前言：中文期刊网精心挑选了计算机集群技术范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
计算机集群技术范文1
关键词：云计算；虚拟集群；概念；核心技术
中图分类号：TP391 文献标识码：A 文章编号：1671—7597（2012）0510020—01
0 前言
云计算技术就是借助网络技术来将分散的计算资源有效的聚合在一起，从而构建一个规模巨大的计算资源系统。云计算具有三个层次的服务，分别软件服务、平台服务以及设施服务。而在云计算平台上进行集群管理就构成了虚拟集群。目前，云计算和虚拟集群技术广泛的应用到计算机等相关行业领域。
1 云计算以及云计算的核心技术说明
1.1 云计算说明
云是网络、互联网的一种比喻说法。通俗的理解，云计算就是一种基于互联网技术的相关服务的增加、使用和交付模式，在云计算技术的基础上，可以通过互联网为相关行业或人员来提供动态性强，容易扩展，而且实用性强的虚拟化资源。过去在图中往往用云来表示电信网，后来也用来表示互联网和底层基础设施的抽象。其中云计算的定义可以从狭义和广义两个方面来理解。云计算的狭义定义是指IT基础设施的交付和使用模式，即是指通过网络以按需、易扩展的方式获得所需的各种网络资源；云计算的广义定义是指服务的交付和使用模式，即是指通过网络以按需、易扩展的方式获得所需的各种网络服务。这种服务可以是与IT、软件以及互联网等相关的服务，也可以是其他服务。它意味着计算能力也可作为一种商品通过互联网进行流通。
1.2 云计算的核心技术说明
其中云计算平台的构建主要是基于虚拟化技术和Eucalyptus平台实现的。以下就分别对其进行详细的说明。
1.2.1 虚拟化技术。其中当前在云计算平台中应用最为广泛的虚拟化技术主要有KVM虚拟机技术以及Xen虚拟机技术。
1）KVM虚拟机技术。KVM虚拟机是一个开源的系统虚拟化模块，它主要集成在Linux操作系统中，KVM虚拟机是使用Linux系统的调度器来进行作业调度管理的，另外由于KVM虚拟机是一直基于硬件的完全虚拟化技术，所以它对硬件的要求比较高。
2）Xen虚拟机技术。Xen虚拟机是一个开源的虚拟机监视器，由于Xen虚拟机即支持硬件系统的半虚拟化也完全支持硬件系统的全部虚拟化，与KVM虚拟机相比，其对硬件的需求比较低，这使得Xen虚拟机对硬件的兼容性比较好。
1.2.2 Eucalyptus平台。Eucalyptus平台是一个用于实现云计算平台的开源软件，其中Eucalyptus平台主要依靠KVM虚拟机和Xen虚拟机技术来实现的，其中Eucalyptus平台的体系结构主要由云控制器、节点控制器以及集群控制器这三部分实现的。以下就Eucalyptus平台在虚拟机中的配置和使用作详细的说明。
1）主节点的配置问题。Eucalyptus平台主节点的配置主要是通过在主节点上安装云控制器、集群控制器以及存储服务器来实现的。
2）计算节点配置问题。Eucalyptus平台中在计算节点配置问题中是通过安装节点控制器来实现的。
3）网络配置问题。Eucalyptus平台的网络配置主要采用的是以主节点和计算节点之间的网络通信模式为基础的桥接模式，使用这种网络配置方式还需要对计算节点处网络链接的方式进行桥接模式的更改。
4）主节点以及计算节点的身份认证问题。Eucalyptus平台通过产生系统生成的密钥，然后将公钥复制到计算节点上，来实现主节点与计算节点之间的无密码连接，通过这一机制来实现主节点以及计算节点的身份认证问题。
2 虚拟集群概念分析
2.1 虚拟集群的定义
当前对虚拟集群使用的最为广泛的定义是这样的，所谓的虚拟集群就是通过采用虚拟化技术来虚拟出多台计算节点，从而构建出与物理集群相似的而且规模巨大的一个集群系统。也就是说，虚拟集群就是将那些协同完成特定任务的多台同构或异构的计算机连接起来的系统就是一个虚拟集群系统。显然，虚拟集群系统是一种并行处理的系统。
2.2 虚拟集群作业管理系统说明
虚拟集群作业管理系统作为虚拟集群的核心组成部分，其在虚拟集群系统中的地位是至关重要的。其中当前市场上的集群作业管理系统的种类比较多，其中应用最为广泛的就是PBS。其中PBS主要由资源管理器、调度器以及PBS执行器组成的。由于PBS属于开源软件，比较容易获取，而且PBS还有效支持作业的多种运行模式，同时由于PBS还为用户提供了完整的API应用程序接口，所以这非常有利于对系统新的调度策略的设计和开发。
2.3 虚拟集群作业管理系统各功能模块分析说明
虚拟集群作业管理系统主要包括三个功能子模块，分别是用户作业提交功能子模块、虚拟集群弹性构建功能子模块以及虚拟集群信息监控功能子模块。
1）用户作业提交功能子模块。用户作业提交功能子模块主要用来实现对用户通过作业提交页面递交到虚拟集群里的作业进行资源的计算，并在作业运行完后返回计算结果。
2）虚拟计算弹性构建功能子模块。当虚拟集群的计算资源不能满足作业所需的计算资源时，虚拟计算弹性构建功能子模块就会动态的虚拟出作业所需的虚拟机计算资源，并能够将其动态的添加到虚拟集群中来满足作业的资源需求。
3）虚拟集群信息监控功能子模块。虚拟集群信息监控功能子模块主要用来实现对虚拟集群各虚拟计算节点信息的监控，一旦有作业提交并运营后，虚拟集群信息监控功能子模块采用就会通过网页的方式来动态的显示各虚拟计算节点的运行状态。
3 云计算和虚拟集群技术的优势
3.1 云计算技术的优势
1）快速启动，搭建应用。云计算最大的好处就是能够快速搭建我们的企业应用，比如我们现在要开发一个网站，我们不必再花费巨资购买硬件集群、不必再耗资组建软件，只需把一切需要的搭建在云上，方便快捷还省钱，这对企业来说绝对是一个不错的选择。
2）成本低廉，投资灵活。因为云的规模是可以动态伸缩的，易于扩展也易于灵活处理，所以企业可以不加大硬件投资力度来满足应用以及用户的规模增长（降低成本），也无需因项目中断而沮丧（损失较少）。对大企业而言，船大有时也好调头；对中小企业来说，项目运作成本骤减，竞争大企业，可望可及。
3.2 虚拟集群技术的优势
与传统的集群管理技术相比，虚拟集群的优势主要体现在如下几个方面：
1）将云计算平台和集群管理技术有效结合在一起所构建的虚拟集群，可以更加快速方便地构建高性能的集群系统平台。
2）虚拟集群利用云计算平台的虚拟化技术可以非常灵活地创建虚拟的计算资源，可以有效减少作业的等待时间，非常方便用户的使用。
3）基于云计算平台的虚拟集群可以实现计算资源利用的最大化，从而可以从根本上解决因计算资源不足而引起的作业排队等待时间过长的问题。
4 结论
云计算和虚拟集群技术以及基于云计算平台的虚拟集群构建在计算机相关行业的应用有效的解决了各种技术难题，对促进行业的发展发挥了非常重要的作用。
参考文献：
[1]曾龙海、张博锋、张丽华，基于云计算平台的虚拟集群构建技术研究[J].微电子学与计算机，2010（27）.
