CN103886375A - 一种基于二叉空间分割树的资源调度优化方法 - Google Patents
一种基于二叉空间分割树的资源调度优化方法 Download PDFInfo
- Publication number
- CN103886375A CN103886375A CN201410156332.9A CN201410156332A CN103886375A CN 103886375 A CN103886375 A CN 103886375A CN 201410156332 A CN201410156332 A CN 201410156332A CN 103886375 A CN103886375 A CN 103886375A
- Authority
- CN
- China
- Prior art keywords
- subspace
- node
- search
- child node
- chromosome
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于二叉空间分割树的资源调度优化方法,本方法采取基于二叉空间分割树驱动搜索,并在选择算子作用产生重复个体出现时,实现遗传算法的有方向性在搜索空间内进行局域搜索、邻域搜索和跨域搜索的自变异驱动,从而有效避免了重复个体的出现,维持了种群的多样性和改变了遗传算法随机搜索的特性。
Description
技术领域
本发明涉及信息技术领域,具体涉及一种基于二叉空间分割树的资源调度优化方法。
背景技术
遗传算法是以达尔文进化论思想和孟德尔遗传理论为基础,模拟生物进化繁殖、变异、竞争、选择的基本特性,提出通过选择、重组和变异三种操作求解现实问题的自组织和自适应的人工智能算法。染色体作为遗传算法的主要载体,是由若干个具有一定特征的基因组合而成。遗传算法借助遗传算子对当代种群染色体进行交叉和变异操作,产生子代种群;交叉算子具有较强的搜索能力,且种群的多样性决定交叉算子的搜索能力;变异算子则通过变异操作可以产生当代种群中没有的染色体基因,以维持种群个体的多样性[137],且实验发现,若取消变异作用,遗传算法无法趋于收敛。
本方案发明在对传统的遗传算法进行研究的过程中发现,,因为传统遗传算法变异操作只有一个固定的经验概率值,变异操作具有随机性,导致了参数空间的搜索无方向性,且带来大量的无效计算,造成了算法的收敛性较差;并且标准遗传算法在选择和交叉遗传算子的作用下,进化过程中不可避免产生大量的重复出现的个体,且变异操作具有随机性和盲目性的缺陷。因此,现有技术有待改进和提高。
发明内容
本发明实施例提供一种基于二叉空间分割树的资源调度优化方法,以期提供一种可以进行空间局域搜索、邻域搜索和跨域搜索递进性方向引导的自编译方法,从而有效避免重复个体的出现。
本发明实施例提供一种基于二叉空间分割树的资源调度优化方法,所述方法包括:
初始化种群:对种群S={S(1),S(2),…,S(t)}中的t个种类资源进行对应编码,并生成前后随机排列的染色体个体,设D为第i个染色体个体S(i)的总维度,R是基因取值分辨率,则整个搜索空间的大小为RD;
计算个体适应度:根据预设的适应度函数,计算种群中每个染色体个体的适应度值;
根据二叉空间分割树在所述搜索空间中插入染色体个体S(i):从二叉空间分割树的根节点出发,根据第一预设条件确定S(i)属于左节点空间还是右节点空间,并沿着所在子空间的节点方向继续向下搜索,搜索到叶子节点为止;
若所述S(i)与二叉空间分割树中先前节点都不重复,则直接插入二叉空间分割树,作为新的叶子节点;其中,若所述S(i)的父节点无左子节点,则所述S(i)作为左子节点直接继承其父节点搜索子空间,若所述S(i)的父节点已有左子节点S(iˊ),则根据第二预设条件进行左子节点和右子节点的位置调整;
若所述S(i)插入二叉空间分割树且进行了子空间分割操作时,检查分割后的左子节点和右子节点搜索空间是否已处于不可分割的状态,若是,则设置所述S(i)位置为关闭状态;
若在插入新染色体个体S(j)时出现S(j)与S(i)重复,则在S(i)所映射的搜索子空间Subspace(S(i))范围内对S(j)进行变异操作,或者在Subspace(S(i))的邻域范围内对S(j)进行变异操作,或者不受Subspace(S(i))范围的限制对S(j)进行变异操作。
其中,所述若所述S(i)的父节点已有左子节点S(iˊ),则根据第二预设条件进行左子节点和右子节点的位置调整包括:
将S(i)和S(i')进行维度比较,选择比较维度最大的基因位,所述比较维度为
其中,d(S(i),S(i′)|k)为S(i)和S(i')在第k个基因位的维度距离,且d(S(i),S(i′)|k)=S(i)-S(i′);
从所选择的基因位所映射的维度,对左子节点的搜索空间进行等距离的子空间分割,并依据S(i)和S(i')在基因位的基因值大小,按照左节点小于右节点的原则,进行左子节点和右子节点的位置调整。
