导读:本文包含了差分进化计算论文开题报告文献综述及选题提纲参考文献，主要关键词:差分进化,边界值问题,偏微分方程,有限差分法
差分进化计算论文文献综述
Muhammad,Faisal,FATEH,Aneela,ZAMEER,Sikander,M.MIRZA,Nasir,M.MIRZA,Muhammad,Saeed,ASLAM[1]（2019）在《基于差分进化的椭圆型偏微分方程计算智能求解器（英文）》一文中研究指出介绍了一种基于差分进化的方法,用以解决具有狄里克莱和/或诺依曼边界条件的椭圆型偏微分方程。通过最小化群体间的节点偏差,解决方案在整个内部节点的有界域上演化。用对应系统的有限差分近似代替椭圆型偏微分方程,得到节点留数的表达式。将全局留数声明为节点留数的均方根值,并将其作为代价函数。利用标准微分进化方法将椭圆型偏微分方程转化为全局留数的极小化问题求解。同时考虑线性与非线性椭圆偏微分方程的一系列基准问题,验证了该算法的有效性。为证明该算法的鲁棒性,对不同差分进化算子和参数进行灵敏度分析。将基于差分进化的计算节点值与用精确解析表达式得到的对应数据进行比较,比较结果显示了该方法的精确度和收敛性。(本文来源于《Frontiers of Information Technology & Electronic Engineering》期刊2019年10期）
林涛,王昊,李鹏[2]（2019）在《基于改进差分进化算法的云计算任务调度策略》一文中研究指出针对传统云计算资源调度策略存在资源利用率低等缺陷,提出了一种基于改进差分进化算法的云计算任务调度算法(LADE)。首先建立云计算任务调度问题的数学模型,然后采用差分进化算法对目标函数进行求解,并引入自适应的放缩因子和交叉算子进行改进,使算法更符合最优解的求解规律,有效地避免陷入局部最优解和"早熟"的缺陷。仿真实验表明:LADE算法具有更强的全局搜索能力,不仅解决了传统资源调度算法存在的缺陷,而且大幅减少了云计算任务的完成时间和执行能耗。(本文来源于《传感器与微系统》期刊2019年09期）
单宇翔[3]（2019）在《神经网络和自适应差分进化在云计算的应用研究》一文中研究指出近年来,云计算的出现极大地改变了现有的计算方法.尽管云计算有诸多优点,但同样面临着一些挑战.云计算面临的主要挑战包括动态资源缩放和功耗,这些因素导致云系统变得低效且昂贵.工作载荷预测是云效率和运行成本得以改善的变量之一.准确性是工作载荷预测的关键组成部分.在前人研究的基础上,本文提出了一种基于神经网络和自适应差分进化算法的负荷预测模型,该模型能够学习最优的变异策略以及最优交叉率.最终,和反向传播学习算法模型的预测结果进行比较,证明了所提模型的有效性.(本文来源于《微电子学与计算机》期刊2019年01期）
李志敏,张伟[4]（2018）在《基于差分进化人工蜂群算法的云计算资源调度》一文中研究指出为减少云计算的任务完成时间,提出基于差分进化人工蜂群算法的云计算资源调度方法。引入高斯变异和自适应因子改进人工蜂群算法,兼顾算法前期全局搜索能力和后期局部细致搜索;引入自适应交叉概率改进差分进化算法,兼顾算法的基因多样性和收敛速度;提出差分进化人工蜂群算法,两种改进算法并行寻优并及时交流最优解及位置信息,使两算法能够快速靠近最优解,减少算法迭代次数,提高算法收敛速度和精度。实验结果表明,差分进化人工蜂群算法调度的云计算耗时最少,随着任务量的增加耗时优势越明显。(本文来源于《计算机工程与设计》期刊2018年11期）
孙洁,连畅[5]（2018）在《基于云计算平台的差分进化算法改进研究》一文中研究指出针对差分进化算法(DE)收敛速度慢、多样性不足和易陷于局部最优的问题,进行基于云计算的差分进化算法改进研究。该方法基于云对差分算法的运行速度进行改善,并以差分算法与轮盘赌相结合的方式改进差分算法易陷于局部最优的问题,即在交叉变异之后对种群以轮盘赌法的方式对其进行筛选,使之能够更好地对个体进行最优的选择,从而实现全局最优的结果。实验结果表明,算法改进后对基本差分算法的收敛速度慢,易陷入局部最优的缺陷有了进一步的改善,并很好地提高了最优解的质量,具有良好的实用性。(本文来源于《现代电子技术》期刊2018年17期）
