排序合并Join算法的新结果

Join操作是数据库中最昂贵和最常用的操作.排序合并Join算法是实现Join操作的重要算法,得到了普遍接受并广为应用.在重新研究了排序合并Join算法后发现,同时对两个Join关系进行外排序是不必要的,会带来很大的额外开销.针对这个问题,提出了一种基于单关系外排序的分治Join算法,并在该算法的基础上提出了基于单关系外排序的并行分治Join算法.理论和实验结果证明,基于单关系排序的分治Join算法高于排序合并Join算法.特别是在并行计算环境下,基于单关系排序的并行分治Join算法的效率远远高于排序合并     

检测器集合生成算法及其应用研究

为了提高阴性选择算法对车辆在线检测的速度,降低检测成本,给出了一种分段检测器集合生成算法代替原有的阴性选择算法中检测器集合生成的穷举法.该算法通过求解递归方程计算候选检测器集规模和递归求解的序号随机生成检测器两个阶段组成.该算法所占用的计算机时间量和空间量都比穷举法小的多.实际应用表明该算法优于穷举法,比穷举法节省近一半的时间.     

基于改进粒子群算法的无线传感器网络节点定位

针对传统距离矢量-跳数(DV-Hop)算法中最小二乘法的估计误差过大、粒子群(PSO)算法易陷入局部最优的问题,提出了一种改进粒子群算法与DV-Hop的融合算法。首先从粒子速度、惯性权重、学习策略、变异方面对粒子群算法进行改进,增强算法跳出局部最优的能力,提高迭代后期算法的搜索速度;然后在DV-Hop算法第三阶段采用改进粒子群算法优化节点的定位结果。仿真结果表明:相比传统DV-Hop算法、基于混沌粒子群算法的DV-Hop改进算法(MPSO1-DV-Hop)和基于改进型粒子群优化的DV-Hop算法(MPSO2-DV-Hop),该算法的定位精度高,稳定性好,适用于定位精度和稳定性要求较高的场景。     

数据聚类算法的改进及其应用

在分析和比较k平均分区算法和层次凝聚算法的基础上,提出了一种新的改进算法(NQ算法)。并以贵州民族学院近四年学生试卷数据作为测试数据,对NQ算法与k平均分区算法和层次凝聚算法进行了性能对比,实践证明:NQ算法是有效、可靠和快速的。     

求解车间作业调度问题的混合遗传算法

针对Job-Shop调度问题,将自适应遗传算法与改进的蚂蚁算法融合,提出了自适应遗传算法与蚂蚁算法混合的一种优化算法。首先利用自适应遗传算法产生初始信息素的分布,再运行改进的蚂蚁算法进行求解。该算法既发挥了自适应遗传算法和蚂蚁算法在寻优中的优势,又克服了各自的不足。实验结果表明,该算法在性能上明显优于遗传算法和蚂蚁算法,并且问题规模越大,优势越明显。     

NES-Join算法的改进算法

NES-Join算法是一种无需外排序的连接运算算法,其复杂性优于经典的Sort-Merge Join算法及改进后的SDC-Join算法.在NES-Join算法基础上提出一种改进算法,该算法能够有效压缩原算法中未匹配记录暂存块中的空记录信息,从而使NES-Join算法更具实用性.通过实验和分析表明,改进后的NES-Join算法与原算法时间复杂性相当,但显著提高了磁盘空间的使用率.     

非线性动态自适应旋转角的量子菌群算法

量子菌群算法是将量子理论引入到细菌觅食算法中的一种相对较新的组合优化算法,虽然该算法在收敛速度上取得了一些重大的进步,但是依然存在寻优时间较长的问题.鉴于此,设计一种非线性动态自适应旋转角,并将其作用于细菌觅食算法的趋化操作,提出一种非线性自适应旋转角的量子菌群算法.基准函数的性能测试验证了该算法的正确性.将所提出算法用于分数阶伺服系统的PID参数整定,整定结果表明,所提出的算法能有效地对伺服系统的PID控制器参数进行整定.     

一种动态自适应蚁群算法

针对传统蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种动态自适应蚁群算法。该算法对传统的MMAS蚁群算法中的信息素进行自适应调整。实验结果表明,该算法比传统的蚁群算法和传统的MMAS蚁群算法具有更好的搜索全局最优解的能力,并具有更好的稳定性和收敛性。     

基于贪心算法和遗传算法的仓储车辆调度算法

针对仓储车辆调度问题提出一种基于贪心算法与遗传算法的调度算法。它主要利用遗传算法为框架筛选、进化出高效的调度方案,算法又融合了贪心算法对调度中的任务排序进行了快速优化。此融合使得遗传算法的编码简便,排除了不可行解的可能,从而使得算法性能大大提高。算法已经C++语言编程实现,实验分析证明:算法有效地提升了调度方案的效率。     

随机行走的电路分析应用及并行化改进

论述了随机行走算法的基本原理,理论分析了给定允许误差和置信概率下,随机行走算法的结束条件;讨论了随机行走算法在电路分析中的应用,并结合应用实例分析了算法的性能;讨论了算法的时间复杂性和影响算法执行时间的主要因素,重点分析了算法的并行特征,提出了采用并行计算技术提高算法性能的新方法,通过与串行算法的实验比较,表明了并行计算技术是提高随机行走算法执行速度的有效方法,比现有的方法适应性更广。     

