CN115221770A - 一种基于精英种群遗传算法的电力信息系统迁移方法 - Google Patents
一种基于精英种群遗传算法的电力信息系统迁移方法 Download PDFInfo
- Publication number
- CN115221770A CN115221770A CN202110408969.2A CN202110408969A CN115221770A CN 115221770 A CN115221770 A CN 115221770A CN 202110408969 A CN202110408969 A CN 202110408969A CN 115221770 A CN115221770 A CN 115221770A
- Authority
- CN
- China
- Prior art keywords
- migration
- population
- algorithm
- elite
- individual
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于精英种群遗传算法的电力信息系统迁移方法,基于精英种群遗传算法的电力信息系统迁移方法的实施步骤包括:初始化种群;对个体进行适应度评估并判断程序是否结束;进行选择、交叉、变异操作;更新精英种群并使用精英控制机制。本发明通过迁移方案优化设计与成本分析,在确保系统迁移准确完整的前提下,将迁移综合成本将至最低,实现了信息系统的安全可靠、平滑无缝切换。整个切换过程迅速,且整个搬迁过程中未发生数据不一致、数据丢失等问题。该方法不仅确保了信息系统的平滑迁移和安全、可靠、稳定运行,还可为其他类似的企业级信息系统数据迁移方案提供借鉴,具有很好的参考价值。基于精英种群的遗传算法能够很好的与信息系统迁移模型配合,并且在寻优过程中具有全局寻优性能优异,收敛速度快等优点,在优化迁移方案中获得非常理想的系统迁移方案。
Description
技术领域
本发明涉及电力信息系统迁移方案。具体设计一种基于精英种群遗传算法的电力信息系统迁移方法,用于而获得系统开销最优化的信息系统迁移方案。
背景技术
信息系统作为当今企业开展业务的重要基础,是企业赖以生存和发展的无形资产。随着社会信息化水平的发展以及科技的进步,企业原有的信息系统不可避免的面临系统软件更新和硬件更新换代而带来的数据迁移问题。如何快速、准确、平滑的实现信息系统顺利切换过渡,最大限度的减少迁移过程中的成本开销问题,是每个企业部门需要重点研究的课题。为解决以上问题国内外研究者提出遗传算法、主从式双种群动态遗传算法、M-精英协同进化数值优化算法、多种群的退火DNA遗传算法等。
1.遗传算法
遗传算法(Genetic Algorithm,GA)是一种启发式全局寻优算法,基于生物遗传学的观点,通过模拟达尔文的遗传选择和优胜劣汰的进化过程实现迭代搜索最优解的方法。遗传算法通过多个个体构建种群,每个个体为问题的潜在解,通过个体编码的选择、交叉、变异等操作实现寻优。遗传算法具有并行性和全局寻优两个显著特点,在各类NP问题的求解中得到了广泛的应用,但是其固有的缺陷仍然影响着GA更高效准确寻优,比如GA存在收敛速度慢,容易陷入局部最优,以及早熟收敛等缺陷。
2.主从式双种群动态遗传算法
主从式双种群动态遗传算法借助了并行遗传算法的多种群思想,将整个种群分成两部分,每个部分的子种群各自独立地按一定模式分别进行演化,根据各子种群功能的不同,其中一个作为主种群,实施开发和记忆功能,另一个作为从种群,实施探索功能,并定期向主种群输送搜索到的最优解。对记忆种群,或者称为主种群中,采用适应值共享策略,而后在选择过程中采用轮盘赌选择策略,并结合精英保留策略。本文阐述的精英个体来源包括两个方面:主种群本身进化过程中每一代的精英个体和搜索种群中每一代的最优个体。在从种群中,为使算法能够维持在一个较高水平的多样性,同时保持一定的探索能力,选择策略选用锦标赛选择策略,同时在从种群中采用随机移民策略,以维持种群中个体的多样性,即每一次迭代用一定数量的随机生成的新个体替换当前种群中适应值较小的个体。主种群中搜索到的最优解保存在一个队列中,如果达到记忆队列长度上限,则删除最早进入队列的最优解。同时,以当前代获得的最优解和记忆队列中的最优解为父体,经交叉变异后生成的后代替换掉主种群中适应值较差的个体,然后对主种群执行常规的遗传操作生成新的子种群,并把后代种群中发现的更优个体更新到记忆队列中,但是该算法在变化周期短时性能较差。
3.M-精英协同进化算法
