下载文档原格式
2021年11期创新前沿科技创新与应用Technology Innovation and Application基于改进萤火虫算法的DG 定容选址算法研究邓正臣（上海电力大学电子与信息工程学院，上海201306）1概述随着我国电力事业的快速发展，社会用电量总量急剧攀升，在传统的电网架构下，电力部门主要建造如核电站、大型水电站、燃煤火电站等大型集中电源，并由此扩建为超大规模电力系统。
但其弊端也日益凸显，高度集中的电源难以满足电网运行的灵活性需求，重要供电节点的故障也会严重影响电网整体的供电可靠性，远距离输电也面临着严重的电能损耗和安全性等问题[1]。
为了克服以上问题对电网运行的负面影响，分布式电源（Distributed generation ，DG ）的概念于20世纪80年代被提出。
DG 对配电网的规划和运行有着极其重要的影响，配电网中适当的接入DG 可以起到提高电能质量、降低有功功率损耗、改善电压分布等作用，提高电网运行时整体的经济性和灵活性。
配电网作为电网的末端，其运行的稳定性和效率直接影响到电网整体的效能发挥。
因此，分布式电源的选址与定容问题已成为电网规划的重要讨论内容，具有很大的研究价值。
由于电网络的非线性，各个支路流过的功率、有功功率网损、节点电压等都需要通过潮流计算得到，所以DG 的选址定容问题本质上是大规模非线性方程组的求解。
为了解决这一问题，通常依靠潮流计算算法求解适应度值，使用仿生学算法求解模型。
文献[2]介绍了不同种形式的萤火虫算法，并比较了萤火虫算法的优劣，标准的萤火虫算法更适合求解连续域问题，对离散域问题效果较差；文献[3]采用了遗传算法（GA ）优化DG 的位置与容量，并且充分考虑了配电网潮流的限制等约束；文献[4]提出了一种基于网损灵敏度的DG 优化配置方法，采用IEEE-33标准节点测试系统验证了所提方法的有效性；文献[5]考虑了DG 功率的不确定性，利用改进的粒子群算法（Improved particle swarm opti -mization ，IPSO ）优化配电网的网损、改善节点电压质量，并对改进的IEEE-33节点算例进行仿真，证明IPSO 算法的有效性。
基于改进多目标萤火虫算法的模糊聚类朱书伟;周治平;张道文【摘要】针对传统的模糊聚类算法大都针对单一目标函数的优化,而无法获得更全面、更准确的聚类结果的问题,提出一种基于改进多目标萤火虫优化算法的模糊聚类方法.首先在多目标萤火虫算法中引入一种动态调整的变异机制以获得更加均匀分布的非劣解,其中以动态减小的概率选择个体并采用类似于差分进化算法中变异算子的策略对其进行变异,通过自适应调整收缩因子以提高变异效率.然后当归档集中的最优解集充满时,从中选取一定量的解与当前种群组合进行下一次进化,使得算法具有更高的效率.最后将其运用到模糊聚类问题中,通过同时优化两个模糊聚类指标的目标函数并从最终的归档集中选取一个解确定聚类结果.采用5组数据进行实验的结果表明,相对于单目标聚类方法,所提方法对各种数据集的聚类有效性指标提高了2到8个百分点,具有更高的聚类准确性和更好的综合性能.【期刊名称】《计算机应用》【年(卷),期】2015(035)003【总页数】6页(P685-690)【关键词】模糊聚类;多目标优化;萤火虫算法;变异;差分进化【作者】朱书伟;周治平;张道文【作者单位】江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122;江南大学物联网工程学院,江苏无锡214122【正文语种】中文【中图分类】TP18;TP301.60 引言聚类分析技术通常可以看成是一个复杂的优化问题，它在很大程度上依赖于聚类有效性指标的优化，采用不同的优化标准就会形成不同的聚类问题。
现有的聚类方法大部分只针对一种指标进行分析，无法有效地适用于各种不同特征类型的数据。
多目标优化算法能够实现不同目标函数的同时优化，可以成功应用到聚类技术中，将聚类问题转化为对多个聚类指标目标函数的优化问题，使其更广泛地应用于各种类型数据并获得更全面的综合性能。
近年来基于多目标进化算法(Multi-Objective Evolutionary Algorithm，MOEA)［1］的聚类方法逐渐成为了一个研究热点，目前已取得不少有价值的研究成果。
萤火虫算法研究综述王沈娟;高晓智【摘要】作为一种新兴的群智能优化方法,萤火虫算法具有简单易懂、参数少和易实现等优点,已经在诸多领域取得了较好的应用.为了使该算法能够更有效地解决不同的优化问题,需要对标准萤火虫算法进行改进或混合其他算法.介绍了萤火虫算法的原理及其应用领域,重点分析了算法的改进策略,并提出了算法进一步研究的方向.【期刊名称】《微型机与应用》【年(卷),期】2015(034)008【总页数】4页(P8-11)【关键词】群智能;萤火虫算法;混合算法;优化【作者】王沈娟;高晓智【作者单位】上海海事大学信息工程学院,上海201306;上海海事大学信息工程学院,上海201306;阿尔托大学自动化与系统技术系,赫尔辛基FI-00076【正文语种】中文【中图分类】TP301群智能是一种通过简单个体的行为，以某种形式聚集协同，使群体在没有集中控制的情况下所表现出的智能行为［1］。