计算机集群技术范文2
关键词：网构软件；粒子群算法；构件组合
中图分类号：TP301.6 文献标识码：ADOI：10.3969/j.issn.10036199.2017.01.016
1引言
由于互联网软件行业的高速发展和开发技术的不断成熟，传统的软件开发方式很大程度上满足不了系统业务的要求，这时提出了构件的概念，并以构件为架构进行程序的开发。目前企业越来越重视对构件产品的应用，通过组合具有各自不同功能的构件来搭建软件系统框架，以满足企业业务所需[1]。
在基于构件为程序架构的软件编程中发现，如果仅仅使用单个构件产品往往满足不了用户的需求，也不能实现系统中的特定功能，这时就需要通过组合不同构件来构成一个更加完善的系统，进而实现复杂业务功能[2]。面对企业复杂多变的环境，对构件的选择需求越来越高，如何从动态地海量组合方案中选择出满足用户质量需求的构件，成为构件组合领域的一个关键问题，这对构件服务的研发具有重要的作用及市场价值。在文献[2-4]中提出了以构件为框架的软件模型，但并没有提到如何从若干些构件组成的模块中选择合适的构件结构。文献[5]用遗传算法等解决构件选择的全局最优化问题。不过上面提到的方法只取得了局部最优解而不是全局最优解，且在候选构件集迅速增加时很难保证算法时间的收敛性。粒子群优化算法（Particle Swarm Optimization，PSO） [6] 是一种集成群体智能的优化算法，由于其操作简单且功能强大，它已经成为研究软件优化领域的重点方向。本文以粒子群算法为基础，融合遗传算法的交叉、变异及选择等方法，提出一种改进后的粒子群算法。下面本文对改进后的粒子群算法进行定义描述及实验，并对实验结果进行分析和验证。
2问题描述
构件的选择问题在构件的组合中成为软件开发研究的热点，处理构件的参数还要考虑它的性能指标等问题。针对目前构件选择缺乏定量化的质量标准，我们将可信性纳入构件选择中。基于构件有着不同的属性及性能，在选择构件时依据这些参数进行优先考虑（如构件的可靠性、适用性等）。因此本文提出了一种构件选择的可靠机制模型。
定义1 构件[5] 为了对软件构件进行选择，本文从四个方面对构件进行描述，定义为WS=（N，B，P，Q），其中N表示构件的名称是对某个构件的称呼；B表示构件的标示，
3.2改进粒子群算法设计
基本粒子群算法最明显的优点就是搜索速度快效率高，且应用简单等，但是对于组合优化问题处理不佳容易出现早熟收敛现象陷入局部最优。就构件组合全局优化问题而言，其变量为离散变量，难以描述粒子群算法中的速度信息，为了解决这些缺点，本文结合粒子群算法与遗传算法的各自优缺点，将两者进行集成，去除其算法缺点给程序带来的不足。其主要的思想为：；依据粒子群算法中的局部和全局粒子群的信息值，适时计算并得到给定公式的最优解。改进后的粒子群算法的运算过程可以分为：初始化阶段和计算并更新阶段。其中，预处理就是对不同类型的构件可靠性数据进行预处理，将可靠性数据限定在一定范围内，以平衡各指标对目标函数的贡献；初始化阶段主要是初始化改进的粒子群算法，如将粒子的相关信息进行公式化描述。粒子的更新阶段在每次迭代产生新的粒子变量，保证粒子的适应值不断变化，从而获得最优解。
（1）种群初始化
由于全局优化问题的解对应着具体的构件实例，而基本粒子群算法无法直接处理这些变量，本文采用随机数的方式对群体进行初始化，即用随机函数为构件赋编码，方法为Num%m（Num为一个随机整数，m指构架类的数目），将求得第一个数赋给第一个构件，以此类推给所有的构件赋标号。对于给定的解（构件），用一组n维向量来表示，每一维的取值范围[1，m]。其具体的含义是指组合模型中每个构件类的包含每个构件实例，用这m个数对构件实例进行编号。如编号序列为1240表示的是：构件集体中第一类中的第1个构件实体，第二类中的第2个构件实体，第三类中的第4个构件实体，0表示在第四类构件中没有构件被选中。
设定粒子群的规模为N，最大迭代次数为K，根据粒子定义的可行性根据式（1）计算每个粒子的适应度f，并根据适应度的值进行依次排序，查找出粒子的局部最优解
5结论
本文在国内外对构件研究成果的基础上，构件进行阐述分析，在组合优化问题中提出自己的见解。其中主要的研究内容包括：（1）本文对构件选择问题进行综合分析，建立了一个构件选择模型，将构件选择的全局最优问题转化为了一个带约束条件下的多目标优化问题。（2）采用遗传算法的交叉、变异、选择等操作为粒子群进行更新，使种群具有多样性，以此来提高收敛速度及算法的效率。（3）在基本粒子群算法中无需设定其基本的参数（即惯性权重系数，学习因子，速度即位置的范围等），可以只将粒子群概念中的迭代次数和种群规模的值进行初始化，减少了算法计算的过程。结合实验仿真和实证研究，实验结果证明了上述所提方法对解决多约束的构件组合优化问题是有效可行的。
参考文献
[1]廖军，谭浩，刘锦德.基于Pi-演算的Web服务组合的描述和验证[J].计算机学报，2005，28（4）：635-643.
[2]孙熙，庄磊，刘文，等.一种可定制的自主构件运行支撑框架[J].软件学报，2008，19（6）：1340-1349.
[3]刘文，孙熙，焦文品，等.一种基于自主构件的网构软件协作框架[J].计算机研究与发展.2006，43：217-221.
[4]侯丽珊，金芝.基于环境变迁的构件组合模型[J].电子学报，2005，33（12A）：2370-2375.
[5]李佳伟，喻莹，董才林.一种网构软件构件选择方法[J].计算机应用与软件，2013，3.142-146.
[6]KENNEDY EBERHART R.Particle swarm optimization[A].International Conference on Neural Networks[C].Washington：IEEE，1995，1942-1948.