糜培培[6]（2018）在《基于云计算的改进差分进化算法的研究与实现》一文中研究指出现有的云计算调度类的算法,多是针对于组合类的优化NP(Non-Deterministic Polynomial Problems)的难题,比如FIFO(First In First Out),公平调度,容量调度等。此类调度算法都很难完全满足实际应用,因为它们都有着自身难以弥补的缺陷,慢慢的一些新的算法便就此出现了,新的算法一方面改善了传统算法的一些缺陷,但像比如遗传算法、粒子群算法、蚁群算法等优化算法仍然存在不足之处,还需进一步优化。差分进化算法(Differential Evolution Algorithm,DE)便是在此背景下被引入了,它是一种具有高效性、全局性的算法;差分进化算法,其基础是群,以群为基础的启发性的搜索算法,群中的任一个体都是一个可行性的解。且DE算法在种群进化的过程中,会依次经过变异、交叉、选择操作,这与遗传算法相似;但不同的是其中变异操作、交叉操作、选择操作的定义不同;DE算法在另一方面来看也是一种模拟生物进化算法,它会不断的进化迭代,最后保留着能够适应环境生存的优良个体。比遗传算法更占优势的是,DE算法是基于种群的启发性搜索算法,利用实数进行编码,以一种一对一的生存策略方式和较为简单的变异突变来降低遗传的复杂性,其适应于求解复杂环境中的优化问题;目前为止,差分进化算法已在信号处理领域、食品安全领域、机器人领域等应用中取得了良好的效果。对于本次课题而言,研究方向主要是从DE算法的基础理论开始,首先对于它的整个基本流程进行分析,对其各类重要的参数进行设置限制的因素,如初始种群个体数NP,个体维数D,最大群体迭代次数G,当前迭代次数t,变异因子F,交叉因子CR,适应度选择等。其次,对DE算法进行大量的实验,找到DE算法的不足之处:当种群规模较大时,种群收敛非常缓慢;当种群规模较小时,易得到局部最优个体,然后根据其存在的缺点,提出新的改进算法:改变变异因子、交叉因子的取值范围,且提出分离化差分进化算法,实验结果表示,改进后的分离化进化算法对于问题的解决起着很大的作用。本课题旨在对DE算法进行验证并改进,由此将其引入云计算仿真环境CloudSim中,以此来模拟云计算任务调度过程,最终通过实验来对改进后的算法进行性能验证,来证明改进后算法在云计算任务调度的作用。(本文来源于《电子科技大学》期刊2018-03-23）
张维英,金钊,毛晓旭,于欣,林力[7]（2018）在《基于差分进化算法的船舶自由浮态计算研究》一文中研究指出及时准确获取船舶破损后的浮态参数是采取正确抗沉措施的重要前提,所以船舶自由浮态计算是船舶破损后快速扶正首先要解决的问题。采用差分进化算法对平衡多目标函数进行求解。差分进化算法采用实数编码,选择阶段采用了贪婪算法,实现更加简单。根据对2,000t专业溢油处置船的计算,并与遗传算法比较,计算结果更为精确,收敛速度相当。该方法可以在保证较高的收敛速度前提下,提高自由浮态的计算精度。(本文来源于《中国水运(下半月)》期刊2018年03期）
郑哲[8]（2017）在《基于改进差分进化的云计算任务调度算法》一文中研究指出近年来,云计算因其计算能力强大、资源管理灵活、价格低廉、部署快捷等优点,在学术界与产业界受到极大推崇。任务调度是云计算的基本研究问题之一,它根据任务的各种需求,通过采用适当策略把不同的任务分配到云中合适的资源节点上执行。在云计算系统中,结合考虑每个计算处理节点的能力,以最合理的方式把用户提交的所有任务分配到数据集群中的计算节点上,这已经被证明是一个非确定多项式(non-deterministic polynomial,NP)问题。现有大部分对于云计算中的任务调度及资源分配调度算法将缩短任务的完成时间作为研究重点,然而它们没有很好的兼顾调度执行时间最小与成本最小,任务完成所需的成本也是个不可忽略的因素。云计算平台中不同的计算资源的使用成本不同,处理能力强的计算资源的使用成本要较高,而处理能力差一些的计算资源的使用成本则较低,云用户在选择云服务时应根据自己的经济预算以及所能等待的时间综合考虑。针对这种现象,本文开展了以下两个方面的工作:(1)针对现有的差分进化算法(DE,Differential Evolution)后期收敛速度慢、参数设置困难、容易限于局部最优等不足,提出了一种改进的差分进化算法(IDE,Improving Differential Evolution)。算法从两个方面进行了改进:观察到差分进化算法中的基本交叉算子是能够生成两个子代个体的,考虑将其丢弃的子个体也加入到产生新个体的锦标赛选择中,用最少的仿真次数保留最多的有效遗传信息;同时,由于评估一次调度方案的时间非常长,要依靠大量的实验来得到控制参数的值非常困难,对算法的缩放因子F,交叉概率CR进行改进,使控制参数可以随着算法的进化自动调整。(2)从云计算用户和云数据中心的角度出发,选取用户提交云任务的运行时间和运行费用为目标,提出了一个基于多目标优化的云计算任务调度模型。由于差分进化算法在调度中是没有约束条件的,而云任务调度受到了 cpu,内存,容忍时间等约束。本文在IDE基础上,采取了基于规则的处理机制对约束条件进行了处理,提出了 ICDE算法,最后研究开源云计算仿真器CloudSim,将ICDE算法,IDE算法,标准的差分进化算法DE,多目标调度模拟退火算法(Simulated Annealing,SA),应用到基于多目标优化的云计算任务调度模型中,并使用CloudSim云平台模拟实现。通过对实验结果的对比分析说明,ICDE算法在任务完成时间和任务完成成本上都要优于其它几种算法。(本文来源于《湖南大学》期刊2017-05-10）