所述对种群S={S(1),S(2),…,S(t)}中的t个种类资源进行对应编码包括:对所述种群S={S(1),S(2),…,S(t)}中的t个种类资源采取四位十六进制编码,或者六位十六进制编码,或者整数编码。
进一步的,在计算个体适应度之前包括:将编码的种群S={S(1),S(2),…,S(t)}中的t个种类资源进行解码。
其中,所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,则在S(i)所映射的搜索子空间Subspace(S(i))范围内对S(j)进行变异操作包括:
确定Subspace(S(i))开关位置是否为开放状态,若是,则当S(i)的左子节点或右子节点为空,则选择Subspace(S(i))维度空间最大的基因位,S(j)在所述Subspace(S(i))维度空间范围内对选择的相应基因位进行基因变异。
所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,则在Subspace(S(i))的邻域范围内对S(j)进行变异操作包括:
确定所述S(i)所映射的搜索子空间Subspace(S(i))开关位置是否为关闭状态,若是,则回退至所述S(i)的父节点,并判断所述S(i)的兄弟节点S(r)所映射的搜索子空间Subspace(S(r))开关位置是否为开放状态,若是,
则扫描新染色体S(j)的每个基因是否属于Subspace(S(r)),将不属于的基因在Subspace(S(r))所对应的维度空间内进行随机变异。
所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,,则不受Subspace(S(i))范围的限制对S(j)进行变异操作包括:
确定所述S(i)的左子节点空间和右子节点空间是否均为关闭状态,若是,
则新染色体S(j)的基因在其初始维度空间范围内随机变异为S(j'),从二叉空间分割树的根节点搜索S(j')所属节点子空间。
本发明实施例提供的基于二叉空间分割树的资源调度优化方法,采取基于二叉空间分割树驱动搜索,并在选择算子作用产生重复个体出现时,实现遗传算法的有方向性在搜索空间内进行局域搜索、邻域搜索和跨域搜索的自变异驱动,从而有效避免了重复个体的出现,维持了种群的多样性和改变了遗传算法随机搜索的特性。
附图说明
图1是本发明实施例提供的一种基于二叉空间分割树的资源调度优化方法流程示意图。
具体实施方式
本发明实施例提供一种基于二叉空间分割树的资源调度优化方法,以期提供一种可以进行空间局域搜索、邻域搜索和跨域搜索递进性方向引导的自编译方法,有效避免重复个体的出现。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明实施例提供一种基于二叉空间分割树的资源调度优化方法,包括:
初始化种群:对种群S={S(1),S(2),…,S(t)}中的t个种类资源进行对应编码,并生成前后随机排列的染色体个体,设D为第i个染色体个体S(i)的总维度,R是基因取值分辨率,则整个搜索空间的大小为RD;
计算个体适应度:根据预设的适应度函数,计算种群中每个染色体个体的适应度值;
根据二叉空间分割树在所述搜索空间中插入染色体个体S(i):从二叉空间分割树的根节点出发,根据第一预设条件确定S(i)属于左节点空间还是右节点空间,并沿着所在子空间的节点方向继续向下搜索,搜索到叶子节点为止;
若所述S(i)与二叉空间分割树中先前节点都不重复,则直接插入二叉空间分割树,作为新的叶子节点;其中,若所述S(i)的父节点无左子节点,则所述S(i)作为左子节点直接继承其父节点搜索子空间,若所述S(i)的父节点已有左子节点S(iˊ),则根据第二预设条件进行左子节点和右子节点的位置调整;
若所述S(i)插入二叉空间分割树且进行了子空间分割操作时,检查分割后的左子节点和右子节点搜索空间是否已处于不可分割的状态,若是,则设置所述S(i)位置为关闭状态;
若在插入新染色体个体S(j)时出现S(j)与S(i)重复,则在S(i)所映射的搜索子空间Subspace(S(i))范围内对S(j)进行变异操作,或者在Subspace(S(i))的邻域范围内对S(j)进行变异操作,或者不受Subspace(S(i))范围的限制对S(j)进行变异操作。
所述若所述S(i)的父节点已有左子节点S(i'),则根据第二预设条件进行左子节点和右子节点的位置调整包括:
将所述S(i)和所述S(i')进行维度比较,选择比较维度最大的基因位,所述比较维度为
其中,所述d(S(i),S(i′)|k)为S(i)和S(i')在第k个基因位的维度距离,且d(S(i),S(i′)|k)=S(i)-S(i′);
从所选择的基因位所映射的维度,对左子节点的搜索空间进行等距离的子空间分割,并依据所述S(i)和所述S(iˊ)在所述基因位的基因值大小,按照左节点小于右节点的原则,进行左子节点和右子节点的位置调整。
其中,所述对种群S={S(1),S(2),…,S(t)}中的t个种类资源进行对应编码包括:对所述种群S={S(1),S(2),…,S(t)}中的t个种类资源采取四位十六进制编码,或者六位十六进制编码,或者整数编码。