该算法认为,适应度较高的个体群(称为精英种群)在整个种群进化中起着主导作用。算法将整个种群划分为由M个精英组成的精英种群和由其余个体组成的普通种群这样两个子种群,依次以M个精英为核心(称为核心精英)来选择成员以组建M个团队。若选中的团队成员是其他精英,则该成员与核心精英利用所定义的协作操作来交换信息;若团队成员选自普通种群,则由核心精英对其进行引导操作。其中,协作操作和引导操作由若干不同类型的交叉或变异算子的组合所定义。该算法具有较高的求解精度。同时,该算法的运行时间较短,甚至略短于同等设置下的标准遗传算法。此外,该算法对参数不敏感,易于使用。但是算法对于某些函数容易陷入局部最优解。
4.多种群的退火DNA遗传算法
模拟退火算法是一种模拟固体退火过程的局部搜索能力强的启发式算法。在搜索过程中,模拟退火算法依据Metropolis准则接受一个新解,即当新个体的适应度大于父代个体适应度时,以新个体替换父代个体;否则,新个体依概率exp((f’-f)/T)替换父代个体,即算法接受一个恶化解,这是模拟退火算法的主要特点。可以看出,随着温度的降低,算法接受恶化解的概率逐渐降低。将模拟退火算法与遗传算法相结合,可以有效避免遗传算法陷入局部最优陷阱,推动搜索朝着全局最优的方向进行。该算法在全局寻优能力、算法稳定性方面具有优越性能。但是该算法计算时间较长。
发明内容
本发明要解决的技术问题,是对信息系统迁移过程中存在的信息系统多、信息设备多、信息系统集成关系复杂等关键问题进行分析和研究,给出信息迁移系统的开销最优化方法
为了解决上述技术问题,本发明采用的技术方案为:
一种基于精英种群遗传算法的电力信息系统迁移方法,其特征在于实施步骤包括:
1)初始化种群;
2)对个体进行适应度评估并判断程序是否结束;
3)进行选择、交叉、变异操作;
4)更新精英种群并使用精英控制机制。
可选地,步骤1)详细步骤包括:
1.1)对需要迁移的信息系统进行统计和评估,生成信息系统集合S={s1,s2,...,sn},其中si表示第i个信息系统,i=1,2,...,n。
1.2)对迁移的信息系统机房进行统计,生成迁移机房集合:R={r1,r2,...,rm},其中rj表示迁移的第j个目标机房,j=1,2,...,n。
1.3)对于系统迁移过程中迁移目标机房的约束性要求进行统计,构建可搬迁机房集合MSR={msi1,msi2,...,msik},其中msij={msij1,msij2,...,msijk}表示系统si中各设备可迁移的目标机房。
1.4)对各信息系统的迁移费用进行评估,统计出迁移时间矩阵C如下式所示:
上式中,cij∈C表示信息系统si迁移至机房rj的费用开销。
1.5)构建系统迁移方案的评估函数,根据时间优化迁移方案的评估函数如下式所示:
上式中,msij为系统迁移序列,即系统迁移方案,系统迁移方案从迁移系统序列集合MS={ms1,ms2,...,msn}中选择,其中ms={msi1,msi2,...,msik}表示系统si中各设备的迁移顺序序列。
1.6)随机生成迁移方案,作为EPGA算法的初始种群Pm0,随机生成时使用限定器对种群中个体进行限定,以保证生成的每个个体都是有效方案。限定器使用轮盘赌方式和禁忌表随机共同作用,生成的个体结构如下所示:
s<sub>o1</sub> | s<sub>o2</sub> | s<sub>o3</sub> | s<sub>o4</sub> | ... | s<sub>on</sub> |
r<sub>o1</sub> | r<sub>o2</sub> | r<sub>o3</sub> | r<sub>o4</sub> | ... | r<sub>on</sub> |
其中,第一行(so1,so2,so3,...,son)为迁移系统序列集合MS的子集,表示具体的系统迁移的顺序,第二行(ro1,ro2,ro3,...,ron)为对应的系统迁移的机房;随机抽取初始种群中10%的个体作为精英种群Pe0,独立于初始种群。
可选地,步骤2)的详细步骤包括:
2.1)对Pm0中的个体进行适应度评估,即将每个个体代入构建系统迁移方案的评估函数中进行适应度计算,求出第i个个体的适应度值f(Ci);
可选地,步骤3)的详细步骤包括:
3.1)选择操作,个体i按照概率P(i)进行选择,P(i)由下式求出
上式中,f(Ci)为个体i的适应度值,P(i)根据个体的适应度在种群中的所有个体中的分量来确定选择的概率,适应度越高,即迁移费用越低,对应个体的被选择的概率就越大;
3.2)交叉操作,根据随机生成的交叉点位数k,对选中的两个个体从第k位进行交叉,即两个个体分别以第k位为界,前后段互换,从而形成一个新的个体。新个体需要用限定器对个体进行修正,以保证个体的有效性,即新生成的方案是有效的;
3.3)变异操作,根据变异概率,在满足变异条件的情况下,对选择的个体进行变异操作。通过在个体中随机选择两个变异位数,对该位数对应的迁移系统进行交换,实现新个体的生成。新个体需要使用限定器对其进行修正,以保证个体的有效性,即新生成的方案是有效的。