基于细菌觅食趋化算子的PSO算法*

PSO算法是模拟鸟群觅食的一种解决优化问题的仿生算法,为了避免其在优化过程中过快陷入局部极值的缺陷,提出一种新的基于细菌觅食趋化算子PSO算法。结合细菌觅食算法的局部搜索优势,将其趋化思想引入到PSO算法中。通过典型函数优化测试表明,该算法可以有效弥补PSO算法精度不高、容易陷入局部最优的缺陷。新算法是一种全局优化算法,适用于解决复杂特别是多峰不规则的函数优化。     

ALOHA标签防碰撞算法综述

ALOHA防碰撞算法是无线射频识别技术RFID（Radio Frequency Identification）中一种重要的标签防碰撞算法,该算法设计简单,容易实现,但系统吞吐率较低。其算法不断被研究改进,针对ALOHA算法及其改进算法加以详细的总结,对现在的研究方法加以理论推导、实验模拟,其中对动态帧时隙ALOHA（DFSA）算法中关键环节标签估计算法进行详细归纳。最后结合如今现状提出下一步研究方向。     

基于空间势函数加权的模糊C均值聚类分割算法

提出了一种基于空间势函数加权的FCM图像分割新算法。该方法将空间邻域的势函数信息融入到原始的FCM算法中，权重在该方法中起核心作用，它是根据最近邻(k-NN)算法的原则将势函数信息扩展到邻域像素中。算法中使用基于统计直方图的快速FCM算法进行初始化，收敛速度大大提高。实验结果表明了该方法的有效性及其对噪声的较强鲁棒性。     

Canny算子中Otsu阈值分割法的运用

Canny算子只要能适当地选择其参数就能提取物体清晰的轮廓.利用类间方差最大化阈值分割算法(Otsu)能够计算出对Canny算子性能具有决定意义的高门限值,然后将这门限值运用于Canny算子来检测物体边缘.从实验结果看,Otsu算法应用于Canny算子中门限选择,改善了Canny算子的边缘提取效果,取得了预计的成果.     

最大动态流关键弧的改进算法

针对时间容量网络的最大动态流的关键弧问题,首先分析了经典的Ford-Fulkerson最大动态流算法,在此基础上简化了最大动态流算法,并由此提出一个基于最小费用增广路来寻找最大动态流关键弧的改进算法。算法将计算新网络最大动态流时共有的最小费用路保留,去掉了自然算法中重复的计算。的效率更高。     

基于PBIL算法的物流中心选址问题研究

介绍了基于种群竞争式学习的PBIL算法的基本原理和实现方法。比较了PBIL算法和遗传算法求解过程的异同点。分析了PBIL算法在物流中心选址问题中的应用,并且通过实例验证了算法的可行性和有效性,证明了PBIL算法比遗传算法具有更高的搜索效率。     

基于复合形法的聚类遗传算法

针对标准遗传算法的未成熟收敛问题和局部收敛能力不佳等情况,提出一种基于复合形法的聚类遗传算法。通过使用复合形法结合聚类小生境技术对传统的遗传算法进行改进,得到基于复合形法的自适应聚类遗传算法（NCGA）。该算法使用FORTRAN语言进行编程,通过使用三种复杂的测试函数对其性能进行测试,并与自适应遗传算法（AGA）进行了性能比较,还分析了初始种群的优劣对算法性能的影响。测试结果表明：对于遗传算法的改进效果明显,在遗传算法中融入复合形操作能明显增强遗传算法的局部搜索能力,且聚类技术使得遗传算法的全局搜索能力得到显著增强,反向学习操作的添加能增强算法的稳定性。改进后的遗传算法的性能明显好于传统的遗传算法。     

基于BP算子的自适应混合遗传算法研究

将误差反向传播算法(BP算法)以一个算子的形式融入到遗传算法中,以提高遗传算法的优化性能.其基本思路是:在遗传算法收敛速度放慢时启用BP算子,把新一代群体作为BP算子的初始值再用BP算法训练网络,这样交替运行BP算法和遗传算法,直到达到问题要求的精度.通过对4例实验函数的优化,证明了混合遗传算法具有良好的收敛性和稳定性.实验对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度方面都有了很大的改进.     

基于多种群粒子群算法和布谷鸟搜索的联合寻优算法

为了提高动态多种群粒子群(DMS-PSO) 算法的全局搜索能力, 将布谷鸟搜索算法(CS) 引入DMS-PSO 算法中, 提出DMS-PSO-CS 算法. 采用中位数聚类算法将整个种群动态划分为若干小种群, 各个小种群作为底层种群通过PSO 算法进行寻优, 再将每个小种群中的最优粒子作为高层种群的粒子通过CS 算法进行深度优化. 将所提出算法应用于CEC 2014 测试函数, 并与CS 算法和其他改进的PSO 算法进行比较. 实验结果表明, 所提出算法能够显著提高全局搜索能力和算法效率.

     

A hybrid bat algorithm with natural-inspired algorithms for continuous optimization problem

This paper proposes a hybrid bat algorithm with natural-inspired algorithms for continuous optimization problem. In this study, the proposed algorithm combines the reproduction step from weed algorithm and genetic algorithm. The reproduction step is applied to clone each bat population by fitness values and the genetic algorithm is applied in order to expand the population. The algorithm is evaluated on eighteen benchmark problems. The computational results of the proposed algorithm are compared with the methods in the literature which are self-adaptive differential evolution (DE), traditional DE algorithm, intersection mutation differential evolution (IMDE) algorithm, and the JDE self-adaptive algorithm. Findings show that the algorithm produces several solutions obtained by the previously published methods especially for the continuous unimodal function, the quartic function, the multimodal function and the discontinuous step function. In addition, the finding shows that the proposed algorithm can produce optimal solutions efficiently on benchmark instances within short computational time.