[7]杨淑莹，张桦.群体智能与仿生计算――MATLAB技术实现[D].北京：电子工业出版社，2014.
[8]MA Xiujuan，ZHOU Minghui，HONG Mei.A case study of internetware development[C]//Proceedings of the Second Asia-Pacific Symposium，2010：1-13.
[9]刘玲，.基于本体的构件检索的研究[D].青岛：中国石油大学（华东），2010.
计算机集群技术范文3
【关键词】测试用例；分类树；蚁群算法；测试用例集
【Abstract】In the software testing test case design must be considered necessary to ensure coverage and also reduce the number of test cases，the test suite optimization is crucial.Aiming to generate functional test suite proposed variation factor using ant colony algorithm，using the classification tree generated test suite to optimize the use of test suite to potimize test coverage and scale.
【Key words】test cases；Classification trees；Ant colony algorithm；Test suite
0 引言
软件测试是保证软件质量最为重要的一种手段，有效的软件测试可以发现软件中存在的绝大部分问题。所以，软件测试项目的终级目标是100%测试覆盖，发现软件中尽可能多的问题，为靠近这一目标测试项目组会尽可能多设计测试用例以达到最佳测试效果。因为不可能进行穷尽的测试，测试一般会在保证测试覆盖率同时尽可能精简测试集，相应的方法一直是测试工程师研究的重点课题。
基于不同测试方法设计的测试用例集会有很大的差异。在软件的系统测试阶段，分类树方法是一种非常有效的测试用例集设计方法，分类树方法是由Grochtmann和Grimm在1993年提出的，是在软件功能测试方面一种有效的测试方法，通过分类树把测试对象的整个输入域分割成独立的类。通过组合各种不同分类的结果来形成测试用例。使用分类树方法的一个重要的好处是：它把测试用例设计转变成一个组合若干结构化和系统化的测试对象组成部分的过程使其容易把握，易于理解，当然也易于文档化。但分类树设计方法并未根据测试覆盖标准对测试用例集进行约束，测试用例集往往很庞大。本文针对功能测试用例集生成，提出使用变异因子的蚁群算法对采用分类树生成的测试用例集进行优化，使测试用例集达到测试覆盖率与规模的最优化。
1 分类树方法用于测试用例设计
分类树方法的基本原理是：首先把测试对象的可能输入按照不同的分类方式进行分类，每一种分类要考虑的是测试对象的不同的方面。然后把各种分开的输入组合在一起产生测试用例，同时又能覆盖测试对象的整个输入域。
分类树方法设计测试用例的过程分为三大步骤：
1）识别出测试对象并分析输入空间。
2）对测试对象的输入空间进行分类。
3）画出分类树、组合成测试用例。
以Windows操作系统自带标准计算器为例演示分类树的测试用例设计过程：
如图1所示对计算器的输入进行划分，以一个二元运算式为例输入操作为：
把计算器输入划分成运算数、运算符、内存操作（属于扩展功能）。按等价类方法把各种分类细化各种输入可能。例如，运算数可能的输入是负数最小值、负数正常值、负数最大值、零、正数最小值、正数正常值、正数最大值、无操作等；运算符可能的输入是/、*、-、+、1/x、sqrt、%、=；内存操作的可能的操作是MC、MR、MS、M+、无操作。最后，测试用例由不同分类的类组合形成，在组合类时交集不能为空。测试人员组合类形成需要的测试用例，以便覆盖测试一个二元等式的所有方面并充分考虑各种可能。
从例子中可以看出测试人员如果要考虑所有组合进行用例设计，最后用例集将十分大。在实际的测试工作中，被测软件的规模及复杂程度也比例子软件大的多，采用分类树设计的测试用例数将十分巨大。事实上若无特殊要求的情况下，在满足充分性同时会考虑最精简的测试用例集，以达到测试效益的最优。
2 蚁群算法优化测试用例设计
20世纪90年代意大利学者M.Dorigo，V.Maniezzo，A.Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法――蚁群算法（Ant Colony Optimization， ACO），是群智能理论研究领域的一种主要算法。
在分类树测试用例集的优化中蚁群算法可这样描述。设节点r为分类树的根节点，节点1-m分别代表分类树的叶子（测试输入值），任何一个测试用例可看成根节点到叶子j（j≠0）的路径。
将r作为蚂蚁寻优的起点，输入值j看作蚂蚁选择的食物源，dj可以理解为从寻优起点到食物源的距离。对任任意一只蚂蚁k从节点r观到节点j的概率为：
τrj（t）表示路径上残留的信息素强度，该参数表明了系统从节点r转移到j的后天演化过程中得到受益度；ηrj（t）表示先天性的启发性，该起始信息是由要解决的问题给出的即表示转移对于蚂蚁k的吸引度。α表示残留信息的相对重要程度；β表示期望值的相对重要程度。在计算器的例子中一个用例是由一组蚂蚁转移寻找食物源完成的，如完成一个二元计算式是至少由4只蚂蚁同时寻找路径完成的。在使用蚁群算法过程中每设计一个用例完成一次求解，每求解一次对路径中的信息素强度进行更新，更新的方程式为：
ρ为挥发系数，为了防止信息的无限累积，ρ必须小于1。
在实际中主要有两种应用：首轮测试用例与回归用例设计。首轮测试用例设计需要在满足覆盖率的基本上有好的发散性；回归用例设计一般的做法是首轮用例加新增用例，新增用例要求对有错误的模块有重点增加测试用例。所以，首轮测试用例设计参数选择原则：ρ挥发系数设置应适当偏大，dm可以忽略为近似。算法结束条件为分类树分支覆盖。
3 验证
为验证本文的方法进行编程实验，以上文计算器测试为例，演算达到块覆盖率的用例数。在实验中，取Q=1，ρ=0.8，α=0.5，β=0.7，共39个叶子（输入值），启动5只蚂蚁，得到实验结果如表所示：
以上结果表明，本方法在实践中可行。由于计算器软件没有首轮测试未发现问题，回归测试用例实验未进行。
4 结束语
本文提出以分类树为基础并以蚁群算法优化进行用例设计，可以使用例的设计更加科学化、规范化，以此基础可以进一步研究测试用例设计的自动化生成与实现，必将为软件测试带来新的技术革新。基于现有工作，下一步研究：（1）算法的通用性及自适应能力；（2）方法的工程实现可能。
【参考文献】
[1]Dorigo M，Gambardella L M.Ant colony system：a cooperative learning approach to the traveling salesman problem[J].IEEE Transactions on Evolutionary Computation，1997，1（1）：53-66.
[2]傅博.基于蚁群算法的软件测试数据自动生成[J].计算机工程与应用，2007（12）.
