返回
Advanced Genetic Algorithm-Based Network Optimization for Mission Assurance
DOI:10.1115/1.4071108.png)
摘要
En 中文
优化网络配置对于提高关键任务系统的性能至关重要。本文提出了一种遗传算法(GA)框架,该框架整合了约束保持、仅变异的公式与可扩展的CPU-GPU执行策略,以支持高效探索分层网络设计。该框架在优化过程中保持结构可行性,并通过GPU架构实现并行评估,其中独立线程块并发演化子种群。该方法的关键特征是动态选择机制(DBS),一种受锦标赛赛制启发的结构化概率选择机制。DBS通过引入可调选择压力的多轮晋级,扩展了现有的随机选择方案,即使在仅变异的搜索环境中也能维持多样性。这为常规精英和锦标赛策略提供了实用替代方案,尤其是在严格可行性约束下。该框架在一个简化的电网模型上进行了评估,该模型旨在隔离优化行为而非复制完整的物理潮流动态。比较实验考察了中央处理器(CPU)和图形处理器(GPU)的性能、块级并行性以及不同选择策略的影响。结果表明,GPU并行化加速了早期收敛,而DBS在支持更广泛搜索探索的同时产生了具有竞争力的适应度结果。这些元素共同展示了如何结合结构化概率选择与GPU赋能的并行性,以提高约束网络系统中进化搜索的效率和适应性,为复杂工程应用的设计阶段分析奠定了基础。
Keyword:
multidisciplinary optimization
期刊
IF:
3.3
论文数:
111
被引数:
2.2K
机构
引用论文
A Functional Failure Analysis Method of Identifying and Mitigating Spurious System Emissions From a System of Interest in a System of Systems识别和缓解目标系统中虚假系统发射的功能失效分析方法
Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart Manufacturing数字孪生车间: 面向智能制造的新车间范式
IEEE ACCESS
IF3.6
A resilience assessment framework for complex engineered systems using graphical evaluation and review technique (GERT)使用图形评估和审查技术 (GERT) 的复杂工程系统的弹性评估框架

