基于蚁群算法的分类规则问题

在分类规则学习的领域中,许多问题都可以看作是优化问题,它们既可以用经典的分类规则算法进行求解,也可以用蚁群算法中的蚂蚁矿工算法来解决.利用蚁群算法中的自适应,并行分布式处理等特性可在整个分类规则学习中寻找到最优解,通过对一个分类规则问题实例的计算,表明该方法也是解决此类问题的一种有效途径.     

单变量边缘分布算法与蚁群算法的混合算法收敛性分析

智能混杂算法是当前智能优化算法的研究热点,可以融合多种优化算法的优势,提高算法的性能。单变量边缘分布算法具有大范围快速全局搜索能力,但不能很好地利用系统中的反馈信息;蚁群算法是一种并行的分布式正反馈系统算法,但其初期信息素匮乏,求解速度慢。将单变量边缘分布算法与蚁群算法相结合,可以优势互补。基于上述思想,提出一种基于单变量边缘分布算法与蚁群算法混合的算法,并运用马尔科夫随机过程理论对该算法的收敛性进行了分析,结果表明了该算法的优化解满意值序列是单调不增的和收敛的。     

基于蚁群算法的旅行商问题的研究

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。对以蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点。蚁群算法在实际的生活中有很大的用处,比如求解旅行商问题,本文介绍了一种求解复杂TSP的蚁群算法,阐述了该算法的基本原理及实现过程,并且在本文中尝试用编码的形式将基本蚁群算法应用到求解旅行商问题中去。     

基于蚁群算法的旅行商问题的研究

群居性昆虫行为的研究为计算机科学家提供了设计分布式控制和优化算法的有力方法。对以蚁群算法为代表的群集智能的研究已经逐渐成为一个研究热点。蚁群算法在实际的生活中有很大的用处,比如求解旅行商问题,文章介绍了一种求解复杂TSP的蚁群算法,阐述了该算法的基本原理及实现过程,并且在本文中尝试用编码的形式将基本蚁群算法应用到求解旅行商问题中去。     

目标数据关联的分布式推理判决研究

分布式分类系统理论是用来解决分布式缠绕判决分类问题(DID)的理论。本文首次把分布式推理判决理论引入数据融合中的目标数据关联问题,详细描述了分布式目标数据关联推理判决系统的基本原理和系统结构,并在此基础上设计了相应的算法。该算法分为两个阶段即初步推理判决阶段和分布式推理判决阶段,最后对算法进行了讨论。     

无线传感器网络的蚁群自组织算法

探测效能与能量节省的综合性能优化是无线传感器网络研究的一个热点问题.提出了一种分布式、自适应的无线传感器网络蚁群自组织算法,将无线传感器网络节点映射为情绪蚂蚁,通过蚁群间的协同对节点的唤醒概率进行群体智能优化,从而实现无线传感器网络自组织,并以定理的形式给出了性能指标和相关参数的设计方法.仿真表明,算法实现在唤醒较少节点的前提下,对目标保持了较好的探测能力.     

蚁群聚类算法在客户关系管理中的应用

蚁群算法是优化领域中一种新兴的生物进化算法,与传统的算法相比,其具有并行、正反馈和启发式搜索等特点.在此,运用蚁群聚类算法对客户关系管理中的客户分类问题进行分析.结果表明,通过此算法对企业的客户消费数据进行分类,以此来获取不同类型客户的需求,对支持企业决策方面有着极为重要的理论参考价值和实际应用意义.     

基于遗传蚁群算法配电网重构

为应对分布式电源对配电网带来的变化,寻求更好的电能质量和网络损耗,以网损为目标函数,建立配电网重构数学模型。针对遗传算法的早熟现象和蚁群算法前期寻优速度慢的劣势,将遗传算法和蚁群算法进行融合,利用遗传算法快速全局寻优能力为蚁群算法提供所需的信息素对配电网重构问题进行寻优求解。为了克服二进制编码在处理配电网闭环建造,开环运行时带来维数灾,运用基于环网的自然数编码方式,通过节点度的大小来判断配电网的拓扑可行性。将含分布式电源接入IEEE33节点系统进行仿真,结果表明该算法具有较好的全局寻优能力和快速收敛速度。     

蚁群算法收敛性验证系统的研究与实现

蚁群算法是一种新型的仿生优化算法,具有较强的鲁棒性、优良的分布式机制、并行性以及正反馈等特点。目前蚁群算法已涉及众多应用领域,在解决复杂优化问题上具有较多优越性。文中深入研究了蚁群算法的性能及机制,分析了参数对算法性能的影响。在理论研究的基础上,实现了蚁群算法的仿真实验;通过Java绘图界面形象完整地展现出整个收敛的过程,验证了蚁群算法的收敛性;通过对参数的调试、组合,得到了最佳的收敛效果。该系统的实现对今后收敛性的研究打下了基础。     

目标数据关联的分布式推理判决研究

分布式分类系统理论是用来解决分布式缠张判决分类问题（ＤＩＤ）的理论,本文首次把分布式推量判决理引入数据融合中的目标数据关联问题,详细描述了分布式目标数据关联推理判决系统的基本原理和系统结构,并在此基础上设计相应的算法,该算法分为两个阶段即初步推理判决阶段和分布式推理判决阶段,最后对算法进行了讨论。