可选地,步骤4)中的详细步骤为:
4.1)更新精英种群,对所有新生成的个体按照步骤(5)中的方法进行适应度评估,新个体的适应度如果优于精英种群中的个体,则替换精英种群中适应度最低的个体,同时精英种群记录替换次数,作为精英种群更新率的参数;
4.2)精英种群中通过替换次数进行EPGA算法的运行状态监测,通过使用精英控制机制来判断算法是否陷入停滞或者局部最优。EPGA使用一个滑动窗口来对经过窗口长度的迭代次数后的精英种群进行评估,如果精英种群的更新率一直为零,则表明EPGA算法停滞或陷入局部最优,此时需要通过增大变异概率来使算法获得更好的探索性能,以便搜索种群能够跳出局部最优;如果精英种群的更新率一直小于更新阈值,表明算法在进行全局搜索,此时需要通过减少选择操作中的随机概率,来增强算法的开发能力,以加强算法的进化方向性;如果精英种群的更新率一直大于更新阈值,说明算法在快速收敛,此时通过增加选择操作中的随机概率,来保证算法的全局搜索,从而避免算法陷入局部最优;
4.3)使用精英控制机制对EPGA算法的各控制参数进行调整后,对所有个体进行新一轮的适应度评估,并判断算法是否满足结束条件,如迭代次数限制或者优化方案费用开销条件。
附图说明
图1为本发明实施例方法的基于精英种群算法流程图。
图2为本发明实施例中EPGA与GA算法的对比图。
图3为本发明实施例中优化方案的甘特图。
具体实施方式
如图1,本实施基于精英种群遗传算法的电力信息系统迁移方法的实施步骤包括:
1)初始化种群;
2)对个体进行适应度评估并判断程序是否结束;
3)进行选择、交叉、变异操作;
4)更新精英种群并使用精英控制机制。
可选地,步骤1)详细步骤包括:
1.1)对需要迁移的信息系统进行统计和评估,生成信息系统集合S={s1,s2,...,sn},其中si表示第i个信息系统,i=1,2,...,n。
1.2)对迁移的信息系统机房进行统计,生成迁移机房集合:R={r1,r2,...,rm},其中rj表示迁移的第j个目标机房,j=1,2,...,n。
1.3)对于系统迁移过程中迁移目标机房的约束性要求进行统计,构建可搬迁机房集合MSR={msi1,msi2,...,msik},其中msij={msij1,msij2,...,msijk}表示系统si中各设备可迁移的目标机房。
1.4)对各信息系统的迁移费用进行评估,统计出迁移时间矩阵C如下式所示:
上式中,cij∈C表示信息系统si迁移至机房rj的费用开销。
1.5)构建系统迁移方案的评估函数,根据时间优化迁移方案的评估函数如下式所示:
上式中,msij为系统迁移序列,即系统迁移方案,系统迁移方案从迁移系统序列集合MS={ms1,ms2,...,msn}中选择,其中ms={msi1,msi2,...,msik}表示系统si中各设备的迁移顺序序列。
1.6)随机生成迁移方案,作为EPGA算法的初始种群Pm0,随机生成时使用限定器对种群中个体进行限定,以保证生成的每个个体都是有效方案。限定器使用轮盘赌方式和禁忌表随机共同作用,生成的个体结构如下所示:
s<sub>o1</sub> | s<sub>o2</sub> | s<sub>o3</sub> | s<sub>o4</sub> | ... | s<sub>on</sub> |
r<sub>o1</sub> | r<sub>o2</sub> | r<sub>o3</sub> | r<sub>o4</sub> | ... | r<sub>on</sub> |
其中,第一行(so1,so2,so3,...,son)为迁移系统序列集合MS的子集,表示具体的系统迁移的顺序,第二行(ro1,ro2,ro3,...,ron)为对应的系统迁移的机房;随机抽取初始种群中10%的个体作为精英种群Pe0,独立于初始种群。
可选地,步骤2)的详细步骤包括:
2.1)对Pm0中的个体进行适应度评估,即将每个个体代入构建系统迁移方案的评估函数中进行适应度计算,求出第i个个体的适应度值f(Ci);
可选地,步骤3)的详细步骤包括:
3.1)选择操作,个体i按照概率P(i)进行选择,P(i)由下式求出
上式中,f(Ci)为个体i的适应度值,P(i)根据个体的适应度在种群中的所有个体中的分量来确定选择的概率,适应度越高,即迁移费用越低,对应个体的被选择的概率就越大;
3.2)交叉操作,根据随机生成的交叉点位数k,对选中的两个个体从第k位进行交叉,即两个个体分别以第k位为界,前后段互换,从而形成一个新的个体。新个体需要用限定器对个体进行修正,以保证个体的有效性,即新生成的方案是有效的;
3.3)变异操作,根据变异概率,在满足变异条件的情况下,对选择的个体进行变异操作。通过在个体中随机选择两个变异位数,对该位数对应的迁移系统进行交换,实现新个体的生成。新个体需要使用限定器对其进行修正,以保证个体的有效性,即新生成的方案是有效的。