[3]尹文洁，崔冬华.测试用例集的方法研究[J].电脑开发与应用，2011：5.
计算机集群技术范文4
关键词：联合课程（群）；办公信息化技术；Office高级办公应用；高职
中图分类号：G642 文献标识码：A DoI: 10.3969/j.issn.1003-6970.2012.04.044
Practice of the Course Group Building about “Office of Information Technology”of Computer Major in Higher Vocational College
SHI Zhao-hui
(Computer Information Technology Department, Dezhou Vocational and Technology College, Dezhou Shandong 253034)
【Abstract】In order to meet the talent needs of enterprises and institutions of the daily office information processing, surrounding the core curriculum of “the Office advanced office applications” and individual courses, such as “Basic Computer Application”, “Using and Maintenance of Office Equipment”, “Commonly Used Office Tools” as well as “the PhotoShop office image processing”. Through the construction of the Course Group, to coordinate the relationship of individual courses , let the course structure in one system, the teaching content in a scientific way , and the commencement time in order, then we can reached the personnel training objective, that is “Stronger professional foundation, more refined business skills, outstanding industrial applications, highlighting the professionalism”.
【Key words】Joint courses (groups); Office information technology; Office advanced office applications; Higher Vocational College
0 引 言
高等职业教育具有三大特点：培养目标的应用性、专业设置的职业性、教学过程的实践性，其人才培养目标的定位是培养动手能力强的生产一线高技能应用型人才，这对高职计算机专业基础课的教学，提出了挑战。高职计算机专业基础课是指为高职计算机专业开设的旨在培养学生的计算机文化素养的相关课程。
课程群建设是近年来高等院校课程建设实践中出现的一项新的课程开发技术，其基本思想是把内容联系紧密、内在逻辑性强、属同一个培养能力范畴的一类课程作为一个课程群进行建设，打破课程内容的归属性，从培养目标层次把握课程内容的分配与实施。高职院校的计算机应用技术教学是将培养应用型人才作为目标，随着科学技术的快速发展，计算机各类新技术层出不穷，技术之间的关联度不断提高，知识和技能之间的关系由原来的明显、浅层逐渐向隐含、继承等多维发展，很多原来没有关联或关联较少的知识与技能逐步趋向有关联、相互渗透。课程群建设是高等院校课程体系建设和课程改革的一个发展趋势，是推动专业课程的全面优化整合，深化课程改革、师资队伍建设以及教学资源的优化配置的重要途径。
为落实山东省高职院校计算机专业基础课程改革“面向社会，针对岗位，强化能力，促进发展”的指导思想，深入贯彻教育必须为社会发展和经济建设服务的方针，满足用人单位工作岗位的实际技能需要，适应新时期社会及经济发展对高校人才知识结构的要求，我们通过对高职计算机类专业毕业生进行就业跟踪和对人才市场需求进行调查分析发现，在大量的企事业单位办公岗位上，最普遍需要的是能够熟练使用办公软件和设备处理日常办公信息化事务的人才，但是由于计算机应用技术专业课程体系及内容设置的不完善，导致学生在应对上述任务时显得困难重重。
为了适应高职人才培养的需要，为社会培养应用型人才，我们提出了“更强专业基础、更精业务技能、突出行业应用、凸显职业素养”的教学理念，对计算机应用技术专业教学计划中具有相互影响、互动、有序、相互间可构成完整的教学内容体系的相关课程进行重新规划、设计、构建，在优化整合原有单项课程内容的基础上，于2008年提出了建设“联合课程（群）”的理念，并且选择了办公岗位最需要的“办公信息化”方向为试验点，对教学计划中可构成完整教学内容体系的《Office高级办公应用》等五门课程进行重新设计、集成，使其成为一个计算机类专业必修的联合课程（群）——《办公信息化技术》。通过引入校企合作的办公岗位真实任务，模拟办公环境，强化综合训练，提高了计算机类专业学生办公岗位信息化任务处理方面的技能。
1 以应用为核心的《办公信息化技术》联合课程（群）建设
1.1 指导思想
1.1.1 以就业为需求
办公信息化技术渗透到各行各业的各个领域，掌握计算机知识与技能已成为信息化人才素质的基本要素之一，社会的信息化对大学生的素质也提出了更高的要求。就业需求决定了计算机应用技术专业基础课教学必须思考如下几个问题：怎样使专业基础课教学服务于专业？怎样培养出适应社会就业需要的应用型人才，为就业创造更多的机会？
1.1.2 以应用为核心
《办公信息化技术》联合课程（群）包含了培养通用能力、方法能力的技能型课程，在课程体系、课程设置和教学内容上充分与行业应用相结合，紧跟市场变化，从行业需求出发，以应用为主线，根据各行业职业岗位对员工办公信息化技术的要求进行改革。因此，我们将《办公信息化技术》联合课程（群）定位在培养能够熟练地使用计算机等相关办公设备进行日常办公岗位的文档处理、表格数据处理、幻灯片的制作与演示、邮件的收发与管理、常用工具软件的使用、办公室局域网资源和硬件的共享、互联网资源的下载和处理、常见办公文档中图像照片的处理、常见办公设备使用和维护等知识和技能的高素质应用型高技能专门人才。
1.2 课程群建设的总体原则
在计算机应用技术专业的《办公信息化技术》联合课程（群）建设过程中，涵盖了高职院校人才培养所必需的专业基础理论、专业基本技能精华。集中人力、物力来加强课程的研究和建设，从而加速专业素养和专业技能的培养，提高教学质量，取得重点突破的效果。课程群建设的目的就在于要有利于专业教学计划的组织和实施，有助于教学计划的合理优化,有助于构建新型的课程体系，对其它课程起到示范、辐射作用，推行以技能培养为目标的教学法和教学手段改革。