群智能优化算法是一种对自然界中生物的群体行为的模拟，并用数学形式表达出来的方法。
典型的群智能优化算法有两个，即蚁群优化算法（Ant Colony Optimization，ACO）和粒子群优化算法（Particle Swarm Optimization，PSO）。
剑桥学者Yang Xinshe根据萤火虫个体的发光特性和相互吸引的行为，于2008年提出了萤火虫算法（Firefly Algorithm，FA）［2］。
FA是继PSO和ACO之后，又一新颖的群智能启发式优化算法，具有概念简单、需要调整的参数少、易于应用和实现等优点。
萤火虫算法是一种高效的优化算法，已成为众多学者研究的热点，在诸多领域得到了较好的应用。
但标准萤火虫算法无法有效解决不同的优化问题，因此需要对其进行改进研究。
萤火虫算法是基于以下三个理想化的特征提出的：（1）萤火虫不分性别，即萤火虫之间的相互吸引只考虑个体发光的亮度；（2）吸引力与发光亮度成正比，与个体之间的距离成反比；（3）萤火虫的亮度由待优化的目标函数值决定，即Ii=f （xi）。
基于连续空间的萤火虫算法改进
刘晨旻;王亚刚
【期刊名称】《电子科技》
【年(卷),期】2022(35)2
【摘要】针对萤火虫算法在全局寻优过程中求解精度差,且容易陷入局部最优的问题,文中提出了一种优化的萤火虫算法。
采用离散-连续的方法将传统萤火虫算法的空间连续化,在传统萤火虫算法的基础上定义新的吸引度计算式以及相应的更新策略,实现待求的离散问题的空间连续化,改善萤火虫单体相应的移动方式。
实验仿真结果证明了该改进算法的有效性。
文中对改进的萤火虫算法及其适用范围作了总结,并指出了今后研究方向。
【总页数】6页(P40-45)
【作者】刘晨旻;王亚刚
【作者单位】上海理工大学光电信息与计算机工程学院
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.改进萤火虫优化的软子空间聚类算法
2.基于改进萤火虫优化算法和考虑空间变异特性的边坡最小安全系数确定研究
3.基于改进萤火虫算法的铁路运行调度算法研究∗
4.基于改进萤火虫算法的铁路运行调度算法研究
5.基于改进萤火虫算法的DG 定容选址算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进萤火虫群的区域灾害链挖掘方法胡明生;贾志娟;吉晓宇;洪流【摘要】通过建立灾害立体网络模型并定义相似空间向量来对区域灾害链规律进行挖掘，同时转化其中的向量发现问题为一种多峰路径优化问题从而利用萤火虫群算法进行求解，并添加变步长、组亮度控制等优化策略，以改善基本GSO算法在收敛速度及求解精度上的不足，最后通过与基本GSO算法的性能对比实验证明了该改进方法的优越性。
【期刊名称】《计算机应用与软件》【年(卷),期】2012(000)011【总页数】4页(P29-31,86)【关键词】立体灾害网络;灾害链;萤火虫算法;路径优化;多峰函数【作者】胡明生;贾志娟;吉晓宇;洪流【作者单位】华中科技大学系统工程研究所湖北武汉430074; 郑州师范学院软件研究所河南郑州450044;郑州师范学院软件研究所河南郑州450044;郑州师范学院软件研究所河南郑州450044;华中科技大学系统工程研究所湖北武汉430074【正文语种】中文【中图分类】TP3110 引言随着近年来国内外大灾、巨灾的频繁发生，使得对灾害链及灾害演化的研究［1－3］越来越受到重视。
灾害链是灾害演化的基本形式，现有的灾害演化模型［4－6］大都是基于抽象灾害链所建立的平面网络模型，灾害节点间缺乏地理方位关系，在时间尺度上也多是研究短期的灾害内部演化。
然而重大灾害及其灾害链所体现出的大自然的隐秩性，即自组织性、协同性、整体统一性，往往因具体空间、时间情况的不同而产生各种复杂的动态变化，从而体现出迁移性和延迟性。
如震洪链、震旱链都是常见的抽象灾害链，虽然灾源相同，但是因为不同的受灾时空环境能够形成不同的灾害成链及迁移趋向，从而在不同区域会出现截然不同的成链结果。
所以对灾害链加入区域相关性考量，提取出不同区域各自的灾害成链特征，就显得十分有意义。
在灾害区域相关性研究上，文献［7，8］基于时间序列相似性匹配方法，实现了对地震的地区相关性分析，取得了较好效果，但是在其模型只能求得地区间的大体关联程度，而不能确定地区间的因果(链式)关系，即A地区与B地区间是呈现出A 地区地震引发B地区地震的规律，还是B地区地震引发A地区地震的规律，或者只是由于A、B地区都是地震频发区域而表现出了一种伪匹配关系。
基于改进萤火虫算法的配电网故障恢复策略
杨奕;刘青;吴毅;吴晓强
【期刊名称】《现代电力》
【年(卷),期】2024(41)2
