人工蜂群算法的研究综述

人工蜂群算法是一种基于蜜蜂采蜜行为的新兴群体智能算法,通过不同角色蜜蜂间的交流、转换和协作来实现群体智能。基于此,首先阐述了基本ABC算法和二进制ABC算法的原理,然后针对基本ABC算法存在的不足,从四个方面综述了各种改进算法,最后对ABC算法在一些领域中的应用现状和对未来研究方向进行了概括总结。     

基于逻辑运算的离散人工蜂群算法

针对当前离散人工蜂群算法冗余度高、探索性能差、容易陷入早熟等问题,提出一种基于逻辑运算的离散人工蜂群算法.通过引入一系列的逻辑运算,一方面解决了当前离散人工蜂群算法中存在的解不更新问题,提高了算法的搜索效率;另一方面,很好地保证了搜索过程的中间解和最终解都封闭在原离散封闭集内,有效地避开了实数集与离散集间的映射问题.基于逻辑运算的离散人工蜂群算法计算简单、易于硬件实现,在基于图论着色理论的频谱分配模型上进行验证,取得了明显优于离散人工蜂群算法的收敛速度和优化性能.     

改进人工蜂群优化的K均值图像分割算法

K均值聚类在图像分割时精度较低且缺乏稳定性.人工蜂群算法在对K均值聚类进行优化后存在算法效率不高的缺点.针对以上问题,提出一种改进人工蜂群和K均值聚类的图像分割算法IABC-K.根据人工蜂群算法在蜜源更新和蜜源开采阶段的不同特点,对人工蜂群算法进行了改进.在蜜源更新阶段,采用了最优适应度关联的自适应邻域搜索机制,提高了蜜源更新速度;在蜜源开采阶段,采用了最优适应度关联的线性递减邻域搜索策略,提高了蜜源开采质量.实验结果表明:IABC-K算法在质量、效率和稳定性方面均优于其它类似算法.IABC-K算法可应用在质量和性能要求较高的图像处理领域.     

基于混沌鲶鱼效应的人工蜂群算法及应用

针对目前人工蜂群算法的早熟收敛、陷入局部极值等问题,提出一种基于混沌鲶鱼效应的改进人工蜂群算法.首先,采用随机性更高的混沌序列初始化蜂群以扩大其遍布范围;其次,集成了鲶鱼效应和混沌理论提出了混沌鲶鱼蜂,并引入了它与跌入局部极值的蜂群之间的有效竞争协调机制,从而增进蜜蜂群体跳出局部最优解、加速收敛的能力.支持向量机的学习能力主要取决于其惩罚因子C和核函数参数的合理选择,对其参数的优化可以提升其学习效果,然而现行算法均存在一定局限性.基于我们提出的改进人工蜂群算法,对支持向量机的参数进行了优化.最后,在UCI（加州大学欧文分校）数据集和行为识别真实数据集上进行了测试,验证基于改进人工蜂群算法的支持向量机具有更强的分类性能.     

基于 GPU 加速的细粒度并行人工蜂群算法

为了改善人工蜂群算法对于大规模数据、高复杂度问题的执行效率,采用开放计算语言(OpenCL )并行编程模型,提出一种基于图形处理器(GPU )加速的并行人工蜂群算法.将每只采蜜蜂映射到 OpenCL 的一个工作组,跟随蜂采用局部轮盘赌选择,使得人工蜂群算法在 GPU 中加速执行.实验结果表明,并行人工蜂群算法取得了较好的优化效果,提高了算法的运算速度.     

基于改进人工蜂群算法的多阈值红外图像分割

针对传统的多阈值红外图像分割中多阈值选取存在的效率低、计算重复等问题,提出了一种基于改进人工蜂群算法的多阈值红外图像快速分割算法.首先,在阈值选取时引入人工蜂群算法,实现多阈值的选取.然后,针对原始人工蜂群算法存在的收敛速度慢、容易陷入局部最优的缺点,分别从引领蜂搜索、跟随蜂搜索和侦察蜂搜索3个方面进行了改进,使其更快、更准地收敛于最优解.实验表明,相比于原始人工蜂群算法,改进后的算法在精度相同时速度更快,迭代次数相同时结果更接近最优解.该算法能够在保证精度的前提下高效地对红外图像进行多阈值分割,是一种可行的红外图像分割方法.     