在创建《办公信息化技术》联合课程（群）的过程中，我们注重协调课程群内部各单项课程之间的联系，遵循了科学性、创新性、实践性和可控性的基本原则。
1.2.1 单项课程的内容更具有科学性
我们立足于《办公信息化技术》整个课程群体，对其中的五门单项课程精心设计教学内容，使得它们之间既保持密切的关系，又具有相对独立性和逻辑性，避免重复性；确定课程教学的安排顺序，明确具体课程教学章节内容和讲授深度，技能培养环节连贯、递进。例如，普及性的计算机基础知识，我们分解在《计算机应用基础》、《办公设备使用与维护》和《办公工具软件应用》等课程中进行讲解。对于办公信息化技术中最常见的工作任务——文案的制作，则通过核心课程《Office软件办公应用》详细介绍。而为了方便计算机图像等专业后续课程的开设，我们在《Photoshop办公图像处理》课程内容的安排上，除了满足课程群内办公图像处理的教学需要，保持Photoshop软件的基本功能和操作的完整性和系统性，实现与后续课程完美衔接。
1.2.2 创新性：注重各项单项课程之间的交叉
课程群建设本身决定了它注重各项课程间的交叉，尤其是在一些较为综合的、大型的设计中。例如，在办公文档综合实训项目中，就要将《计算机应用基础》中的Word文档制作和《Office软件办公应用》中的排版技术、《Photoshop办公图像处理》中的证书照片处理以及《办公设备使用和维护》中的复印机和局域网内共享打印机的使用等多个课程内容进行交叉、融合，共同实施实训任务，使得学生的综合素质和技能在具体的案例中得到综合性地提高。通过教学模式的改革，实施因材施教，倡导学生自主学习，做到知识传授、能力培养、素质教育三结合，培养学生自学和创新的能力。
1.2.3 实践性
通过“企校合作”引入办公岗位真实工作任务作为案例，并将信息化技术最前沿的软件应用技术结合到项目任务实践中去，使学生能够自觉地运用先进的方法和技术从事学习和实践。
1.2.4 可控性
《办公信息化技术》联合课程（群）涉及课程较多，改革力度大，工作复杂，在操作中遵循了过程的可控性。在整合过程中逐渐提高教与学的透明度，以及教学环节与教学质量的可控性，减少随机性和非计划性，注重前后知识和技能的衔接性，环环相扣。担任各单项课程教学任务的教师在教学内容安排和备课过程中，加强彼此间交流，注重教学内容的前后衔接和融合，避免各自为政、各自为战的盲目性教学。
1.3 联合课程（群）的建设与实践
1.3.1 课程群体系结构
(1）以《Office高级办公应用》为专业核心课程
在办公岗位的实际工作任务中，利用Office办公软件完成各种办公文案制作是实现由任务下达、任务设计向任务实体转化的关键，是办公信息化技术的核心。《Office高级办公应用》课程重点培养学生应用Microsoft Office办公软件实现文字排版、数据管理、商务演示等办公任务的能力，而这些能力是实现真实办公岗位任务的具体体现。因此，《Office高级办公应用》课程对于办公信息化核心职业技能的培养和职业素质的养成起着主要支撑作用，是《办公信息化技术》课程群的专业核心课。
根据上述要求，确定《办公信息化技术》联合课程（群）是以《Office高级办公应用》为核心课程，以《计算机应用基础》和《办公设备的使用和维护》为基础课程，以《办公工具软件应用》和《Photoshop 办公图像处理》为辅助课程的体系结构关系，如图 1所示。
（3）课程群内课程体系的衔接
为了解决办公信息化技术新知识、新功能和新技术的不断出现与课程群教学时数减少这一矛盾，在教学内容的安排上，我们注意协调课程群内各门课程的关系，将主要知识点进行归类、整理，合理安排知识点出现的时间顺序，并将这些内容组合到相应的课程中，实现教学内容无重复、无间隙，教学内容难易渐进出现，优化课程设置和课时安排。目前这5门课程依次分别在第一至第三学期开设，形成一个衔接合理的课程体系。如表1所示。
1.3.2 以应用为核心的学习情境——构建知识框架
为了将《办公信息化技术》课程群中各个单项课程的知识和技能点进行有机地整合，我们研究、设计了10个课程群综合实验——学习情境：
电脑文化艺术节
风雨兼程50年——德州职业技术学院校庆庆典
机房设备扩建项目招标
……
上述学习情境贯穿在课程群中，每个情境均设计了主要教学内容及能力要求（包括技能要求、能力目标、教学内容、学习方式和验收标准等）。在教学过程中利用综合性、设计性和创新性的办公任务案例，使得各单项课程在学习情境任务中实现有序衔接，培养学生完成办公文案制作、编辑排版、数据管理、商务演讲的能力。例如，在学习情境二中设计了如下知识技能教学环节：1.制作校史和校情介绍展板；2.编印《校史》；3.编印《毕业生名录》和《毕业生业绩录》；4.制定工作日程表；5.制
（2）符合办公信息化技术领域职业岗位（群）任职要求的课程群体系
我们提炼出典型的工作任务与“办公信息化”技术领域必须具备的21项综合职业能力相适应——例如，使用Office办公软件处理日常办公文档和数据处理、使用各种工具软件实现办公任务需求、利用PhotoShop进行办公图像处理、熟练操作打印机、复印机、扫描仪等常用办公设备等。遵循能力依次培养、技能层层递进的要求序化课程体系，构建学习领域，如表1所示。作参会人员花名册；6.制作捐资证书；7.制作大会邀请函和感谢信；8.制作校庆专题幻灯片；9.拟订校庆活动专项收/支财务报表；10.会议纪要的审阅与开发；11.参会人员合影留念等。
每一个学习情境以突出一个或几个教学重点为主干，辅助以多个知识和技能点，整体情景设计以能够体现较为完整的某个办公信息化岗位任务为原则——即“一体化”。
2 结 语
《办公信息化技术》专业基础课程群建设的基本思路是坚持“强化基础，服务专业”原则，以Microsoft Office办公软件知识体系为核心课程基础体系，兼顾专业课程，构建基础课为专业课服务的办公信息化技术基础课程群。从教学效果上看，取得了较好的结果，学生对该课程群的学习积极性得到提高，毕业生在企事业单位中的相应岗位中工作适应性增强。新的教学模式和教学体系被许多高职院校借鉴，按照该模式构建的《办公信息化技术》联合课程群也被评为2011年山东省高校联合课程精品课程。
《办公信息化技术》联合课程（群）的建设，应该根据计算机技术的发展和社会实际需求，不断地进行改革和调整，力求探索促进区域经济发展的人才培养的新模式，为创造应用型人才提供一个良好的环境。建设有特色的立体化教学资源，打造一只教学能力强、专业技能扎实、素质高的优秀教学团队，在选用优秀教材的基础上，着重进行适合于本专业教学的一系列教材和教学资料的编写，形成精品教材等，仍将是今后《办公信息化技术》联合课程（群）建设和改革中亟待解决的问题。
参考文献
[1] 毛国君,方娟,易小琳,鲁鹏程.计算机系统结构课程群的“1+2+3”模式及其应用[J].中国大学教学，2008，(9)，
[2] 李慧仙.高校课程群三论[J].煤炭高等教育，2006，24（4）.
[3] 范守信.试析高校课程群建设[J].扬州大学学报（高教研究版），2003，(3).
[4] 陈文山.组建课程群 打造学科优势[J].琼州大学学报，2003，(5):72.
[5] 张瑞民.系统科学理论与课程群整体改革的几点思考[J].衡水师专学报,2002，(4):63.