【摘要】为提高含高比例新能源主动配电网的故障恢复可靠性,提出一种基于改进萤火虫算法的两阶段故障恢复策略。
首先构建了风光储系统模型,减少了风光发电的不确定性对故障恢复的影响;第一阶段采用先广度后深度的组合算法对故障后的配电网进行孤岛划分,该组合算法充分考虑了负荷时变性及用户侧需求,保证了重要负荷被优先恢复;第二阶段采用改进萤火虫算法对配电网重构进行求解,最大限度地保证恢复供电,同时尽可能地减少网络损耗;最后以IEEE33节点配电网作为算例仿真,结果表明所提故障恢复策略能够得到配电网故障恢复最优方案,同时满足负荷用户侧需求,保证重要负荷不断电,提高供电恢复率,降低配电网故障后网损,验证了所述方法的有效性和优越性。
【总页数】8页(P287-294)
【作者】杨奕;刘青;吴毅;吴晓强
【作者单位】新能源电力系统国家重点实验室(华北电力大学);国网江苏省电力有限公司盐城供电分公司
【正文语种】中文
【中图分类】TM711
【相关文献】
1.基于改进人工蜂群算法的配电网故障恢复
2.基于改进BPSO算法的含微网的配电网故障恢复方法研究
3.基于改进粒子群算法的配电网故障恢复研究
4.基于量子萤火虫算法的配电网故障恢复策略
因版权原因，仅展示原文概要，查看原文内容请购买。
萤火虫算法的研究进展程春英【摘要】Glowworm swarm optimization is a new type of swarm intelligence optimization algorithm by simulating the fireflies in foraging and mating habits of each other due to the light and attract mobile behavior to solve the optimal problem of.The Glowworm swarm optimization has strong robustness and stochastic searching capability, has been widely used in function optimization,clustering problems, robot cooperation,and many other aspects.This article expounds the basic principles of Glowworm swarm optimization,the existing various kinds of improved algorithm is given,and put forward the development direction of Glowworm swarm optimization.%萤火虫算法是通过模拟萤火虫在觅食和求偶等生活习性中产生的因光而吸引移动的行为来解决最优问题的一种新型群体智能优化算法。
萤火虫算法因具有较强的鲁棒性和随机搜索性，已广泛地应用于函数寻优、聚类问题、机器人协作等多个方面。
本文阐述了萤火虫算法的基本原理，给出了现有的各种改进算法，并展望了萤火虫算法的发展方向。
【期刊名称】《电子测试》【年(卷),期】2015(000)013【总页数】4页(P44-47)【关键词】萤火虫算法;荧光素;感知范围;改进【作者】程春英【作者单位】内蒙古民族大学计算机科学与技术学院，内蒙古通辽，028043【正文语种】中文0 引言萤火虫算法(Glowworm Swarn Optimization, GSO)是2005年由印度学者Krishnanand和Ghose提出的一种基于生物群体智能的随机优化算法，它是继粒子群优化算法、蚁群优化算法、人工鱼群优化算法之后的又一种新型的群体智能优化算法。
基于动态自适应萤火虫优化算法郗君甫【摘要】为了有效解决标准萤火虫算法在寻优过程中存在易陷入后期收敛速度较慢、寻优精度不高等问题,在位置更新公式中引入动态调整惯性权重和自适应步长机制,提出一种动态自适应萤火虫优化算法.利用四个标准测试函数进行仿真实验结果表明,动态自适应萤火虫算法具有更快收敛速度、较高求解精度和稳定性.【期刊名称】《邢台职业技术学院学报》【年(卷),期】2017(034)005【总页数】5页(P78-82)【关键词】萤火虫优化算法;惯性权重;自适应【作者】郗君甫【作者单位】邢台职业技术学院信息工程系,河北邢台 054035【正文语种】中文【中图分类】TP181萤火虫优化（Glowworm Swarm Optimization, GSO）算法是印度学者K.N.Krishnanand和D.Ghose于2005年提出的一种新型的仿生群智能优化算法[1,2]，其算法基本思想是单体萤火虫在搜索区域内利用发光亮度不同的特性寻找并聚合同伴，亮度越高吸引同伴能力越强，通过不断移动位置，实现寻优。