在此基础上,在计算个体适应度之前包括:将编码的种群S={S(1),S(2),…,S(t)}中的t个种类资源进行解码。
进一步的,所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,则在S(i)所映射的搜索子空间Subspace(S(i))范围内对S(j)进行变异操作包括:
确定Subspace(S(i))开关位置是否为开放状态,若是,则当S(i)的左子节点或右子节点为空,则选择Subspace(S(i))维度空间最大的基因位,S(j)在所述Subspace(S(i))维度空间范围内对选择的相应基因位进行基因变异。
同时,所述S(j)在所述Subspace(S(i))维度空间范围内对选择的相应基因位进行基因变异后,若变异后的S(j)依然与S(i)相同,,则停止对S(j)再进行变异操作。
所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,则在Subspace(S(i))的邻域范围内对S(j)进行变异操作包括:
确定所述S(i)所映射的搜索子空间Subspace(S(i))开关位置是否为关闭状态,若是,则回退至所述S(i)的父节点,并判断所述S(i)的兄弟节点S(r)所映射的搜索子空间Subspace(S(r))开关位置是否为开放状态,若是,
则扫描新染色体S(j)的每个基因是否属于Subspace(S(r)),将不属于的基因在Subspace(S(r))所对应的维度空间内进行随机变异。
所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,,则不受Subspace(S(i))范围的限制对S(j)进行变异操作包括:
确定所述S(i)的左子节点空间和右子节点空间是否均为关闭状态,若是,
则新染色体S(j)的基因在其初始维度空间范围内随机变异为S(j'),从二叉空间分割树的根节点搜索S(j')所属节点子空间。
由上可见,本发明实施例提供的基于二叉空间分割树的资源调度优化方法,采取基于二叉空间分割树驱动搜索,并在选择算子作用产生重复个体出现时,实现遗传算法的有方向性在搜索空间内进行局域搜索、邻域搜索和跨域搜索的自变异驱动,从而有效避免了重复个体的出现,维持了种群的多样性和改变了遗传算法随机搜索的特性。
本发明实施例还提供一种基于二叉空间分割树的资源调度优化方法,参见图1所示,包括:
S100、初始化种群:对种群S={S(1),S(2),…,S(t)}中的t个种类资源进行对应编码,并生成前后随机排列的染色体个体,设D为第i个染色体个体S(i)的总维度,R是基因取值分辨率,则整个搜索空间的大小为RD;
其中,本发明实施例中所说的S(i)的总维度D是指染色体个体S(i)的基因数量,基因取值分辨率是指基因可能取值数。
S200、计算个体适应度:根据预设的适应度函数,计算种群中每个染色体个体的适应度值;
S300、根据二叉空间分割树在所述搜索空间中插入染色体个体S(i)。
二叉空间分割树(Binary Space Partitioning,简称BSP)是一种空间分割技术,即任何平面都可以将空间分割为两个半空间,如果任何半空间中有一个平面,可进一步将此半空间分割为更小的两个子空间,通过这种递归方法将空间使用超平面划分为凸面体集合,采用多边形列表将子空间分割得越来越小,最终构造一个BSP二叉空间分割树。BSP树是一种用来对N维空间中的元素进行快速有效的排序和查找的数据结构,BSP树表示整个空间,BSP树中任一节点表示一个子空间,每个节点对应一个超平面,将这个节点表示的空间分割成两个子空间。最初,整个区域被定义为BSP树的根,之后,继续划分区域,一旦把凹形区域划分为两个凸形区域(在最好情况下)或凹多边形,命名这些区域成为其父节点的子节点。
本文算法将整个参数空间定义为BSP树根空间,BSP树每个节点数据结构包含个体的染色体信息、所代表的搜索空间、节点开关以及指针群这四个信息,其中指针群用于关联父节点和左右两个子节点,节点开关表示该节点是否已经处于原子状态,其所有维度搜索空间是否可再分割。
步骤S300包括:
a、从BSP树的根节点出发,面对两个节点方向时,首先判断新染色体个体属于左节点空间,还是属于右节点空间,不断沿着所在子空间的节点方向继续向下搜索,直到叶子节点为止;
b、若该染色体个体与BSP树中先前节点都不重复,则说明该染色体个体是全新的,可以直接插进BSP树,作为新的叶子节点;
c、若父节点无左子节点,新染色体个体作为左叶子节点,则直接继承其父节点搜索子空间;
d、若父节点已经存在左子节点,则应将新染色体和已有的左子节点进行维度比较,选择比较维度最大的基因位,即
其中,d(S(i),S(i′)|k)为S(i)和S(i')在第k个基因位的维度距离,从该基因位所映射的维度,对左子节点的搜索空间进行等距离的子空间分割,并依据两个染色体在该基因位的基因值大小,遵从左节点小于右节点基本原则,进行左右子节点的位置调整;