基于混沌量子蜂群算法的认知无线电频谱分配

在图论着色模型的基础上,提出了一种基于混沌量子蜂群算法的认知无线电频谱分配方法.该算法基于人工蜂群理论,结合量子计算的高效性和混沌初始化的遍历性来实现频谱分配的优化问题.通过实验仿真比较了此算法与颜色敏感度图论算法、量子遗传算法、量子蜂群算法的性能,结果表明该算法具有更好的收敛性和网络效益.     

一种针对约束问题改进的人工蜂群算法

人工蜂群算法是基于自然界蜂群行为的一种算法,该算法已被广泛应用在不同的约束类问题,它能有效解决0-1背包等约束问题。文中提出了基于可行规则和多目标优化问题的改进人工蜂群算法。针对人工蜂群算法存在收敛速度低的缺点,提出一种针对约束问题改进的人工蜂群算法,通过改变一些参数提高算法的收敛速度。对著名的13个约束问题进行试验验证,实验表明改进的人工蜂群算法的最优解和平均解都优于原始的人工蜂群算法。     

基于改进人工蜂群算法的无人机的航迹规划

针对无人机飞行任务规划系统中的航迹规划问题,提出了一种改进的人工蜂群算法,将其应用于无人机的航迹规划。该算法将航迹规划问题转换成函数优化问题,以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制,使蜂群向更优方向进化。在雇佣蜂搜索阶段采用自适应搜索策略来加快算法收敛速度;在跟随蜂搜索阶段引入一种新的概率选择方式来保证种群的多样性;在侦察蜂搜索阶段利用混沌搜索算子提高算法的全局搜索能力。通过标准函数测试与航迹规划仿真对改进后的算法进行验证,结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于传统的人工蜂群算法,可有效解决无人机的航迹规划问题。     

基于全局无偏搜索策略的精英人工蜂群算法

针对精英人工蜂群算法（ABC_elite）加速收敛和早熟停滞现象的矛盾,提出一种改进算法（EABC_elite）.该算法通过在雇佣蜂阶段引入全局最优解加速收敛,同时通过普通个体平衡全局最优解过大的引导作用,因此全局最优解与普通个体的信息都能得到利用而算法仍能较好平衡.在观察蜂阶段引入普通个体避免算法早熟收敛.改进算法在加速收敛与防止早熟之间取得很好的平衡,总体上没有偏向任何方向,增强了ABC_elite的全局搜索能力.实验表明,改进算法的性能显著好于ABC_elite以及最近提出的几种较高水平的改进人工蜂群算法.     

基于MDPI的多维关联规则算法的研究

多维关联规则是数据挖掘中的一个重要研究方向,由此提出了一种高效的多维关联规则挖掘算法,该方法通过引入MDPI-tree(多维谓词索引树)结构,有效地将数据立方体技术和频繁项集挖掘算法FP-Growth结合起来,能用于挖掘维间和混合维关联规则.最后将此算法应用于移动通信交叉销售模型,通过实验验证算法的有效性和实用性.     

Scheduling jobs using oppositional-GSO algorithm in cloud computing environment

Cloud computing is an emerging domain that requires more algorithm and techniques for various process. The scheduling process in cloud computing platform needs a good algorithm to schedule the jobs of different users. The main objective of this approach is to develop a scheduling algorithm through iterative algorithm. Here, we use oppositional group search optimization algorithm for iterative process in cloud computing. Initially, we generate a population that contains a group of members and the members consist of the number of users and their respective jobs. The motto of our research is to schedule the user given jobs efficiently. We separate the members from the population based on the fitness function to perform different operations and to generate new members. We calculate the fitness for the new members and iterate the process until we get a stable best member for repeated iteration. Then, we schedule the jobs for the users based on the best member obtained.     

基于蚂蚁算法的无线传感器网络远程信息获取方法

为解决无线传感器网络中节点数据传输实时性与使用寿命之间的矛盾,并实现无线传感器网络的Internet远程信息获取,本文建立了适合于远程信息获取的传感器网络通信模型;在该模型基础上,借鉴蚂蚁算法在无线ad hoc网络中的应用,考虑到无线传感器网络要求能量消耗小、易损坏和移动性的特点,对蚂蚁算法进行改进,提出蚁后算法,分别从本地信息获取和远程信息获取两个角度对信息获取的可行性进行分析,使得Internet的信息获取成为可能,并提出建立新的无线传感器休眠模式,以解决无线传感器数据传输实时性和使用时间的矛盾;最后,利用网络仿真器对该算法进行了仿真,并且与SPIN协议所得的结果相对比,根据仿真结果对比分析其在能源利用和远程信息获取的可行性.     