该算法由于模型简单、稳定性强、寻优能力强等优点，目前成为智能计算领域一个新的研究热点，随着研究不断深入已广泛应用于优化问题[3]、预测问题[4,5]、电力系统[6]、路径规划[7]、自动控制[8]、图像处理[9]、组合问题[10,11]等多个领域，并取得较好效果，但GSO算法也存在容易陷入局部最优、早熟收敛、后期收敛较慢和求解精度不高等问题。
针对基本萤火虫优化算法的缺陷，通过研究理论分析后，提出一种动态自适应萤火虫优化（Dynamic adaptive Glowworm Swarm optimization，DAGSO）算法，在算法中引入动态调整惯性权重机制和自适应步长机制，更好协调好局部搜索和全局搜索之间的关系，通过仿真实验结果表明，DAGSO算法有效改善了全局和局部搜索能力、提高收敛速度和寻优精度。
在标准GSO算法中，萤火虫群中单体萤火虫随机分布在解空间中，每个单体萤火虫均拥有荧光素和感知半径，单体萤火虫的荧光素亮度与所在位置上目标函数有关，单体萤火虫越亮，表明荧光素值越大、位置越好、目标函数值越优。
一种基于萤火虫算法的舰船路径规划方法专利名称：一种基于萤火虫算法的舰船路径规划方法技术领域：本发明属于舰船路径规划领域，尤其是一种基于萤火虫算法的舰船路径规划方法。
背景技术：随着科技的不断进步，舰船导航正逐渐向着智能化的方向发展。
尤其是在水面无人舰艇领域，舰船行驶的智能化更是尤为重要。
在智能化过程中，路径规划无疑是舰船智能航行的关键技术之一。
传统规划方法有视图法、拓扑法、栅格法等，这些方法过程简单，容易实现但路径优化效果差，并且无法保证寻找到全局最优路径。
近年来，随着一些生物系统及其行为特征进行模拟的优化算法的产生及日趋成熟，人们也逐渐将这些新兴的算法应用于路径规划中，并且有些算法已经获得了较好的效果，比如遗传算法、人工神经网络、粒子群算法、蚁群算法等。
例如申请号为200910100613. 1的专利申请一种基于粒子群优化算法的移动机器人路径规划方法，该专利对机器人路径利用粒子群优化算法进行规划；最后对规划的路径进行深度优先搜索。
申请号为201010123511. 4的专利提出一种基于双群协同竞争粒子群和Ferguson样条的机器人路径规划方法，该方法主要解决现有技术中存在的规划路径平滑性差且收敛速度缓慢的问题。
萤火虫算法(FireFly Algorithom, FFA)是一种基于萤火虫社会特性的优化算法，它由杨新社博士于2007年在剑桥大学提出。
尽管该算法与其它基于群体智能的算法，例如著名的粒子群算法，人工蜂群算法有一些相似之处，但是相对而言该算法在理论和实现上较为简单。
另外，根据最近的文献显示该算法在解决很多优化问题时非常有效并且可以超过其它传统算法，例如遗传算法等。
在最近的研究中，该算法的稳定性通过不同的标准随机函数被证明优于其它著名的优化算法。
它最突出的优点是主要利用个体的随机运动，同时基于各个个体间的全局通讯。
作为一种新的智能优化算法，萤火虫算法正在逐步被人们应用在各种优化领域，并取得了不错的效果。
萤火虫算法萤火虫算法是一种著名的算法，由美国数学家和数学大师帕森斯在1965年提出。
该算法是一个线性规划问题，其方法是先进行一个初始条件的求解，并将原始的求解结果，以“最小化函数”等形式保留下来。
此算法可用于各种数学计算领域，如：智能电网、自动驾驶等。
在传统优化问题中，人们一般采用的多项式权重方法存在计算时间长、结果不稳定、计算量大、不可预测等问题。
而萤火虫计算方法不但能够求得最优解，还能将每个变量之间的交互作用尽量控制在最小范围内。
1、先进行一个初始条件的求解，并将原始的求解结果以“最小化函数”等形式保留下来。
其中, x i (i=1)=0表示在初始条件下, i=1求最优解的平均路径长度, i=1求最优解的平均路径长度。
对于不同的种群，这种方法存在一定的差异：当一个种群没有达到某个状态时，其求解方法是先使用对这个种群影响最大的状态值(x i=1)来求解这一状态；如果种群的所有个体都处于这一状态时，则求解其最终状态为: x i=1求最优解的平均路径长度。
具体方法如下：其中b i=1为该种群的最小路径长度; c i=1表示该种群是一种具有适应能力的种群; d i=1表示种群适应能力相对较弱; e j (i为种群个体数）表示为当前种群的最小迭代次数; j为全局优化变量之间相互关联的权重因子; x i (i为种群状态值）表示该基因表达能力的全局相关系数或局部相关系数(x i— n)=1/2; z s为个体数。
2、然后通过随机抽取某些变量并将结果计算出一个可行值，该值与变量之间的交互作用最小，因此选取权重得到最优解；萤火虫算法是一种基于“数理”的优化方法，它在求解线性规划问题中有着广泛应用。
然而也正因为如此，有很多学者将该算法归为一类机器学习问题进行深入研究。
由于萤火虫算法是一种基于“数理”的优化方法，因此也有了许多其他学者将它归入机器学习、计算机科学、信息科学等领域。
但总体上来说，萤火虫算法仍然属于机器学习的范畴，而这与其复杂程度与广泛应用有着很大的关系。
