车间机器利用率和满足客户交期的特点。

摘要： 本发明公开的属于光学探测技术领域，具体为一种基于并行多种群遗传算法的多通池光斑图案设计方法，其包括：所述的设计方法包括如下步骤：S1:创建包含初始入射位置x0,y0、入射角度x’0,y’0和球面镜间距D的个体的十个初始种群且并行执行后续所有步骤；S2:对初始种群进行光斑不重叠的反射次数大小的一级适应度评价，得到不同参数组合的个体的多通池反射次数。该基于并行多种群遗传算法的多通池光斑图案设计方法，可以设计多通池的最优光斑图案也就是具有最长光程和最小体积，使得多通池保持性能的同时极大的减少了体积，增加了便携性降低了成本同时有利于温度和压强的控制。

摘要： 本发明实施例公开的一种基于区域划分并行遗传算法的车辆调度方法，将获取的城市道路之间的路径集、乘客与出租车的数量、出租车与乘客之间的距离、乘客接受的等待时间以及乘客的上车率等参数信息作为建立乘客和出租车的分配关系的数学模型，量化计算车辆调度方法；采用了分治策略来减少数据的维度，根据出租车和乘客的地理位置，将问题分成若干子问题，对每个子问题使用提出的算法以并行的方式进行解决。考虑了当前广泛应用的贪心算法可能会限制系统提供的服务质量的问题，将乘客的上车率以及平均等待时间作为服务质量标准，采用遗传算法将出租车匹配问题定义为全局优化的问题，解决了现有技术中车辆调度效率较低、全局性较差的问题。

摘要： 本发明公开了一种基于自适应并行遗传算法的大规模符号回归方法及系统，所述系统包括：主进程模块，用于初始化，调用CPU线程模块，同步障与迁移操作；CPU线程模块，用于执行遗传编程算法，EV的更新，以及调用GPU适应值评估模块；GPU适应值评估模块，包括CPU辅助线程、CUDA库函数、及CUDA自定义函数，用于执行适应值评估。本发明为遗传编程算法引入自适应的多种群进化机制与异构计算资源的并行计算系统，运用自适应的多种群进化机制成功提取出有效构建元素，从而提高遗传编程算法在多构建元素的复杂问题中的性能，通过设计异构计算资源的并行计算系统，充分利用了CPU与GPU的计算资源，显著提高了搜索效率。

摘要： 本发明涉及一种利用RBF神经网络对并行遗传算法进行优化的算法，利用RBF神经网络，对现有的并行遗传算法进行了优化，提高了算法的收敛速度和准确率。本方法首先对数据集进行划分，分成训练集、交叉验证集和测试集，并且把测试集划分成若干个子集，利用训练集的数据构建RBF神经网络；对原始数据进行处理，剔除异常数据；用遗传算法对优化过的数据集进行编码初始化，交叉和变异，繁殖并留下优秀的数据，得到每一子集的局部较优解；通过对比每一个子集的局部较优解，最终选出一个最优的作为整个问题的全局最优解。

摘要： 本发明公开了一种基于分解‑并行遗传算法的约束优化算法，将约束优化算法所针对的问题分解成Q个子问题和1个常规问题，先采用遗传算法分解得到的Q个子问题并行进行迭代进化，直到每个子问题所对应的种群中至少有一半以上的染色体满足该子问题的约束条件，从子问题中选择满足约束条件的染色体按顺序组成多条染色体，作为常规种群的初始种群；然后对常规问题和子问题进行并行遗传算法迭代，达到迁移间隔时即分别进行前向迁移和后向迁移，当迁移次数达到阈值，从常规问题的种群中选择最优染色体作为约束优化问题的解。本发明采用分解‑并行遗传算法，可以快速求解出约束优化问题的最佳或近优解。

摘要： 本发明公开了一种基于三种群并行遗传算法的对抗性音频样本生成方法，包括以下步骤：A：获取原始音频样本；B：得到对应的输入样本以及主种群和两个辅助种群；C：分别计算每个个体的适应度得分；D：按照适应度得分从低到高的顺序分别在主种群和辅助种群内对所有个体进行排序；E：使用语音识别模型对主种群中已排序的所有个体依次进行分类识别；F:利用三种群并行遗传算法对主种群和辅助种群进行交差、变异及个体更新，然后返回步骤D。本发明能够通过多次迭代得到符合要求的最优解，充分解决了目标网络的不可知性以及梅尔频率倒谱系数转换引起的误差问题，具有收敛速度快，全局搜索能力强，收敛效率高的优点。