计算机集群技术范文5
关键词：粒子群算法；单目标；多目标；传递率；传递函数矩阵；无穷范数；状态反馈控制；控制力传递率
中图分类号：TU112.41 文献标识码：A
单自由度、双自由度体系是研究设备振动隔离的主要模型方法，且隔振体系性能与隔振参数关系密切，选择合适的参数，能提高系统的隔振性能，如果参数选择不当，就会适得其反，所以隔振参数的优化研究显得非常必要.文献1将遗传算法与最大熵法结合，给出了两级隔振系统参数优化设计的一种混合方法；宋鹏金等2采用傅里叶变化法和直接积分法分别对时域函数和频域函数进行参数优化，提出了一种锻锤隔振参数优化的新方法；文献3根据超精密隔振器的内部结构和隔振系统的布置形式，建立了超精密隔振系统的动力学模型，并在此基础上推导出理论频响函数、进行了系统参数的辨识研究；LIU等4基于整星隔振体系进行了参数优化；ESMAILZADEH5采用梯度优化方法对汽车悬挂体系进行了隔振参数的优化研究；文献6提出了一种隔振参数线性变化的方法，主要通过刚度迟滞模型实现；刘春嵘等7基于振原理在小振幅假设下建立了两级浮筏系统的数学模型，并分析了隔振机理，推导出了力传递率的表达式.
作为新型的群智能算法――粒子群优化算法PSO自1995年提出以来，就因其简单、易实现、收敛快，可调参数少等优点得到了广泛应用8.由于传统粒子群算法的局限性，许多学者对其做出了改进.Shi9等提出了关于权重的线性调整策略，获得了满意的优化效果；李军等10在Shi的基础上提出了自适应权重变化策略，克服了传统粒子群算法寻优过程的早熟情况，能使粒子群算法达到局部最优及全局最优的平衡.Coello等首次提出了多目标粒子群优化算法MOPSO，掀开了多目标优化问题的新篇章，主要思想是通过Pareto最优解集决定粒子飞行方向以及在全局知识库中得到之前发现的非支配向量，以指导其它粒子飞行11.
状态反馈控制是振动控制领域的常用方法，通常包括线性二次型最优控制、极点配置控制、基于观测器的控制器等，由于实际问题的不确定性，鲁棒H2H
SymboleB@ 控制被提出并广泛应用 12.上述方法在机械、结构等振动控制领域中发挥了巨大作用，其实质是通过控制器产生基于输出的反馈控制力，以优化控制系统响应.
1粒子群算法
1.1标准粒子群算法
粒子群优化算法模型中，每一个粒子的自身状态都由一组位置和速度向量描述，分别表示问题的可行解和它在搜索空间中的运动方向.粒子通过不断学习它所发现的群体最优解和它在搜索空间中的运动方向，并不断更新它所发现的群体最优解和邻居最优解，从而实现全局最优解.粒子的速度和位置更新方程是PSO的核心，由式1表示：
1.3多目标粒子群算法
多目标粒子群算法的主要计算步骤如下所述：
Step1：初始化粒子群，计算各对应粒子的目标函数向量，将其中的非劣解加入到外部档案之中；
Setp2：初始化粒子的局部最优值pbest和全局最优值gbest；
Setp3：在搜索空间内，通过式1，2调整粒子的飞行速度和位置，形成新的pbest；
Step4：根据新的非劣解维护外部档案，并为每个粒子选取gbest档案的内容决定全局最优值的选取；
Step5：是否达到最大迭代次数，若否则继续计算，若是则停止计算，输出pareto最优解集及全局最优解.
多目标粒子群优化算法与单目标粒子群优化算法的主要区别就是全局最优解的选取方式及外部档案的设定和更新.需要着重指出的是，关于全局最优解的选取问题；对于多目标优化，直接计算会存在一组等价的最优解集，很难从每一次迭代中确定一个全局最优解.解决该问题最直接的方法即是利用Pareto支配的概念，考虑档案中的所有非劣解，并从中确定一个“主导者”，通常采用密度测量的方法来确定全局最优解.本文将采用基于粒子最近邻拥挤程度评判的最近邻密度估计方法
6结语
基于粒子群优化算法，以控制输出的传递率为目标函数，在单自由度、双自由度隔振体系传递率分析的基础上，分别进行了隔振参数的单目标和多目标优化设计研究.
传统的振动控制设计，往往是在已知隔振参数的情况下创新控制方法或者优化控制器，却忽略了隔振参数对控制系统的重要性，盲目地从控制角度优化体系，不仅容易造成控制能源浪费，还可能会引起系统响应发散.
我国《隔振设计规范》15仅对单自由度隔振体系的传递率等相关参数做了规定，事实上，本文研究表明，双自由度隔振体系更适用于常见的工程振动控制.本文亦为最优隔振体系设计及最优振动控制设计提供了新思路，对《隔振设计规范》接下来的修订工作具有指导意义.
参考文献
1 魏燕定，赖小波，陈定中，等. 两级振动隔振系统参数优化设计J.浙江大学学报，2006，405：893-896.
WEI Yanding， LAI Xiaobo， CHEN Dingzhong， et al. Optimal parameters design of twostage vibration isolation systemJ.Journal of Zhejiang University， 2006， 405：893-896.In Chinese
2宋鹏金，陈龙珠，严细水.锻锤隔振基础参数优化的新方法J.振动与冲击，2004，233：96-98.
SONG Pengjin， CHEN Longzhu. YAN Xishui. The new parameters optimization method of vibration isolation base of hammer J. Journal of Vibration and Shock， 2004， 233：96-98. In Chinese
3董卡卡，蒲华燕，徐振高，等. 超精密隔振系统的建模与参数辨识J.武汉理工大学学报，2013，31：126-128.
DONG Kaka， PU Huayan， XU Zhengao， et al. Modeling and parameter identification of the ultraprecision vibration isolation system J. Journal of Wuhan University of Technology， 2013， 31：126-128. In Chinese
4LIU L K， ZHENG G T. Parameter analysis of PAF for wholespacecraft vibration isolation J. Aerospace Science and Technology， 2007， 116： 464-472.
5ESMAILZADEH E. Design synthesis of a vehicle suspension system using multiparameter optimization J. Vehicle System Dynamics， 1978， 72： 83-96.
6ZHANG F， GRIGORIADIS K M， FIALHO I J. Linear parametervarying control for active vibration isolation systems with stiffness hysteresis J. Journal of Vibration and Control， 2009， 154： 527-547.
7刘春嵘，肖卫明，徐道临. 双层流体浮筏的隔振特性研究J.湖南大学学报：自然科学版，2013，401：43-48.