第八章萤火虫算法8.1介绍萤火虫（firefly）种类繁多，主要分布在热带地区。
大多数萤火虫在短时间内产生有节奏的闪光。
这种闪光是由于生物发光的一种化学反应，萤火虫的闪光模式因种类而异。
萤火虫算法(FA)是基于萤火虫的闪光行为，它是一种用于全局优化问题的智能随机算法，由Yang Xin-She（2009）[1]提出。
萤火虫通过下腹的一种化学反应-生物发光（bioluminescence）发光。
这种生物发光是萤火虫求偶仪式的重要组成部分，也是雄性萤火虫和雌性萤火虫交流的主要媒介，发出光也可用来引诱配偶或猎物，同时这种闪光也有助于保护萤火虫的领地，并警告捕食者远离栖息地。
在FA中，认为所有的萤火虫都是雌雄同体的，无论性别如何，它们都互相吸引。
该算法的建立基于两个关键的概念：发出的光的强度和两个萤火虫之间产生的吸引力的程度。
8.2天然萤火虫的行为天然萤火虫在寻找猎物、吸引配偶和保护领地时表现出惊人的闪光行为，萤火虫大多生活在热带环境中。
一般来说，它们产生冷光，如绿色、黄色或淡红色。
萤火虫的吸引力取决于它的光照强度，对于任何一对萤火虫来说，较亮的萤火虫会吸引另一只萤火虫。
所以，亮度较低的个体移向较亮的个体，同时光的亮度随着距离的增加而降低。
萤火虫的闪光模式可能因物种而异，在一些萤火虫物种中，雌性会利用这种现象猎食其他物种；有些萤火虫在一大群萤火虫中表现出同步闪光的行为来吸引猎物，雌萤火虫从静止的位置观察雄萤火虫发出的闪光，在发现一个感兴趣趣的闪光后，雌性萤火虫会做出反应，发出闪光，求偶仪式就这样开始了。
一些雌性萤火虫会产生其他种类萤火虫的闪光模式，来诱捕雄性萤火虫并吃掉它们。
8.3萤火虫算法萤火虫算法模拟了萤火虫的自然现象。
真实的萤火虫自然地呈现出一种离散的闪烁模式，而萤火虫算法假设它们总是在发光。
为了模拟萤火虫的这种闪烁行为，Yang Xin-She提出了了三条规则（Yang，2009）[1]：1. 假设所有萤火虫都是雌雄同体的，因此一只萤火虫可能会被其他任何萤火虫吸引。
基于萤火虫优化的BP神经网络算法研究
侯越;赵贺;路小娟
【期刊名称】《兰州交通大学学报》
【年(卷),期】2013(032)006
【摘要】为了改进神经网络结构和参数的设置方法,在萤火虫算法和BP神经网络的基础上,提出了一种萤火虫算法优化BP神经网络的算法.该算法利用萤火虫算法得到更优的网络初始权值和阈值,弥补BP神经网络连接权值和阈值选择上的缺陷.将该算法应用到Duffing系统产生的混沌时间序列进行算法的有效性验证,并与BP 神经网络进行比较,仿真结果表明该算法具有更高的预测准确性,从而证明该算法在该预测领城的可行性和有效性.
【总页数】4页(P24-27)
【作者】侯越;赵贺;路小娟
【作者单位】兰州交通大学电子与信息工程学院,甘肃兰州730070;兰州交通大学电子与信息工程学院,甘肃兰州730070;兰州交通大学自动化与电气工程学院,甘肃兰州730070
【正文语种】中文
【中图分类】TP393.1
【相关文献】
1.基于改进萤火虫算法优化BP神经网络的水电站厂房振动预测 [J], 宋志强;耿聃;苏晨辉;刘云贺
2.基于萤火虫算法优化BP神经网络的公交行程时间预测 [J], 彭新建;翁小雄
3.基于改进萤火虫算法优化BP神经网络的路网速度分布预测 [J], 许伦辉;陈凯勋
4.基于奇异谱分析和改进萤火虫算法优化BP神经网络的时间序列预测 [J], 徐厦;李水艳
5.基于萤火虫优化BP神经网络方法的传感器温度补偿策略 [J], 王慧;符鹏;宋宇宁因版权原因，仅展示原文概要，查看原文内容请购买。
云计算下的基于萤火虫-遗传算法的资源调度单好民【摘要】如何能够最大限度发挥云计算中资源调度效率是目前研究的热点之一。
首先建立云计算环境下的资源调度模型，将萤火虫算法中的个体与云计算节点资源进行对应，其次在算法中个体初始化中引入遗传算法优化初始解，对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率；最后针对挥发因子的改进使得荧光素的值进行更新。
仿真实验表明，该算法能够有效的提高云计算中的资源调度性能，缩短了任务完成的时间，提高系统整体处理能力。
%How to give the fullest play to the efficiency of resource scheduling in cloud computing is a hot spot of current research. First of all, resource scheduling model in cloud computing is established and individuals in firefly algorithm and node resources in cloud computing are matched; secondly, the genetic algorithm is