在本发明实施例中,令任意两个染色体个体S(i)和S(i')在第k个基因维度的距离表示为d(S(i),S(i′)|k),,且d(S(i),S(i′)|k)=S(i)-S(i′),则这两个个体的比较维度等于
e、当新染色体插入BSP树且进行了子空间分割操作时,需要检查分割后的左右子节点搜索空间是否已处于不可再分割的状态,若是,则将该节点开关置为关闭状态。
S400、若在插入新染色体个体S(j)时出现S(j)与S(i)重复,则在S(i)所映射的搜索子空间Subspace(S(i))范围内对S(j)进行变异操作,或者在Subspace(S(i))的邻域范围内对S(j)进行变异操作,或者不受Subspace(S(i))范围的限制对S(j)进行变异操作。
即在发现染色体个体在进化过程中已重复出现,根据一定变异规则进行变异操作,产生新的染色体个体。本发明采取的变异规则主要包括面向局域搜索的变异规则、面向邻域搜索的变异规则和跨域重新搜索的变异规则。
其中面向局域搜索的变异规则主要包括:当BSP树节点S(i)的Subspace(S(i))开关标识为OPEN,也就是说Subspace(S(i))是开放访问状态时,说明Subspace(S(i))存在新的访问路径。
(1)、若节点S(i)存在两个节点方向时,首先判断新染色体个体S(j)属于左节点空间,还是属于右节点空间,不断沿着所在子空间的节点方向继续向下搜索,搜索到叶子节点为止;
(2)若节点S(i)左子节点为空,且新染色体S(j)与S(i)相同,则选择Subspace(S(i))维度空间最大的基因位,S(j)在该维度子空间范围内进行基因变异,若变异后依然与S(i)相同则不再对该染色体进行变异操作;
(3)若节点S(i)右子节点为空,且新染色体S(j)与S(i)相同,首先选择Subspace(S(i))维度空间最大的基因位,S(j)在该维度子空间范围内进行基因变异,若变异后依然与S(i)相同则不再对该染色体进行变异操作;
(4)若节点S(i)右子节点为空,且新染色体S(j)与S(i)不相同,或者虽然两者相同但经历上一步变异后不再相同。依据同样的方法在维度空间最大的基因位,进行该维度空间内的变异。
所述面向邻域搜索的变异包括:
当Subspace(S(i))开关标识为CLOSE,也就是Subspace(S(i))为关闭状态,说明Subspace(S(i))已不可再分割,空间内也不可能发现新的进化个体,则回退至父节点以判断其兄弟节点是否处于开放状态,即其兄弟节点可以二次分割。
为将新染色体S(j)变异为Subspace(S(i))邻域空间内的一个个体,需要扫描染色体S(j)的每个基因是否属于Subspace(S(i))的领域空间,将不匹配的基因在Subspace(S(i))领域空间所对应的维度空间内进行随机变异,即驱动新染色体S(j)在Subspace(S(i))的邻域内沿着某个维度空间进行随机变异。
所述跨域重新搜索的变异包括:
上述两点给出了基于BSP参数空间分割树在Subspace(S(i))内沿着各个基因维度推动变异,以及在邻域Subspace(S(i))的领域范围内内沿着各个基因维度推动变异的机理。但若过于僵化于局域和邻域逐层变异,则容易因为陷入过度局部变异,导致算法收敛速度极慢,甚至不可运行,因此需要建立一个挣脱机制,实现跨域变异,然后再逐层进入新的局域和邻域搜索。
当节点S(i)左右子节点空间均已是关闭状态,则新染色体S(j)的某一个基因不受分割后的维度空间局限,允许在该基因初始维度空间范围内随机变异。从BSP树根节点寻找到变异节点所属节点子空间,再进行局域和邻域变异。
由于本发明实施例是基于二叉空间分割树,对参数空间按照基因的维度空间进行不断分割,以实现局域内搜索变异、领域内搜索变异和跨域跳跃变异,因此,需要将基因维度空间进行颗粒化,尤其需要将通常的实数型问题转换为二进制、十六进制或整数编码。但是在求解高维、高精度的函数问题时,二进制编码会造成染色体编码长度过程。优选的,本发明实施例可采取以下两种方案:
(1)、对染色体个体S(i)转换为四位十六进制编码H1H2H3H4或具有更高精度的六位十六进制编码H1H2H3H4H5H6,并且在适应度函数计算时,再将十六进制编码转换回染色体个体S(i),S(i)可为实数等任意类型。
(2)、将染色体个体S(i)转换为0x7fff内整数编码或更高的长整型编码,在适应度函数计算时,再将整数编码转换回染色体个体S(i),S(i)可为实数等任意类型。这样的编码规则,可以进一步避免方案(1)中十六进制编码的基因整合问题,其基因维度空间为0-0x7FFF。
由上可见,本发明实施例提供的基于二叉空间分割树的资源调度优化方法,采取基于二叉空间分割树驱动搜索,并在选择算子作用产生重复个体出现时,实现遗传算法的有方向性在搜索空间内进行局域搜索、邻域搜索和跨域搜索的自变异驱动,从而有效避免了重复个体的出现,维持了种群的多样性和改变了遗传算法随机搜索的特性。
本领域普通技术人员可以理解上述实施例的各种流程中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁盘或光盘等。