Heteroscedastic Low-Rank Matrix Approximation by the Wiberg Algorithm

Low-rank matrix approximation has applications in many fields, such as 2-D filter design and 3-D reconstruction from an image sequence. In this paper, one issue with low-rank matrix approximation is investigated: heteroscedastic noise. In most of previous research, the covariance matrix of the heteroscedastic noise is assumed to be positive definite. This requirement restricts the usefulness of results derived from such research. In this paper, we extend the Wiberg algorithm, which originally deals with the missing data problem with low-rank approximation, to the cases, where the heteroscedastic noise has a singular covariance matrix. Experiments show that the proposed Wiberg algorithm converges much faster than the bilinear approach, and consequently avoids many nonconvergent cases in the bilinear approach. Experiments also show that, to some extent, the Wiberg algorithm can tolerate outliers and is not sensitive to parameter variation.     

Array FBG sensing and 3D reconstruction of spacecraft configuration

In this paper, a plate shape perception technique based on quasi-distributed fiber Bragg grating (FBG) array and space surface reconstruction algorithm is proposed. Firstly, in order to make curvature continuous, the bicubic plane interpolation algorithm is studied. Then, taking the simulated satellite bulkhead structure as the research object, we research the space surface reconstruction algorithm based on orthogonal curvature and coordinate transformation (translation and rotation). Finally, a four-sided fixed plate deformation monitoring system based on quasi-distributed FBG sensors network and surface reconstruction algorithm is built. Many experiments are conducted to verify the reliability and accuracy of the algorithm. The proposed algorithm provides a new method for three-dimensional reconstruction of spacecraft structure.     

电路实验数据分析挖掘技术研究

数据挖掘算法是神经网络算法中的有效算法,数据挖掘算法主要包括快速聚类、决策树、关联规则、Kohonen神经网络等算法,其研究的内容是算法模型、参数设置及相应的数据处理方法过程。通过利用数据挖掘算法,对电路实验数据的统计分析挖掘技术进行研究。目前,在电路数据分析方面数据挖掘算法的应用还是一种尝试,希望通过这种算法应用的研究,发现在电路实验数据中的有内部规律和价值的信息,从而为电路实验提供有益的帮助和指导。     

并行级联卷积码的最新进展

并行级联卷积码（Ｔｕｒｂｏ码）是近年来在编码理论上的一个重大突破，其性能与信道容量极限的差距可小于１ｄＢ。有着极其广阔的应用前景。这种编码方式的优异性能来源于其独特的码结构和迭代译码算法，使其成为一种接近随机编码的可译码。它的编译思想将对编码研究产生重要影响。本文将在编码结构，性能分析与码设计、简化算法及应用等方面对这种码的研究现状与前景作一综述。     

CMMB标准中LDPC码的译码及定点仿真研究

针对CMMB标准中的LDPC码进行了译码算法的研究,提出最小的改进算法,同时给出归一化最小和算法的定点仿真。定点仿真结果表明,输入8位量化,中间变量分别9位和10位量化,可获得与浮点相差很小的误码率性能。     

低对比度图像增强算法研究

低对比度图像具有灰度范围较窄、相邻像素的空间相关性高、灰度变化不明显等特点.文中对低对比度图像的增强问题进行研究,分析了传统增强算法对比度增强的实质和进行低对比度增强时存在的问题,针对存在的问题,在对图像二维直方图特性研究的基础上提出一种有效的解决方法,并通过实验证明了算法的有效性.     

求解贮存失效率的条件中位数算法改进

利用定期检测数据求解贮存失效率是电子产品贮存可靠性研究的重点和难点。条件中位数算法是求解贮存失效率的算法之一,但其估计性能不理想,实际应用并不多见。为了改善条件中位数算法的估计性能,对该算法进行了改进。数字仿真结果显示,改进算法的估计均值和相对估计误差明显优于改进前的条件中位数算法,可广泛地应用电子产品的贮存可靠性研究。