改进蚁群优化方法求解立体表面TSP问题

给出立体表面TSP问题的数学模型,提出一种改进的蚁群优化算法,用于解决立体表面TSP问题。该算法能快速找到最优路径或近似最优路径,得到的解质量较高且计算时间短。实验方法表明,改进后的蚁群算法在TSP的求解中,收敛速度和全局寻优能力均得到较大的提高。     

基于单个移动信标节点的路径规划方法

针对现有路径规划方法没有充分考虑到网络内未知节点的分布情况,存在定位覆盖率低且网络成本高的问题,设计了一种基于单个移动信标节点的路径规划方法。首先通过网络内未知节点的分布情况确定虚拟信标节点的位置以及数目;然后提出了一种基于高斯递减策略的非线性动态变化收敛因子改进灰狼优化算法,用于TSP求解路径规划问题,获得移动信标节点最短移动路径。仿真结果表明,该方法有效地提高了网络内未知节点的定位覆盖率,并且有效节省了网络成本。     

基于自适应评价函数的遗传算法求解TSP问题

针对TSP问题,提出了一种基于自适应评价函数的改进的遗传算法,并且给出选择、交叉和变异操作的设计,实验表明算法维持了群体的多样性,防止算法过早收敛而陷入局部最优解,更有效地搜出全局近似最优解。     

一种基于聚类技术的Hopfield网络求解TSP方法

Hopfiled神经网络方法已被广泛用于求解旅行商问题（TSP）,但对于解中规模和大规模的TSP,存在效果不理想甚至难以求解的问题。为了较好地解决这个问题,该文提出一种K-Means聚类算法与Hopfield网络方法相结合求解TSP的新方法,先应用聚类算法对所给城市进行聚类以获得几组规模较小的城市,然后对每一组城市应用Hopfield网络方法进行求解,最后把求解后的每组城市连接起来。计算机仿真结果表明,该方法可以获得最优有效解,并且解的质量明显提高,对求解中大规模的TSP比较有效。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

基于改进蚁群算法求解最短路径和TSP问题

为了能高效地求饵最短路径和TSP问题,利用速度恒定的蚂蚁群,行走最短路径的蚂蚁首先达到终点这个基本原理,提出了一种改进的蚁群算法。因为只要有一个蚂蚁达到终点,算法停止,所以该算法避免了蚂蚁往返爬行所消耗的时间。针对一定规模的最短路径和TSP问题,设置足够量的蚂蚁群,通过该算法能较快地求出全局最优解或者能很好逼近最优解的近似解,算法的时间复径杂度是线性级的,迭代次数较少,而且该算法是并行处理的。通过实验仿真,结果表明算法是可行有效的。     

求旅行商问题近似解的碰撞算法

提出通过寻找精确解的边获得旅行商问题(TSP)近似解的思想,并以该思想为指导,设计一种新的碰撞算法。对国际通用的TSPLIB中不同城市规模的数据进行测试表明,该算法可以得到与目前已知最优解或相同或相近的结果。该算法不仅可以计算小规模的TSP,而且同样适用较大规模的TSP。     

基于QPSO方法优化求解TSP

针对粒子群优化算法PSO求解旅行商问题TSP收敛速度不够快的缺陷,提出利用量子粒子群优化算法QPSO求解TSP,在交换子和交换序概念的基础上,以Matlab语言为开发工具实现了TSP最佳路径的求解.实验表明改造QPSO算法用于优化求解14点的TSP,能够迅速得到最优解,收敛速度加快,搜索效率得到较大水平提高;QPSO方法在求解组合优化问题中将非常有效.     

基于改进蚁群算法求解最短路径和TSP问题

为了能高效地求解最短路径和TSP问题,利用速度恒定的蚂蚁群,行走最短路径的蚂蚁首先达到终点这个基本原理,提出了一种改进的蚁群算法.因为只要有一个蚂蚁达到终点,算法停止,所以该算法避免了蚂蚁往返爬行所消耗的时间.针对一定规模的最短路径和TSP问题,设置足够量的蚂蚁群,通过该算法能较快地求出全局最优解或者能很好逼近最优解的近似解,算法的时间复径杂度是线性级的,迭代次数较少,而且该算法是并行处理的.通过实验仿真,结果表明算法是可行有效的.     