introduced into the initialization of individuals in the algorithm and sensory threshold of the updating of algorithm’s position is set to adjust the probability for individuals to choose the optimal path; finally, the volatile factor is improved to update the value of fluorescein. Simulation experiment shows that this algorithm can effectively improve the performance of resource scheduling in cloud computing, shorten the time to complete tasks and improve the syste m’s overall processing capacity.【期刊名称】《计算机系统应用》【年(卷),期】2016(025)005【总页数】5页(P187-191)【关键词】云计算;萤火虫算法;遗传算法;资源调度【作者】单好民【作者单位】浙江邮电职业技术学院，绍兴 312000【正文语种】中文近年来, 云计算是集分布式计算、虚拟化技术、网格计算和Web服务等技术上发展起来的一种综合技术[1][2], 它通过互联网将处于网络中的各个节点的资源进行共享. 但如何能够最大限度的合理利用资源调度则是云计算研究的热门方向.目前, 国内外学者在云计算环境下的资源调度方面已经进行了大量研究工作, 文献[3]提出了在云计算中的使用一种基于改进粒子群优化算法, 利用PSO较快的收敛速度找到云资源调度问题的最优解, 并根据每个粒子的适应度值自适应地改变每个粒子的速度权重,提高了全局寻优能力和收敛能力, 仿真结果表明减少了任务的平均完成时间, 提高了任务处理的效率, 但粒子优化需要一定的时间; 文献[4]提出在整合虚拟云服务资源的基础上, 将模糊集理论引入到基于服务质量(QoS)的云服务资源选择中,取得了一定的效果, 但计算量大, 持续时间长; 文献[5]采用信息熵理论来维护非支配解集, 以保持解的多样性和分布均匀性; 在利用Sigma方法实现快速收敛的基础上, 引入混沌扰动机制, 以提高种群多样性和算法全局寻优能力, 避免算法陷入局部最优, 取得了比较好的效果, 但增加了算法的空间复杂性. 文献[6]提出了一种实现云计算负载均衡的双向蚁群优化算法(BACO)用于资源调度, 该算法考虑到了每个虚拟机的负载和计算能力, 同时在云环境中引入了蚂蚁的向前移动和向后移动, 结果表明该算法的总任务完成时间较短, 具有较好的寻优能力, 并且能够实现负载均衡,是一种有效的资源调度算法, 但增加了额外的硬件消耗; 文献[7]提出一种基于膜计算的蝙蝠算法, 将膜系统内部分解为主膜和辅助膜, 在辅助膜内进行蝙蝠的个体局部寻优, 将优化后的个体传送到主膜间进行全局优化, 从而达到了云计算资源优化分配要求, 实验表明算法提高了云计算环境下的系统处理时间和效率, 使得云计算环境下的资源分配更加合理, 其缺点是算法寻优过程复杂; 文献[8]提出一种面向应用性能的云计算弹性资源调整方法. 该方法利用自动伸缩算法, 在垂直层次上对负载需求的波动进行虚拟机资源调整, 以实现动态调整分配资源量来满足应用的服务级别的需求, 优化云计算资源利用率, 其缺点是容易受到需求波动影响; 文献[9]提出基于Q学习和双向ACO算法的云计算任务资源分配模型, 将其获得的最优策略对应的Q值初始化网络中节点的Q值, 算法能够实现任务资源的最终分配; 文献[10]提出一种低负载和低成本的资源分配策略, 实现系统负载均衡. 实验结果表明, 该策略在满足QoS约束的条件下, 有效地提高资源利用率, 其缺点是负载均衡无法控制; 文献[11]提出在云计算资源算法中引入安全机制, 保证资源传输过程中资源丢失; 文献[12]提出了一种结合请求率预测与能耗感知的弹性资源管理方法,以达到对系统能耗的弹性管理, 实验验证了该方法在保证服务质量的前提下能更有效地降低能耗, 其缺点是应用实践不足; 文献[13]提出从应用提供者收益角度考虑,兼顾SLA 收益损失和服务器租用成本投入, 提出虚拟机资源调度方法, 旨在使得应用租用者收益最大化, 实验证明取得了不错的效果, 其缺点是没有硬件损耗.本文针对萤火虫算法在资源调度方面的不足的基础上, 引入了遗传算法进行改进,使得改进后的算法在处理并行任务的资源分配方面有了进一步的提高,通过实验进一步证明了本文算法在云计算资源分配方面具有一定的优越性.云资源中的资源调度通过如下模型来表示:在公式(1)中,表示虚拟机的最大计算处理能力,表示作业包含的机器指令条数,表示任务最迟完工时间, 表示分配给任务的资源总和,表示为,其中是表示虚拟机占用计算资源总和. 