蔡勇,李胜[9]（2016）在《差分进化算法的细粒度并行计算方法及其应用》一文中研究指出为了提升高维复杂非线性函数优化问题的求解效率,设计现了一种基于图形处理器的差分进化算法的细粒度并行计算方法。主要解决了GPU端随机数的高质量高效率生成方式,并采用函数分解策略实现了高维函数的并行计算以降低程序粒度,满足GPU计算特性。程序设计和编写采用统一计算架构(CUDA),并充分使用CUDA自带的各种数学运算库,保证了程序的稳定性和易用性。数值算例证明,并行计算方法稳定并且高效,在优化收敛性一致的前提下,采用GTX970显卡可以取得较高的计算加速比。(本文来源于《计算机仿真》期刊2016年10期）
谭旭杰,邓长寿,董小刚,袁斯昊,吴志健[10]（2016）在《SparkDE:一种基于RDD云计算模型的并行差分进化算法》一文中研究指出云计算MapReduce并行编程模型广泛应用于数据密集型应用领域,基于该模型的开源平台Hadoop在大数据领域获得了成功应用。然而,对于计算密集型任务,特别是迭代运算,频繁启动Map和Reduce过程将导致负载过大,影响计算效率。弹性分布式数据集(RDD)是一种基于内存的集群计算模型,有效地支持迭代运算,能够克服负载过大的问题。因此提出基于RDD模型的并行差分进化算法SparkDE。SparkDE首先将整个种群划分为若干个独立岛,然后将一个岛对应RDD中的一个分区,每个岛在RDD的一个分区中独立进化指定代数后,利用迁移算子在岛之间交换信息。利用标准测试问题对SparkDE、基于MapReduce模型的MRDE和基本DE进行对比实验研究。实验结果表明SparkDE求解精度高,计算速度快,加速效果明显,可以作为云计算平台的下一代优化器。(本文来源于《计算机科学》期刊2016年09期）
差分进化计算论文开题报告
（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：
针对传统云计算资源调度策略存在资源利用率低等缺陷,提出了一种基于改进差分进化算法的云计算任务调度算法(LADE)。首先建立云计算任务调度问题的数学模型,然后采用差分进化算法对目标函数进行求解,并引入自适应的放缩因子和交叉算子进行改进,使算法更符合最优解的求解规律,有效地避免陷入局部最优解和"早熟"的缺陷。仿真实验表明:LADE算法具有更强的全局搜索能力,不仅解决了传统资源调度算法存在的缺陷,而且大幅减少了云计算任务的完成时间和执行能耗。
（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。
差分进化计算论文参考文献
[1].Muhammad,Faisal,FATEH,Aneela,ZAMEER,Sikander,M.MIRZA,Nasir,M.MIRZA,Muhammad,Saeed,ASLAM.基于差分进化的椭圆型偏微分方程计算智能求解器（英文）[J].FrontiersofInformationTechnology&ElectronicEngineering.2019
[2].林涛,王昊,李鹏.基于改进差分进化算法的云计算任务调度策略[J].传感器与微系统.2019
[3].单宇翔.神经网络和自适应差分进化在云计算的应用研究[J].微电子学与计算机.2019
[4].李志敏,张伟.基于差分进化人工蜂群算法的云计算资源调度[J].计算机工程与设计.2018
[5].孙洁,连畅.基于云计算平台的差分进化算法改进研究[J].现代电子技术.2018
[6].糜培培.基于云计算的改进差分进化算法的研究与实现[D].电子科技大学.2018
[7].张维英,金钊,毛晓旭,于欣,林力.基于差分进化算法的船舶自由浮态计算研究[J].中国水运(下半月).2018
[8].郑哲.基于改进差分进化的云计算任务调度算法[D].湖南大学.2017
[9].蔡勇,李胜.差分进化算法的细粒度并行计算方法及其应用[J].计算机仿真.2016
[10].谭旭杰,邓长寿,董小刚,袁斯昊,吴志健.SparkDE:一种基于RDD云计算模型的并行差分进化算法[J].计算机科学.2016