同时,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上对本发明实施例所提供的基于二叉空间分割树的资源调度优化方法进行了详细介绍,本文中应用了具体个例对交互的本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于二叉空间分割树的资源调度优化方法,其特征在于,所述方法包括:
初始化种群:对种群S={S(1),S(2),…,S(t)}中的t个种类资源进行对应编码,并生成前后随机排列的染色体个体,设D为第i个染色体个体S(i)的总维度,R是基因取值分辨率,则整个搜索空间的大小为RD;
计算个体适应度:根据预设的适应度函数,计算种群中每个染色体个体的适应度值;
根据二叉空间分割树在所述搜索空间中插入染色体个体S(i):从二叉空间分割树的根节点出发,根据第一预设条件确定S(i)属于左节点空间还是右节点空间,并沿着所在子空间的节点方向继续向下搜索,搜索到叶子节点为止;
若所述S(i)与二叉空间分割树中先前节点都不重复,则直接插入二叉空间分割树,作为新的叶子节点;其中,若所述S(i)的父节点无左子节点,则所述S(i)作为左子节点直接继承其父节点搜索子空间,若所述S(i)的父节点已有左子节点S(iˊ),则根据第二预设条件进行左子节点和右子节点的位置调整;
若所述S(i)插入二叉空间分割树且进行了子空间分割操作时,检查分割后的左子节点和右子节点搜索空间是否已处于不可分割的状态,若是,则设置所述S(i)位置为关闭状态;
若在插入新染色体个体S(j)时出现S(j)与S(i)重复,则在S(i)所映射的搜索子空间Subspace(S(i))范围内对S(j)进行变异操作,或者在Subspace(S(i))的邻域范围内对S(j)进行变异操作,或者不受Subspace(S(i))范围的限制对S(j)进行变异操作。
2.根据权利要求1所述的方法,其特征在于,所述若所述S(i)的父节点已有左子节点S(i'),则根据第二预设条件进行左子节点和右子节点的位置调整包括:
将S(i)和S(i')进行维度比较,选择比较维度最大的基因位,比较维度为
其中,d(S(i),S(i′)|k)为S(i)和S(i')在第k个基因位的维度距离,且d(S(i),S(i′)|k)=S(i)-S(i′);
从所选择的基因位所映射的维度,对左子节点的搜索空间进行等距离的子空间分割,并依据S(i)和S(i')在基因位的基因值大小,按照左节点小于右节点的原则,进行左子节点和右子节点的位置调整。
3.根据权利要求1所述的方法,其特征在于,所述对种群S={S(1),S(2),…,S(t)}中的t个种类资源进行对应编码包括:对所述种群S={S(1),S(2),…,S(t)}中的t个种类资源采取四位十六进制编码,或者六位十六进制编码,或者整数编码。
4.根据权利要求3所述的方法,其特征在于,在计算个体适应度之前包括:将编码的种群S={S(1),S(2),…,S(t)}中的t个种类资源进行解码。
5.根据权利要求1所述的方法,其特征在于,所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,则在S(i)所映射的搜索子空间Subspace(S(i))范围内对S(j)进行变异操作包括:
确定Subspace(S(i))开关位置是否为开放状态,若是,则当S(i)的左子节点或右子节点为空,则选择Subspace(S(i))维度空间最大的基因位,S(j)在所述Subspace(S(i))维度空间范围内对选择的相应基因位进行基因变异。
6.根据权利要求5所述的方法,其特征在于,所述S(j)在所述Subspace(S(i))维度空间范围内对选择的相应基因位进行基因变异后,若变异后的S(j)依然与S(i)相同,则停止对S(j)再进行变异操作。
7.根据权利要求1所述的方法,其特征在于,所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,则在Subspace(S(i))的邻域范围内对S(j)进行变异操作包括:
确定所述S(i)所映射的搜索子空间Subspace(S(i))开关位置是否为关闭状态,若是,则回退至所述S(i)的父节点,并判断所述S(i)的兄弟节点S(r)所映射的搜索子空间Subspace(S(r))开关位置是否为开放状态,若是,则扫描新染色体S(j)的每个基因是否属于Subspace(S(r)),将不属于的基因在Subspace(S(r))所对应的维度空间内进行随机变异。
8.根据权利要求1所述的方法,其特征在于,所述若在插入染色体个体S(j)时出现S(j)与S(i)重复,则不受Subspace(S(i))范围的限制对S(j)进行变异操作包括:
确定所述S(i)的左子节点空间和右子节点空间是否均为关闭状态,若是,
