摘要:针对蚁群系统（Ant Colony System，ACS）算法存在收敛速度慢、路径不平滑、易陷入局部最优等缺点，提出了一种基于万有引力搜索策略的ACS算法. 为了解决算法初期由于地图信息匮乏，导致蚁群寻路盲目性较大的问题，提出了简化ACS算法对初始信息素浓度进行更新. 引入万有引力算法搜索策略，提升了算法收敛速度，且有效解决了局部最优问题. 对每次迭代获取到的最优路径进行优化，减少了路径的转折点数量、提升了路径平滑性. 仿真试验表明，改进算法能够有效提升算法的收敛速度、路径平滑性. 将改进算法应用到实际的移动机器人导航试验中，试验结果表明，改进算法能够有效解决移动机器人的路径规划问题，且有效提升移动机器人的导航效率.

摘要:云数据中心中存在着高能耗和高服务水平协议违约率的问题，为了解决此问题，提出了一种基于多目标优化的虚拟机整合算法. 综合考虑能耗、服务质量和迁移开销等多种因素，将虚拟机整合问题构建为一个具有资源约束的多目标优化问题. 使用蚁群系统算法对该多目标优化问题进行求解，进行虚拟机整合，获得近似最优的虚拟机主机映射关系. 为了减少算法复杂度，利用CPU利用率双阈值来判断主机负载状态，根据主机负载状态分阶段进行整合并使用不同的整合策略. 基于CloudSim平台对多目标优化的虚拟机整合算法和其他6种虚拟机整合算法进行仿真实验，将本文算法与现有虚拟机整合算法实验结果进行比较，结果表明本文提出的算法在能耗和服务水平协议违约方面优化显著，具有较好的综合性能.