LIU Chunrong， XIAO Weiming， XU Daolin. Study of the vibration isolation of twodegreeoffreedom fluidtype floating raft J. Journal of Hunan University：Natural Sciences， 2013，401：43-48. In Chinese
8KENNEDY J， EBERHART R C. A new optimizer using particle swarm TheoryCProceedings of the Sixth International Symposium on IEEE.Micro Machine and Human Science， 1995： 39-43.
9SHI Y， EBERHART R C. A modified particle swarm optimizer CIEEE World Congress on Computational Intelligence.NewYork： IEEE，1998：69- 73.
10李军，许丽佳.一种带压缩因子的自适应权重粒子群算法 J.西南大学学报，2011，337： 118-120.
LI Jun， XU Lijia. Adaptive weight particle swarm optimization algorithm with construction coefficient J.Journal of Southwest University， 2011， 337： 118-120. In Chinese
11COELLO A C， LECHUGA， MOPSO M S： A proposal for multiple objective particle swarm optimizationC Proceedings of the 2002 Congress on IEEE.Evolutionary Computation， 2002， 2： 1051-1056.
12欧进萍.结构振动控制――主动、半主动和智能控制M. 北京：科学出版社，2003：61-68.
OU Jinping. Structure vibration controlactive， semiactive and smart controlM.Beijing： Science Press， 2003：61-68. In Chinese
13DEB K， PRATAP A， AGARWAL S， et al. A fast and elitist multiobjective genetic algorithm： NSGAII J. IEEE Transactions on Evolutionary Computation， 2002， 62： 182-197.
14GOLDBERG D E， RICHARDSON J. Genetic algorithms with sharing for multimodal function optimizationC Proceedings of the Second International Conference on Genetic Algorithms and Their Applications.Hillsdale， NJ： Lawrence Erlbaum， 1987： 41-49.
计算机集群技术范文6
关键词：蚁群算法；并行蚁群算法；小生境技术
中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)34-1817-03
An Adaptive Parallel Ant Colony Method Based on the Niche Method
LI Xiang-li1, ZHOU Lin-cheng2
(1.Jiangsu College of Information Technology, Wuxi 214153, China;2.Wuxi Machinery and Electron Higher Professional and Technical School, Wuxi, 214028, China)
Abstract: A self-adaptive parallel ant colony algorithm based on the niche method is proposed to solve the local optimum problem of the original ant colony algorithm. This proposed algorithm makes full use of learning mechanism and intensifies the feedback of the optimal information. When the ant is stagnated, the niche method is applied to make some ants move to local optimum and others jump out from the local optimum by re-initialized status and by the effect of the sharing functions. An example is given to show the validity of the proposed algorithm.
Key words: ant colony algorithm; parallel ant colony system; niche method
1 引言
蚁群优化算法[1]是一种全局性邻域搜索算法，具有分布式计算、信息正反馈和启发式搜索的特征，易于与其它方法相结合。该算法得到了具有NP难度的旅行商问题(TSP) [2]的最优解，并应用到连续空间[3]和数据挖掘[4]中。但是蚁群算法也存在着一些缺陷。寻找“精解”和“快速收敛” 两者的平衡点成为蚁群算法发展和应用的关键。
并行蚁群算法[5]是最近提出的一种优化结果较好的算法，该算法将所有蚂蚁分为几个子种群，并进行种群间的信息交流。但是其子种群的规模的预先确定有很大的难度：若规模过大，则种群多样性容易被破坏，搜索能力下降；若过小，则使得搜索时间增加。因此，本文中引入“蚂蚁聚度”的概念[6]，通过设定“聚度阈值”来自动调整子种群的规模，提出了自适应的并行蚁群算法。传统的蚁群算法以及改进的Ant-Q System[7]和MAX-MIN[8]模型都存在着全局寻优能力不强的缺点，小生境技术[9]的引入正是为了解决这一问题。当自适应并行蚁群系统进入停滞阶段时，除了保留部分蚂蚁对局部最优点继续进行搜索外，其它的蚂蚁重新划分种群，并重新初始化信息素，然后对整个空间进行重新搜索。这样，在减少蚂蚁数量的时候也可以在信息量的“探索”和“利用”之间得到很好的平衡。通过对TSP问题进行计算，证明了该方法的有效性和可行性。
2 并行蚁群算法和小生境技术基本原理
2.1 并行蚁群系统(PACS：Parallel Ant Colony System)
在并行蚁群系统[5]中蚂蚁被分为几个不同的种群，并在一些合适的周期内，通过种群之间的信息交流策略来更新信息素。PACS与基本蚁群算法的主要不同在于：1）将所有蚂蚁分成若干个不同的种群；2）通过局部调整准则、全局调整准则和信息交流调整准则对信息素进行调整。
以n个城市的TSP问题为例说明PACS模型。首先作如下定义:G表示总的种群数目，Nk(K=1,2,…G)表示第k个种群中蚂蚁的个数，且满足蚂蚁总数m=■Nk；dij(i,j=1,2,...,n)表示城市i和城市j之间的距离,τij(t)表示t时刻在城市i,j连线上残留的信息量。随着时间的推移,以前留下的信息逐渐消逝，用参数ρ、α、λ表示信息的挥发因子。所有蚂蚁完成一次迭代以后,各路径上的信息量根据下列准则作调整:
准则1（局部调整准则）：局部调整是每只蚂蚁在建立一个解的过程中进行的。 随着时间的推移,种群j中两个元素(城市)r和s之间的局部信息素数量要根据下式作调整：
■（1）