表示为目标函数中效率函数, 根据云计算的资源调度的要求,云计算资源调度的最大化为.将云计算中的资源与萤火虫个体进行对应, 通过进一步优化萤火虫算法找到最有个体, 从而能够找到云计算中的资源分配方案.1.1 人工萤火虫算法假设萤火虫的群体为, 第只萤火虫所在的位置为, 第只萤火虫所对应的目标函数为, 第只萤火虫的萤光素的值为,表示第代的第个萤火虫的位置, 表示第代的第个萤光素的值, 萤火虫的视野范围更新如下:萤火虫个体位置更新公式:荧光素值的公式:1.2 遗传算法该算法是模拟遗传选择和自然淘汰的一种随机概率搜素算法. 其算法的组成主要包含4个步骤:(1) 数据编码方案的确定, 随机产生一个初始化个体;(2) 给出评价个体优劣的适应度值; 其中个体的评价是对每一个体计算其路径的长度, 并将该长度作为个体的适应度函数, 表示如下:式中,表示两个个体和之间的距离. 适应度越小的个体表示路径越短,则该个体越好.(3) 判断算法是否满足收敛的条件, 如果满足则输出搜素结果, 否则继续执行.(4) 分别按照交叉概率和变异概率来进行执行交叉操作.2.1 个体初始解的优化采用遗传算法来初始萤火虫个体的初始解,使得萤火虫算法的后期效率得到明显的提高. 设定萤火虫算法的种群大小为,将所有的萤火虫个体分为两个种群,分别为父种群和子种群. 其中父种群为,设定每一个个体的适应度函数为,子群(1) 变异操作: 第代种群中的第个个体依据公式(4)的变异方式.式(7)中的是变异后的种群中的个体, 为随机因子, 主要是用来控制差分向量的缩放程度, 设定值为[0,1]之间.(2) 交叉操作: 通过一定的概率选择, 将变异的中第个体与父代个体之间在第进行交叉, 得到新的个体式(8)中可以保证在交叉过程出现一个0到1之间的随机整数, 能够保证至少有一个分量来自.(3) 选择操作. 在进行选择个体使用“贪婪”选择策略, 使用适应度函数进行比较大小, 选择值大的个体进入下一代中, 即通过变异与交叉操作后生产的新的个体与上一代个体进行比较, 如果小于则保持不变, 否则直接进入下一代.通过上述三个步骤, 选取的个体为,将与子群进行合并, 使得. 然后将这些个体通过交叉, 变异等操作得到最后解, 作为萤火虫算法的初始解.2.2 阀值设定-个体的选择萤火虫个体在进行前进方向选择的策略是根据荧光素的值大小来进行判断, 这就容易导致在某一个方向上容易产生局部最优, 导致后续的萤火虫个体存在以较大的概率集中选择在当前局部最优的前进位置上, 为了避免这种情况的发生,设定一个阀值, 使得设定在路径上的荧光素的值小于阀值的时候,萤火虫个体可以忽略该前进方向的荧光素的值, 因此可以继续寻找. 反之, 萤火虫个体选择选择荧光素上的前进方向. 因此第只萤火虫个体按照以下的概率从状态到状态进行转换, 其中为状态列表. 2.3 针对的改进在公式(5)中, 由于荧光素更新公式中的发挥因子的作用, 使得没有在搜索路径上的荧光素的值逐步降低直至不被选择, 与此同时局部一些搜索路径上的发挥因子的值逐渐变大的时候, 有效解的信息量逐渐增大导致以前经过搜索的路径又重新参与全局路径的选择, 导致了降低了全局搜素最优能力个体解的降低,消耗了搜素的时间.因此应该对发挥因子的处理就显得尤为重要, 本文采用自适应的因子来改变的值, 设定的值初始值为0.99, 最小值为, 按照一定的循环次数进行逐渐递减;式中,是一个随机函数, 设定为自适应因子, 为循环次数,这种自适应因子可以保证在一定的搜素范围下的算法的全局搜索能力.2.4 算法步骤描述求解步骤如下, 流程如图1所示.Step1. 初始化萤火虫算法的各个参数, 设定种群数目, 算法迭代次数为, 最大次数为, 满足, 初始化萤火虫的个体位置, 定义合适的荧光素值;Step2. 针对云计算资源分配的特点, 将云计算节点的资源与萤火虫的个体位置进行一一对应;Step3. 根据3.1描述对萤火虫算法的个体进行初始化;Step4. 根据式(2)和(3)计算单个萤火虫的位置和荧光素的值, 找到各自目前节点的位置和荧光素的值.Step5. 根据式(4)(5)计算萤火虫最佳的位置, 然后根据式(7)(8)对萤火虫位置进行高斯变异更新, 在目前的位置上得到个体的新位置().Step6. 计算每一个萤火虫的,如果,则,否则再更新.Step7. 如果迭代次数小于, 转到Step8.Step8. 如果满足终止条件, 寻优过程便结束, 否则转向Step4继续优化.Step9. 根据萤火虫中的最优个体的位置变换为相应的云计算资源分配方案.为了进一步验证本文算法在云计算资源中调度的优越性, 本文从2个方面来进行比较:(1)与近几年发表的有关代表性的参考进行比较;(2)与经典的智能算法进行比较. 