可选地,步骤4)中的详细步骤为:
4.1)更新精英种群,对所有新生成的个体按照步骤(5)中的方法进行适应度评估,新个体的适应度如果优于精英种群中的个体,则替换精英种群中适应度最低的个体,同时精英种群记录替换次数,作为精英种群更新率的参数;
4.2)精英种群中通过替换次数进行EPGA算法的运行状态监测,通过使用精英控制机制来判断算法是否陷入停滞或者局部最优。EPGA使用一个滑动窗口来对经过窗口长度的迭代次数后的精英种群进行评估,如果精英种群的更新率一直为零,则表明EPGA算法停滞或陷入局部最优,此时需要通过增大变异概率来使算法获得更好的探索性能,以便搜索种群能够跳出局部最优;如果精英种群的更新率一直小于更新阈值,表明算法在进行全局搜索,此时需要通过减少选择操作中的随机概率,来增强算法的开发能力,以加强算法的进化方向性;如果精英种群的更新率一直大于更新阈值,说明算法在快速收敛,此时通过增加选择操作中的随机概率,来保证算法的全局搜索,从而避免算法陷入局部最优;
4.3)使用精英控制机制对EPGA算法的各控制参数进行调整后,对所有个体进行新一轮的适应度评估,并判断算法是否满足结束条件,如迭代次数限制或者优化方案费用开销条件。
下文将对本实施例基于精英种群遗传算法的电力信息系统迁移方法进行进一步的仿真实现。EPGA算法的参数设置如表1所示,其中,NP为算法的种群大小;tmax为算法的最大进化迭代次数,为算法是否终止的一个评判条件;Tep为精英种群的更新阈值;Psmax与Psmin分别为选择概率的最大值和最小值;Pcmax和Pcmin分别为交叉概率的最大值和最小值;Pvmax和Pvmin分别为变异概率的最大值和最小值。为了检验EPGA的有效性,我们与标准遗传算法GA进行了对比实验,对比实验结果如图2所示。从图2可知EPGA在收敛速度及寻优效果方面都优于GA。GA在第200代左右就停滞了,算法陷入了局部最优,而EPGA在GA之前陷入了局部最优,但精英种群控制机制使得EPGA在后续寻优过程中能够不断地跳出局部最优,从而获得了比GA更优的解决方案。最小迁移费用的方案流程由图3所示。其仿真实验参数设置如表1所示。
表1 EPGA算法参数设置
参数 | NP | t<sub>max</sub> | NE | T<sub>ep</sub> | Ps<sub>max</sub> | Ps<sub>min</sub> | Pc<sub>max</sub> | Pc<sub>min</sub> | Pv<sub>max</sub> | Pv<sub>min</sub> |
数值 | 50 | 1000 | 10 | 0.3 | 0.8 | 0.2 | 0.8 | 0.2 | 0.8 | 0.2 |
Claims (5)
1.一种基于精英种群遗传算法的电力信息系统迁移方法,其特征在于实施步骤包括:
1)初始化种群;
2)对个体进行适应度评估并判断程序是否结束;
3)进行选择、交叉、变异操作;
4)更新精英种群并使用精英控制机制。
2.根据权利要求1所述的基于精英种群遗传算法的电力信息系统迁移方法,其特征在于,步骤1)之前还包括:
1.1)对需要迁移的信息系统进行统计和评估,生成信息系统集合S={s1,s2,...,sn},其中si表示第i个信息系统,i=1,2,...,n;
1.2)对迁移的信息系统机房进行统计,生成迁移机房集合:R={r1,r2,...,rm},其中rj表示迁移的第j个目标机房,j=1,2,...,n;
1.3)对于系统迁移过程中迁移目标机房的约束性要求进行统计,构建可搬迁机房集合MSR={msi1,msi2,...,msik},其中msij={msij1,msij2,...,msijk}表示系统si中各设备可迁移的目标机房;
1.4)对各信息系统的迁移费用进行评估,统计出迁移时间矩阵C如下式所示:
上式中,cij∈C表示信息系统si迁移至机房rj的费用开销;
1.5)构建系统迁移方案的评估函数,根据时间优化迁移方案的评估函数如下式所示:
上式中,msij为系统迁移序列,即系统迁移方案,系统迁移方案从迁移系统序列集合MS={ms1,ms2,...,msn}中选择,其中ms={msi1,msi2,...,msik}表示系统si中各设备的迁移顺序序列;
1.6)随机生成迁移方案,作为EPGA算法的初始种群Pm0,随机生成时使用限定器对种群中个体进行限定,以保证生成的每个个体都是有效方案。限定器使用轮盘赌方式和禁忌表随机共同作用,生成的个体结构如下所示:
其中,第一行(so1,so2,so3,...,son)为迁移系统序列集合MS的子集,表示具体的系统迁移的顺序,第二行(ro1,ro2,ro3,...,ron)为对应的系统迁移的机房;随机抽取初始种群中10%的个体作为精英种群Pe0,独立于初始种群。