其中Lnn表示用最近邻域启发式（nearest neighbour heuristic）得到的所有城市之间的最小距离。
准则2（全局调整准则）：只有生成了全局最优解的蚂蚁才有机会进行全局调整，全局调整规则为：
■ （2）
其中Q是信息素强度，它影响算法的收敛速度。Lj表示第j个群体中蚂蚁找到的最短路径。
准则3（信息交流调整准则）：信息交流准则是并行蚁群算法与ACS算法的主要不同点。每经过R1次循环，通过种群间的信息交流对信息素值进行调整。在本文中采用环形结构的种群间信息交流策略。
■ （3）
其中 “neighbour”定义为在环形结构中的种群。Lng表示邻域("neighbour")种群中的最短路径。
2.2 小生境技术原理
小生境技术的提出为搜索空间的扩展提供了可能性。共享机制由Goldberg[10]提出，它通过共享函数调整群体中各个个体的适应度，以维护群体的多样性。共享函数是表示两个个体之间密切关系程度的函数，记为sh(dij)，dij表示个体i与个体j之间的某种关系。
3 嵌入小生境技术的自适应并行蚁群算法
并行蚁群算法的子种群规模是固定的，使算法存在着搜索能力不强的缺陷。本文引入“聚度” [6]的概念，通过“聚度值”与阈值的比较自适应地调整各个子种群地规模。设从城市i共有r条路径到达另外r个城市i1,i2…ir，另设上一次迭代中，经过这r条路径上的蚂蚁数分别为a1,a2…ar，如图1所示。则定义城市i的聚度为：■。当m只蚂蚁均匀分布在r条路径上时，城市的聚度为：■ ；而当m只蚂蚁都集中在r条路径中的某一条上时，城市i的聚度值为最大：■。
用K代表子种群规模，则自适应的子种群规模可以通过如下公式确定：
■（4）
其中σ是“聚度阈值”一般取常数。若聚度值较大，说明蚂蚁上一次从这个城市到达另外城市的路径相对集，在以后的搜索最优过程中，过度强化正反馈信息引起停滞现象的可能性就越大。所以当sta大于阈值σ时，子种群规模就降低到最低限度2，以刺激种群多样性的提高。相反，当城市聚度越小时，这个城市的信息量分布相对比较分散，导致收敛速度较慢。所以当sta较小时种群的多样性较好，子种群由下式确定：
■（5）
在确定子种群的规模后就按照上述并行蚁群算法的调整准则对信息量进行调整。
在自适应并行蚁群算法进入停滞后采用共享机制重新确定城市之间的信息量，对群体中信息素值较大（认为与局部最优点的相似度较高）的个体通过施加共享函数进行惩罚，阻止新蚂蚁种群再次陷入同一局部最优点。施加共享函数后城市间的共享信息素为：
■（6）
共享函数sh(x)采用典型的三角共享函数：
■（7）
式中τshare为共享信息量；τmax为自适应并行蚁群模型中的信息素最大值。
根据图2讨论共享函数对信息量的影响。不失一般性的认为距离局部最优点xi越近的点对应的信息量就越大（虽然会有个别点不满足这个条件，但在蚂蚁数量较多的情况下对结果的影响不会太大）。本文选取τshare=1/2τmax，假设共享前τi1=0.2τshare，τi2=0.4τshare，由式（7）可得x1、x2的共享度都为0，则共享信息素分别为τi1和τi2；同理如果τi3=1.6τshare，x3的共享度为0.6，共享信息量为0.4τi3。由此可见当蚂蚁距离局部最优点较远时共享信息量与原信息量相等；当蚂蚁距离局部最优点较近时共享信息量相应减小。由于蚂蚁在搜索过程中是通过感知信息素的数量进行路径选择的，所以这样的的处理达到了局部最优点对新初始化蚂蚁的排斥作用，能够有效避免蚁群再次陷入同一局部最优。
■
图1源自城市i的各条路径上蚂蚁的分布情况 图2共享函数对初始化信息素的影响
3.1 算法描述
1) 初始化：将m只蚂蚁随机分为G个种群，第k个种群中蚂蚁的个数用Nk(k=1,2,…,G)表示。
2) 重复运行直到禁忌表添满为止（这一过程将运行(n-1)次）
对每个蚂蚁，根据传统的选择概率,选择下一个要转移去的数据j；
将第k只蚂蚁转移到第j个数据；
进行局部搜索，根据公式(1)更新每只蚂蚁的信息素；
将数据j插入到禁忌表tabuk(s)。
3) 计算种群中每只蚂蚁所走路径的总长度，找出此次搜寻中的最短路径lt 。
4) 全局信息素更新：在每一种群中按照公式(2)进行全局信息素的更新。
5) 种群间信息交流：每经过R1次循环就根据公式(3)进行蚂蚁种群间的信息素交流。
6) 自动划分种群规模：按照公式(4)自动地进行种群规模的划分。
7) 如果（NC
8) 种群重新初始化：当||lt-lt-1||
按照公式(6)计算共享信息素值；
9) 当NC=NCMAX，或者出现停滞时，输出最优解，结束。
4 实例运算及性能分析
从通用的TSPLIB中选用TSP问题，用上述算法、MMAS算法和文献[6]提出的基于分布均匀度的蚁群算法进行了比较测试。根据多次实验所得结论，本文选择α=1，β=2，ρ=0.4，ε=0.5, “聚度阈值”σ根据城市个数的不同选择不同的数值（本文实验中选取为0.8×max sta）。更改蚂蚁的数目，每次迭代的NCMAX取1500次，分别运行50次取平均值列于表1中。
从表1可以看出当蚂蚁数目减少的时候，本文提出的方法较之基于分布均匀度的蚁群算法能够得到效果更好的解。这是因为小生境技术可以使得大部分蚂蚁的搜索具有较强的“爬坡”能力，使得解具有较好的多样性、全局性，避免了早熟现象。虽然在时间消耗上较之基于分布均匀度的蚁群算法要多，但综合考虑搜索结果和收敛时间，本文提出的方法在蚂蚁数量减少的情况下，保证了收敛速度和防止早熟之间的平衡。
5 结论
本文提出了自适应的并行蚁群算法，通过设定“聚度阈值”来自动调整子种群的规模。并行蚁群算法同样存在着搜索多样性的不足、易陷入局部最优的问题，小生境技术的引入正是为了解决这一问题。当自适应并行蚁群系统进入停滞阶段时，除了保留部分蚂蚁对局部最优点继续进行搜索外，其它的蚂蚁重新初始化信息素，然后对整个空间进行重新搜索。通过共享函数来阻止蚂蚁向局部最优移动，这种方法既有效地摆脱了停滞的状态又保留了原有的较优解。
参考文献：
[1] Dorigo M, Maniezzo V, Colorni A. Ant system: Optimization by a colony cooperating Agents[C]. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 1996,26(1): 29-41.
[2] Dorigo M, Gambardella L M. Ant colony system: a cooperative learning approach to the traveling salesman problem[C]. IEEE Transactions on Evolutionary Computation, 1997,1(l):53-66.
[3] 李向丽,杨慧中,魏丽霞.基于退火的蚁群算法在连续空间优化中的应用[J].计算机工程与应用,2007,43(23):74-76.
[4] LI X L, YANG H Z. Application of a Novel Algorithm on Clustering Analysis[C]. Proceedings of the International Conference on Complex Systems and Applications,2006:836-840.
[5] Chu S C, Roddick J F, Pan J S. Ant colony system with communication strategies[J].Information Systems,2004,167(1-4):63-76
[6] 陈,沈洁,秦玲,等. 基于分布均匀度的自适应蚁群算法[J].软件学报,2003,14(8):1379-1387.
[7] Machado L, Schirru R. The ant-Q algorithm applied to the nuclear reload problem[J].Annals of Nuclear Energy,2002,29(12):1455-1470.
[8] Stützle T, Hoos H. MAX-MIN ant system[J].Future Generation Computer Systems,2000,16(8):889-914.