则新染色体S(j)的基因在其初始维度空间范围内随机变异为S(jˊ),从二叉空间分割树的根节点搜索S(jˊ)所属节点子空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410156332.9A CN103886375A (zh) | 2014-04-17 | 2014-04-17 | 一种基于二叉空间分割树的资源调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410156332.9A CN103886375A (zh) | 2014-04-17 | 2014-04-17 | 一种基于二叉空间分割树的资源调度优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103886375A true CN103886375A (zh) | 2014-06-25 |
Family
ID=50955258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410156332.9A Pending CN103886375A (zh) | 2014-04-17 | 2014-04-17 | 一种基于二叉空间分割树的资源调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886375A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389337A (zh) * | 2015-05-13 | 2016-03-09 | 数灵科技有限公司 | 用于统计显著性模式的搜索大数据空间的方法 |
CN105488568A (zh) * | 2015-11-30 | 2016-04-13 | 清华大学 | 一种基于目标重要性分解的模因演化多目标优化调度方法 |
CN107563653A (zh) * | 2017-09-08 | 2018-01-09 | 中国人民解放军国防科技大学 | 一种多机器人全覆盖任务分配方法 |
CN108366048A (zh) * | 2018-01-10 | 2018-08-03 | 南京邮电大学 | 一种基于无监督学习的网络入侵检测方法 |
CN108446814A (zh) * | 2018-01-23 | 2018-08-24 | 中国科学院自动化研究所 | 同顺序流水线车间调度问题的树搜索方法及装置 |
CN109472410A (zh) * | 2018-11-07 | 2019-03-15 | 成都鲸成科技有限公司 | 一种动态智能分班排课方法 |
CN109886018A (zh) * | 2019-01-25 | 2019-06-14 | 北京工业大学 | 一种基于遗传算法的存储型xss攻击向量优化方法 |
CN111476497A (zh) * | 2020-04-15 | 2020-07-31 | 浙江天泓波控电子科技有限公司 | 一种用于小型化平台的分配馈电网络方法 |
-
2014
- 2014-04-17 CN CN201410156332.9A patent/CN103886375A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105389337A (zh) * | 2015-05-13 | 2016-03-09 | 数灵科技有限公司 | 用于统计显著性模式的搜索大数据空间的方法 |
CN105488568A (zh) * | 2015-11-30 | 2016-04-13 | 清华大学 | 一种基于目标重要性分解的模因演化多目标优化调度方法 |
CN107563653A (zh) * | 2017-09-08 | 2018-01-09 | 中国人民解放军国防科技大学 | 一种多机器人全覆盖任务分配方法 |
CN108366048A (zh) * | 2018-01-10 | 2018-08-03 | 南京邮电大学 | 一种基于无监督学习的网络入侵检测方法 |
CN108366048B (zh) * | 2018-01-10 | 2021-01-12 | 南京邮电大学 | 一种基于无监督学习的网络入侵检测方法 |
CN108446814A (zh) * | 2018-01-23 | 2018-08-24 | 中国科学院自动化研究所 | 同顺序流水线车间调度问题的树搜索方法及装置 |
CN108446814B (zh) * | 2018-01-23 | 2020-12-01 | 中国科学院自动化研究所 | 同顺序流水线车间调度问题的树搜索方法及装置 |
CN109472410A (zh) * | 2018-11-07 | 2019-03-15 | 成都鲸成科技有限公司 | 一种动态智能分班排课方法 |
CN109472410B (zh) * | 2018-11-07 | 2020-12-22 | 成都爱思数联科技有限公司 | 一种动态智能分班排课方法 |
CN109886018A (zh) * | 2019-01-25 | 2019-06-14 | 北京工业大学 | 一种基于遗传算法的存储型xss攻击向量优化方法 |