3.根据权利要求1所述的基于精英种群遗传算法的电力信息系统迁移方法,其特征在于,步骤2)的详细步骤包括:
2.1)对Pm0中的个体进行适应度评估,即将每个个体代入构建系统迁移方案的评估函数中进行适应度计算,求出第i个个体的适应度值f(Ci);
2.2)检测程序是否结束,若未结束进行选择、交叉、变异操作。
4.根据权利要求1所述的基于精英种群遗传算法的电力信息系统迁移方法,其特征在于,步骤3)的详细步骤包括:
3.1)选择操作,个体i按照概率P(i)进行选择,P(i)由下式求出
上式中,f(Ci)为个体i的适应度值,P(i)根据个体的适应度在种群中的所有个体中的分量来确定选择的概率,适应度越高,即迁移费用越低,对应个体的被选择的概率就越大;
3.2)交叉操作,根据随机生成的交叉点位数k,对选中的两个个体从第k位进行交叉,即两个个体分别以第k位为界,前后段互换,从而形成一个新的个体。新个体需要用限定器对个体进行修正,以保证个体的有效性,即新生成的方案是有效的;
3.3)变异操作,根据变异概率,在满足变异条件的情况下,对选择的个体进行变异操作。通过在个体中随机选择两个变异位数,对该位数对应的迁移系统进行交换,实现新个体的生成。新个体需要使用限定器对其进行修正,以保证个体的有效性,即新生成的方案是有效的。
5.根据权利要求1所述的基于精英种群遗传算法的电力信息系统迁移方法,其特征在于,步骤4)中的详细步骤为:
4.1)更新精英种群,对所有新生成的个体按照步骤(5)中的方法进行适应度评估,新个体的适应度如果优于精英种群中的个体,则替换精英种群中适应度最低的个体,同时精英种群记录替换次数,作为精英种群更新率的参数;
4.2)精英种群中通过替换次数进行EPGA算法的运行状态监测,通过使用精英控制机制来判断算法是否陷入停滞或者局部最优。EPGA使用一个滑动窗口来对经过窗口长度的迭代次数后的精英种群进行评估,如果精英种群的更新率一直为零,则表明EPGA算法停滞或陷入局部最优,此时需要通过增大变异概率来使算法获得更好的探索性能,以便搜索种群能够跳出局部最优;如果精英种群的更新率一直小于更新阈值,表明算法在进行全局搜索,此时需要通过减少选择操作中的随机概率,来增强算法的开发能力,以加强算法的进化方向性;如果精英种群的更新率一直大于更新阈值,说明算法在快速收敛,此时通过增加选择操作中的随机概率,来保证算法的全局搜索,从而避免算法陷入局部最优;
4.3)使用精英控制机制对EPGA算法的各控制参数进行调整后,对所有个体进行新一轮的适应度评估,并判断算法是否满足结束条件,如迭代次数限制或者优化方案费用开销条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408969.2A CN115221770A (zh) | 2021-04-16 | 2021-04-16 | 一种基于精英种群遗传算法的电力信息系统迁移方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110408969.2A CN115221770A (zh) | 2021-04-16 | 2021-04-16 | 一种基于精英种群遗传算法的电力信息系统迁移方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115221770A true CN115221770A (zh) | 2022-10-21 |
Family
ID=83604663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110408969.2A Pending CN115221770A (zh) | 2021-04-16 | 2021-04-16 | 一种基于精英种群遗传算法的电力信息系统迁移方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115221770A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975655A (zh) * | 2023-08-29 | 2023-10-31 | 天栋智能科技(天津)有限公司 | 参数生成方法、信号压缩与重构方法、系统、设备和介质 |
-
2021
- 2021-04-16 CN CN202110408969.2A patent/CN115221770A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975655A (zh) * | 2023-08-29 | 2023-10-31 | 天栋智能科技(天津)有限公司 | 参数生成方法、信号压缩与重构方法、系统、设备和介质 |
