3D NoC映射通常涉及大量IP核及节点,使传统映射算法效率较低.为减少映射算法的执行时间,提高其优化能力,在传统蚁群算法（ACA）的基础上,提出一种动态蚁群算法（DACA）.该算法采用逻辑斯蒂S形函数的变化形式,在每轮迭代开始前,依据当前...3D NoC映射通常涉及大量IP核及节点,使传统映射算法效率较低.为减少映射算法的执行时间,提高其优化能力,在传统蚁群算法（ACA）的基础上,提出一种动态蚁群算法（DACA）.该算法采用逻辑斯蒂S形函数的变化形式,在每轮迭代开始前,依据当前迭代次数动态调整参数α,β及蚂蚁总数M.实验结果表明,与ACA相比,DACA可以缩短执行时间,提高算法性能;在面向随机任务时,其单位时间优化能力可以提升38.2%~65.9%;而当面向多媒体系统的真实应用时,其单位时间优化能力可以提升25.3%~32.7%.展开更多
为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(Dynamic Parameter Ant Colony Optimization,DPACO)。该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本C(Cost)、时间T(Time)...为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(Dynamic Parameter Ant Colony Optimization,DPACO)。该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本C(Cost)、时间T(Time)、质量函数Q(Quality function)和满意度S(Satisfaction)四个方面得到适应度函数F,F越小结果越优。DPACO算法通过改变参数在不同阶段的值来使算法获得更快的收敛效率,加入特殊蚂蚁使得算法更好地跳出局部最优解获得全局最优解。最后通过钢铁锻造任务的云制造资源优选将DPACO算法与原始ACO、PSO、DE算法作比较,实验结果表明,DPACO算法在求解云制造服务组合问题上能够更好地获得全局最优解,并具有较高的收敛效率。展开更多
文摘为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(Dynamic Parameter Ant Colony Optimization,DPACO)。该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本C(Cost)、时间T(Time)、质量函数Q(Quality function)和满意度S(Satisfaction)四个方面得到适应度函数F,F越小结果越优。DPACO算法通过改变参数在不同阶段的值来使算法获得更快的收敛效率,加入特殊蚂蚁使得算法更好地跳出局部最优解获得全局最优解。最后通过钢铁锻造任务的云制造资源优选将DPACO算法与原始ACO、PSO、DE算法作比较,实验结果表明,DPACO算法在求解云制造服务组合问题上能够更好地获得全局最优解,并具有较高的收敛效率。