CN111476497A (zh) * | 2020-04-15 | 2020-07-31 | 浙江天泓波控电子科技有限公司 | 一种用于小型化平台的分配馈电网络方法 |
CN111476497B (zh) * | 2020-04-15 | 2023-06-16 | 浙江天泓波控电子科技有限公司 | 一种用于小型化平台的分配馈电网络方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103886375A (zh) | 一种基于二叉空间分割树的资源调度优化方法 | |
Immanuel et al. | Genetic algorithm: An approach on optimization | |
Chauhan et al. | Survey of methods of solving tsp along with its implementation using dynamic programming approach | |
Kwakkel et al. | Developing dynamic adaptive policy pathways: a computer-assisted approach for developing adaptive strategies for a deeply uncertain world | |
Carr | An introduction to genetic algorithms | |
Mohseni et al. | Competition over resources: a new optimization algorithm based on animals behavioral ecology | |
CN107122843A (zh) | 一种基于改进遗传算法的旅行商问题求解方法 | |
CN113917925B (zh) | 一种基于改进遗传算法的移动机器人路径规划方法 | |
CN109582985A (zh) | 一种改进的遗传退火的片上网络映射方法 | |
Gaetan | Subset ARMA model identification using genetic algorithms | |
CN103942647A (zh) | 一种面向复杂供给模式的应急资源调度方法 | |
Singha et al. | Optimization of floor-planning using genetic algorithm | |
CN102799940A (zh) | 基于遗传算法和先验知识的网络社区划分方法 | |
Laskar et al. | A survey on VLSI floorplanning: its representation and modern approaches of optimization | |
US20160292300A1 (en) | System and method for fast network queries | |
Petrowski et al. | Evolutionary algorithms | |
CN113673695B (zh) | 基于新型特征自动构造的人群行为规则自动提取方法 | |
CN104281877A (zh) | 一种基于改进遗传聚类的人类活动区域分类方法 | |
Ceberio et al. | A square lattice probability model for optimising the graph partitioning problem | |
Geetha et al. | An observational analysis of genetic operators | |
Rizman Žalik et al. | Node attraction-facilitated evolution algorithm for community detection in networks | |
Hlaváč | A program searching for a functional dependence using genetic programming with coefficient adjustment | |
Grafeeva et al. | Genetic algorithms and genetic programming | |
CN111178488A (zh) | 数据处理方法和装置 | |
Mayilvaganan et al. | Performance comparison of roulette wheel selection and steady state selection in genetic nucleotide sequence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140625 |