基于自适应蚁群算法的车辆路径问题研究

车辆路径问题(VRP)是物流研究领域中一个具有重要理论和现实意义的问题．蚁群算法是一种新型的模拟进化算法,可以很好地解决旅行商问题(TSP)．在分析VRP与TSP区别的基础上,构造了求解VRP的自适应蚁群算法．指出可行解问题是蚁群算法的关键问题,并重点对该问题进行了研究,提出了近似解可行化等解决策略．实验结果表明,自适应蚁群算法性能优良,能够有效地求解VRP问题．     

基于时变演化博弈机制的WSN数据采集算法

为解决当前WSN数据采集算法存在的种子节点收敛准确度不高、数据区域传输存在抖动难以控制的不足,提出一种基于时变演化博弈机制的WSN数据采集算法。构建种子节点聚类初始化方法,并采取灰度 矢量微分映射机制进行聚类迁徙,实现时变条件下种子节点 区域节点的动态映射更迭;设计流量切换阈值,并结合演化博弈机制来构建区域流量均衡机制,完成节点在阈值范围内的流量负载均衡;结合能量阈值机制来建立经济效益评估模型,改善节点切换过程中的链路抖动问题。仿真实验表明:与当前常用的超宽带能量相邻启发算法(Ef-ficient Nearest Neighbor Heuristic TSP Algorithms,ENNH-TSP)及黑洞安全组节点探测传输算法(Secure Group-Based Blackhole NodeDetection Scheme,SGBB-NDS)相比,该算法具有更低的采集链路抖动率与汇总带宽丢包率,以及更高的传输带宽与信源传输质量。     

应用多索引加法量化编码的近邻检索算法

目的 海量图像检索技术是计算机视觉领域研究热点之一,一个基本的思路是对数据库中所有图像提取特征,然后定义特征相似性度量,进行近邻检索。海量图像检索技术,关键的是设计满足存储需求和效率的近邻检索算法。为了提高图像视觉特征的近似表示精度和降低图像视觉特征的存储空间需求,提出了一种多索引加法量化方法。方法 由于线性搜索算法复杂度高,而且为了满足检索的实时性,需把图像描述符存储在内存中,不能满足大规模检索系统的需求。基于非线性检索的优越性,本文对非穷尽搜索的多索引结构和量化编码进行了探索新研究。利用多索引结构将原始数据空间划分成多个子空间,把每个子空间数据项分配到不同的倒排列表中,然后使用压缩编码的加法量化方法编码倒排列表中的残差数据项,进一步减少对原始空间的量化损失。在近邻检索时采用非穷尽搜索的策略,只在少数倒排列表中检索近邻项,可以大大减少检索时间成本,而且检索过程中不用存储原始数据,只需存储数据集中每个数据项在加法量化码书中的码字索引,大大减少内存消耗。结果 为了验证算法的有效性,在3个数据集SIFT、GIST、MNIST上进行测试,召回率相比近几年算法提升4%~15%,平均查准率提高12%左右,检索时间与最快的算法持平。结论 本文提出的多索引加法量化编码算法,有效改善了图像视觉特征的近似表示精度和存储空间需求,并提升了在大规模数据集的检索准确率和召回率。本文算法主要针对特征进行近邻检索,适用于海量图像以及其他多媒体数据的近邻检索。     

无线传感器网络的分级定位算法

对无线传感器网络节点定位问题进行了研究,为了提高未知节点的定位精度,提出了一种与距离无关的分级定位算法（IDV-Hop+IMP）。当未知节点周围邻居锚节点的数量少于三个时,采用IDV-Hop算法;当未知节点周围有三个邻居锚节点时,采用IMP算法;当未知节点周围邻居锚节点的数量大于三个时,采用加权质心定位算法。仿真结果表明,在稀疏锚节点的环境下,在保证定位覆盖率的同时IDV-Hop+IMP算法比现有的如质心、DV-Hop有更高的定位精度。     