本文采用CloudSim[14]平台进行测试, 选择CPU为酷睿i3和4GDDR3, Windows Xp, 仿真软件采用matlab2012进行模拟.3.1与最近文献算法进行比较设定虚拟任务为400个,虚拟节点为100个, 设置迭代次数为300, 将本文的基于萤火虫-遗传算法和文献[3]和文献[10]的算法在云计算模型中不同任务数下进行比较.3.2 与经典的智能算法进行比较本文选取了云计算下的三种不同的虚拟任务情况下的算法运行效果对比. 分别选取了任务数为1000,任务数为10万和任务数为100万作为研究对象.(1) 虚拟任务为1000的算法性能对比采用遗传算法、萤火算法、本文算法对任务为1000和资源数量为100进行分配, 比较结果如图4所示. 从图4可以发现任务数量在400左右成为了分界点, 完成之前三种算法相差不大. 分界点之后三种算法之间才出现区别, 基本上满足云计算条件下的资源分布.(2) 虚拟任务为10万的算法性能对比采用遗传算法、萤火算法、本文算法对任务为10万和资源数量为1000进行分配, 比较结果如图5所示. 从图5可以发现任务数量开始的阶段就区分开来, 并且本文算法与萤火虫算法在开始阶段相差不大, 伴随着任务数量逐渐增大, 三种算法呈现比较大的区别, 本文的算法适合在云计算条件下的虚拟任务较大的资源调度问题.(3) 虚拟任务为100万的算法性能对比采用遗传算法、萤火算法、本文算法对任务为100万和资源数量为1000进行分配, 比较结果如图6所示. 从图6可知, 随着虚拟任务数增加, 当任务数达到50万的时候, 本文的算法的任务完成时间要远远少于其他, 主要是原因是因为算法中进行了个体初始化以及采用了阀值来设定和针对进行了改进. 本文的算法适合在非常适合云计算条件下的虚拟任务非常大的资源调度问题, 效果越明显.通过建立云计算环境下的资源调度模型, 将萤火虫算法中的个体与云计算节点资源进行对应, 其次在算法中个体初始化中引入遗传算法优化初始解, 对算法中的位置更新设定感觉阀值用来调节个体选择最优路径的概率;最后针对挥发因子的改进使得荧光素的值进行更新. 通过实验证明, 本文算法能够有效满足云计算资源分配模型, 为云计算资源分配提供了一定的参考价值.1 李乔,郑啸.云计算研究现状综述.计算机科学,2011,38(4): 32-37.2 葛新.基于云计算集群扩展中的调度问题研究[学位论文].合肥:中国科学技术大学,2011.3 蔡琪,单冬红,赵伟艇.改进粒子群算法的云计算环境资源优化调度.辽宁工程技术大学学报(自然科学版),2015,35(1):93-96.4 Wang S, Dey S. Rendering adaptation to address communication and computation constraints in cloud mobile gaming. 2010 IEEE Global Telecommunications Conference (GLOBECOM 2014). IEEE. 2010. 1-6.5 张恒巍,韩继红,卫波,王晋东.基于Map-Reduce模型的云资源调度方法研究.计算机科学,2015,42(8):118-123.6 王常芳,徐文忠.一种用于云计算资源调度的双向蚁群优化算法.计算机测量与控制,2015,23(8):2861-2863.7 宁彬,谷琼,吴钊,袁磊,胡春阳.基于膜计算的蝙蝠算法在云计算资源调度的研究.计算机应用研究,2015,32(3):b 830-833.8 申京,吴晨光,郝洋.面向云计算数据中心的弹性资源调整方法.南京理工大学学报(自然科学版),2015,39(1):89-93.9 孙花,朱锦新.基于Q学习和双向ACO算法的云计算任务资源分配模型设计.计算机测量与控制,2014,22(10): 3343-3347.10 方义秋,郑剑,葛君伟.一种云环境下基于QoS约束的资源分配策略.计算机应用与软件,2015,32(1):34-38.11 Liang H, Huang D, Cai L X, et al. Resource allocation for security services in mobile cloud Computing. IEEE Conference on ComputerCommunications Rkshops. IEEE. 2014, 12. 191-195.12 熊伟,李兵.云计算环境下基于能耗感知的弹性资源管理机制.四川大学学报(工程科学版),2015,47(2):112-116.13 叶世阳,张文博,钟华.一种面向SLA的云计算环境下虚拟资源调度方法.计算机应用与软件,2015,32(4):11-17.14 Calheiros RN, Ranjan R, Caf de R, Buyya R. CloudSim: A novel framework for modelingand simulation of cloud computing infrastructures and services. arXiv:0903.2525. [2009-9-3].。