CN116975655B (zh) * | 2023-08-29 | 2024-04-05 | 天栋智能科技(天津)有限公司 | 参数生成方法、信号压缩与重构方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN107506865B (zh) | 一种基于lssvm优化的负荷预测方法及系统 | |
CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN102902772B (zh) | 一种基于多目标优化的Web社区发现方法 | |
Cheng et al. | Searching toward pareto-optimal device-aware neural architectures | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN108809697B (zh) | 基于影响力最大化的社交网络关键节点识别方法及系统 | |
Shi et al. | An improved DV-Hop scheme based on path matching and particle swarm optimization algorithm | |
Liao et al. | Adaptive configuration for heterogeneous participants in decentralized federated learning | |
WO2023115760A1 (zh) | 基于局部代理模型的电机多目标鲁棒性优化方法 | |
CN113887748B (zh) | 在线联邦学习任务分配方法、装置、联邦学习方法及系统 | |
CN115221770A (zh) | 一种基于精英种群遗传算法的电力信息系统迁移方法 | |
Yin et al. | Energy saving in flow-shop scheduling management: an improved multiobjective model based on grey wolf optimization algorithm | |
Song et al. | Fast-DRD: Fast decentralized reinforcement distillation for deadline-aware edge computing | |
CN110852435A (zh) | 一种基于神经进化计算模型 | |
Zhao et al. | Adaptive Swarm Intelligent Offloading Based on Digital Twin-assisted Prediction in VEC | |
KR101565694B1 (ko) | 무선 센서 네트워크에서 인공벌군집 클러스터링 설계 방법 및 시스템 | |
Yun et al. | Remote estimation for dynamic iot sources under sublinear communication costs | |
CN114139459B (zh) | 一种基于约束多目标优化算法的无线传感器配置优化方法 | |
Wei et al. | A two-stage diversity enhancement differential evolution algorithm for multi-objective optimization problem | |
Yin et al. | Minimum distance clustering algorithm based on an improved differential evolution | |
CN117272838B (zh) | 一种政务大数据平台数据采集优化方法 | |
Wang et al. | Research on load balancing method in cloud computing | |
Sangeetha et al. | Location area planning problem in WiMAX networks using nature inspired techniques: performance study | |
CN110119837B (zh) | 一种基于城市用地性质及开发时间的空间负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |