题目：可配置智能优化算法及其在分布式仿真系统中的应用

随着分布式系统平台资源数量和种类的增多以及多学科任务协同的复杂化，如何提高海量资源的共享和利用率，降低能源消耗，提高分布式环境下工程协作的效率，并同时兼顾底层模型或任务实体的优化，实现动态环境下系统的快速响应和智能化运行，是包含制造、仿真等在内的诸多工程领域研究和发展所需考虑的重大问题。优化便是实现高效化、动态化、智能化分布式协同系统发展的一个核心手段。

智能优化算法作为近年最为有效的通用优化方法之一，以其通用化种群迭代模式，融合各种启发式迭代操作，已被广泛应用到各个工程领域中，对从系统到具体工程对象进行多层次优化。然而，现有研究却未充分考虑到系统多层次的兼顾性优化，而是针对每一环节设计相应的优化方法。这无疑增加了平台构建的复杂度。且随着分布式平台环境的变化及任务需求的变化，单一方法难以对每一种优化情况给出有效且可行的决策，这不仅增加了算法设计成本，还带来了系统整体动态性及智能性的降低。本文在充分考虑分布式仿真系统中典型多层次组合优化和底层复杂函数解算的基础上，从智能优化算法设计结构出发，研究并提出了可配置智能优化算法的思想，并构建有效的串行和并行算法自动配置框架，形成一体化决策系统，推动现有复杂分布式仿真决策向高效化、动态化和智能化方向迈进。

论文的主要工作如下：

1. 根据面向服务的分布式仿真系统特点，建立仿真服务-资源双调度组合优化模型和仿真任务动态迁移组合优化模型，结合仿真连续复杂函数解算，形成系统三层典型决策问题，作为本文算法设计的应用基础和求解对象。

2. 从智能优化算法的扩展结构出发，研究并提出了可配置智能优化算法的概念，形成包含参数可配置、算子可配置和算法可配置的三层配置方式。充分分析和讨论了在该框架下的智能优化算法模块级组合模式和流程级组合模式，为算法在有限进化算子和局部搜索策略基础上的充分扩展和应用提供有效的参考。

3. 根据现有智能优化算法配置方面的研究，概述并总结了10种先进的算法上层配置模式及其在智能优化算法中的应用特性与存在的问题。在此基础上，提出了一种旋转邻域学习新型上层配置策略，并形成了基于旋转邻域学习的可配置智能优化算法和基于自动配置策略的统一智能优化进化框架。

4. 充分利用高性能计算资源，研究多种智能优化算法在多核计算机中的并行化方法，设计包含算法可组合及并行拓扑结构可组合的并行智能优化可配置模式，在此基础上形成基于单一算法的并行化扩展、基于多算法的并行化扩展以及基于单一平台的并行化扩展和基于多平台的并行化扩展思路。在并行可组合模式和上层自动配置策略的设计基础上，本文又提出针对并行智能优化算法的双层自动配置新方法，从而实现其在不同决策环境的灵活扩展和高效求解。

5. 建立一个可配置智能优化算法平台，使其内部集成多种典型智能优化算法，基于上述智能优化可配置模式和串、并行自动配置方法，形成一个串并行可选的高效能可扩展智能优化灵活决策系统。

6. 以上述分布式仿真系统中仿真服务-资源双调度问题、仿真任务迁移问题为例，提取问题核心优化评估指标，分别将将上述串并型自动配置智能优化算法应用到实际案例中，验证本论文所提出的可配置框架的有效性、智能性及可扩展性。