基于K-shell分解与邻居节点度去噪的链路预测方法

链路预测是研究复杂网络结构和演化机制的重要工具,提高链路预测的精度具有重要价值。针对传统的基于网络拓扑结构相似性算法预测精度偏低的问题,从网络优化去噪的角度进行分析,提出了一种基于K-shell分解与邻居节点度（KSDNN）去噪的链路预测方法。该方法首先从全局的角度通过K-shell分解对复杂网络中所有节点进行重要性排序,然后从局部的角度结合节点邻居节点的度对节点重要性进行综合评判,最后对网络数据进行优化后进行链路预测。通过在四个不同的真实网络进行验证,实验结果表明,所提方法预测精度优于K-shell去噪的方法,且相较于传统算法预测精度平均提升了2%左右。     

双获胜节点SOM及其在TSP中的应用

在Kohonen提出的SOM(self-organization map)神经网络的基础上,通过拓广SOM网络的获胜节点数量,引入惩罚修正因子,改进邻域和连接权函数等方法提出一种新的SOM即SOMDW(SOM with double-winner)模型.为了验证该模型的有效性,以旅行商问题(traveling salesman problem,TSP)为例对该模型进行检验,得到了满意的结果.另外为了增强SOMDW网络的动态聚类性能,提高解的精确性,还采用禁忌搜索的搜索方法.     

车联网环境下基于模糊逻辑的交通拥堵检测方法

针对现有的道路交通拥堵检测方法的不足,提出了一种基于V2V的道路交通拥堵检测方法。首先基于V2V的方式实时获取邻居车辆状态信息,建立车辆邻居表;其次依据车辆行驶速度、车流密度、交通拥堵评级体系构建模糊控制器,完成本地交通拥堵水平的估计;然后通过车车通信进行邻居车辆交通拥堵状况的查询,并根据大子样假设检验验证本地交通拥堵水平值,完成所在区域交通拥堵水平的检测;最后基于Veins平台搭建仿真测试场景,仿真对比了拥堵检测结果的准确率,同时测试车辆节点的退避时槽数量和接收广播数据包的数量。实验结果表明, 提出的道路交通拥堵检测方法实现的拥堵检测准确率分别比线圈法和CoTEC法提高了5.5%和7.5%;提出的道路交通拥堵检测方法实现的车车通信网络拥塞比CoTEC法降低了90.8%,并且在未发生交通拥堵时通信节点的通信负载显著降低。     

基于共同邻居邻域拓扑稠密性加权的链路预测方法

链路预测旨在利用已知的网络节点和拓扑结构信息,预测网络中未连接的两个节点之间存在连边的可能性。基于网络拓扑相似性的链路预测方法计算复杂度低且预测效果好,但现有的相似性指标对共同邻居的邻域拓扑信息考虑较少。针对此问题,提出一种基于共同邻居邻域拓扑稠密性加权的链路预测方法。首先,基于邻域拓扑相对稠密指数量化节点的邻域拓扑结构;然后,利用共同邻居的节点度和邻域拓扑相对稠密指数刻画共同邻居及其邻域拓扑的相似性贡献;最后,提出基于共同邻居邻域拓扑稠密性加权的节点相似性指标。在多个实际网络数据上的实验结果表明,与现有相似性指标相比,该方法能够取得更高的预测精度。     

融合双层注意力机制的属性网络节点嵌入

属性网络嵌入旨在学习网络中节点的低维表示,具有拓扑和属性相似的节点在嵌入空间彼此接近.注意力机制能有效学习网络中节点与其邻居的相对重要性并基于邻居重要性聚合节点表示.据此,提出一种在属性网络中融合双层注意力机制的节点嵌入算法NETA,可以有效地实现属性网络嵌入.该算法首先从拓扑结构捕获直接邻居,基于属性关系捕获间接邻居...     

基于分布式算法执行替代链的WSN故障节点检测和替代方法

针对无线传感器网络中故障节点的检测和替代问题,提出了一种基于分布式算法执行替代链的故障节点的检测和替代方法。首先,描述了传感器节点检测故障邻居所需执行的指令;然后,根据分布式算法执行替代链;最后,以局部最优方式替代故障节点,从而维护WSN的连通性。仿真结果表明,本文方法明显改善了场强覆盖降低百分比,相比检测和替代效果较好的C₃R方法,本文方法更能节省能量,且延长了网络寿命。