群智能理论及应用

作为一种新兴演化计算技术，群智能已成为新的研究热点，它与人工生命，特别是进化策略和遗传算法有着极为特殊的联系，已完成的理论和应用研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法．更为重要的是，群智能的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证．本文介绍了群智能理论的产生和发展过程，并着力阐述了两种典型算法；微粒群算法和蚁群算法的基本原理以及研究现状．     

群智能在网络路由中的研究及存在问题

本文介绍了当前网络路由中常用的计算智能方法,针对当前研究的现状提出了在群智能算法融合中需要解决的实际问题。进一步给出了群智能算法路在路由应用研究的方向,有助于算法早日规范,形成实际的路由协议。     

微粒群优化算法在协同建筑设计中的应用

介绍了群体智能的特点、算法以及基于群体智能的多agent协同设计系统模型。重点介绍微粒群优化算法的原理,工作流程。最后,以一个建筑外观设计为实例,介绍了算法在协同建筑设计组装过程中的应用。     

群智能优化算法在路径规划中的应用

本文对群智能的理论内涵进行分析,然后从人工鱼群算法、蚁群算法以及粒子群算法三个角度分析群智能优化算法在移动机器人规划中的应用现状,然后对以上三种算法的性能做比较。     

群智能微粒群算法及参数分析

微粒群算法是继蚁群算法之后提出的又一种新型的进化计算技术,具有典型的群智能的特点。文中首先介绍了微粒群算法的基本原理、流程,在算法参数分析的基础上,运用测试函数对粒子在寻优过程中的轨迹的进行研究,有利于探讨微粒群算法的收敛性,全局和局部平衡性以及算法稳定性和复杂程度,对算法参数的选择提供有效的指导和借鉴意义。     

智能优化的微粒群算法研究

微粒群算法是移动计算主体与群体的选择中，符合智能计算，以群体为操作单元的一种演化方法。它起源于对简单社会系统的模拟，由单一个体组成的群体与环境以及个体之间的互动行为，从而产生可预测的群体行为，这种方法优化了个体的行为策略。研究了微粒群优化算法，指出了该算法的研究进展，以此启发更深入的理论和应用研究。     

蚁群算法在智能优化考试题库中的应用

传统的练习题库常常会给出十几套甚至几十套复习题,但是学生在练习的过程中,往往很多知识点是重复的,比如IF语句的嵌套,学生在第一套题中已经做对了,表明学生已经掌握了这个知识点,但是在后面几套题中反复出现。学生需要对已经掌握的知识点进行反复练习,类似已经掌握的知识点的内容也同样不断地出现,然而学生没有掌握的知识点,做错一次,在后续练习中可能出现也可能不出现,对学生而言,需要加强的练习,并没有得到增强。针对这个问题,文章提出将蚁群算法引入到考试系统中,通过智能优化后的系统较之以前的系统,知识点的针对性更强,学生的提高更快。     

智能路径优化方法综述

智能路径优化方法可以被用于现代工程领域的路径选择、资源分配、经济评估等各个方面。为了便于根据实际情况进行算法选择,文中针对几种常用的智能路径选择优化方法进行了一定的分析研究。首先,阐述了几种不同算法的理论研究情况并给出了这些算法的基本实现流程,即:禁忌搜索算法、模拟退火算法、蚁群算法、粒子群算法、蜂群算法。对不同算法进行了优缺点对比。最后,分析了不同的算法的实际应用领域,提出了智能优化算法的发展趋势。     

三种基于进化技术的优化算法及其对比

进化算法（EA）是模仿自然界生物进化或物种的社会行为而产生和发展的随机搜索方法，这种算法能够解决许多传统方法无法解决的大规模优化问题。本文简明介绍了三种基于进化的优化算法：遗传算法、蚁群优化算法和微粒群优化算法，并在原理、参数和应用方面对它们进行了对比。     

粒子群优化算法及其应用

粒子群优化（PSO）算法是一种新颖的演化算法，它属于一类随机全局优化技术，PSO算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而又功能强大。介绍了基本的PSO算法、研究现状及其应用，并讨论将来可能的研究内容。     

基于群体智能的自组织运动控制综述

文中阐述了群体、群集、群体智能、群体控制以及群体系统等相关概念,综述了基于群体智能的自组织运动控制的相关研究工作和研究内容,包括群体控制系统模型的发展历程、群体控制中的各种群集控制策略和控制算法、群体控制系统的系统行为表现以及基于群体控制扩展的各类智能优化算法。最后文中提出了群体自组织运动控制研究的发展趋势。     

粒子群蚁群融合算法的火灾救援路径研究

为获取最优的救援路径,以提高救援的有效性和实时性,文中提出了一种粒子群蚁群融合算法。该算法在分析影响路径选择因素的基础上,运用模糊数学中的层次分析法评定了道路的权重,建立了消防灭火救援模型;使用粒子群算法快速获取次优解,将此次优解作为蚁群算法的初始信息素增量,并将求解出各段路径权重矩阵引入到优化后的蚁群算法状态转移概率的求解模型中来,再利用这种改进后的状态转移规则,且考虑行车速度时变性的基础上求解出模型的最优解。实验结果表明,该方法可以完成最佳救援路径的规划。     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

基于蚁群优化算法的路由协议的研究

生物仿真学群集算法在路由中有广泛的的应用,为了充分利用网络资源,降低拥塞程度,提出了一种基于蚁群优化算法的Ad Hoc网络负载均衡路由算法Pro-antnet,通过对蚂蚁收集到的网络信息所对应的参数赋予不同加权值的方法对路由表进行控制,有效地缓解了网络的拥塞问题。该算法具有良好的分布式特性,能为网络提供多条备用路径,增强网络的抗毁性。     

粒子群优化算法的研究现状与发展概述

粒子群优化算法(PSO)是基于群体智能的一种优化算法。该算法简单易于实现,可调参数少,得到了广泛的研究和飞速发展。介绍了PSO提出的背景、PSO的思想和原理,分析并总结了PSO的优缺点。根据PSO算法研究侧重点的不同,总结了PSO算法的发展现状及特点,分析并展望了PSO还需要完善或继续研究的问题,展望了PSO的研究热点及发展趋势。     

网络柔性重构的智能机理浅析

作为可重构网络结构调整的方式,柔性对于服务效果与应用要求“一致匹配”至关重要,但当前的研究并未清晰地回答支持网络柔性重构的内在工作机理.在说明重构方式应服务于效果与要求“一致匹配”这一核心目标的基础上,本文揭示了柔性重构的渐变跟随特征,分别从知识驱动和功能结构、网络功能的跨层交互、合作感知和分布式智能4个方面,具体阐述了支持结构柔性的内在工作机理和结构,针对受性能约束的路由这类小尺度非线性优化问题,强调了采用蚁群优化这种以“涌现”形式表达最优解方法的优势和意义.     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

一种多策略融合的多目标粒子群优化算法

为提高多目标粒子群算法在解决复杂多目标优化问题中的整体性能,提出一种多策略融合的多目标粒子群算法.该算法采用均匀化与随机化相结合的方式初始化种群,在粒子速度更新中新增一扰动项,运用简化的k-最近邻方法维持档案以及对档案个体赋予生存期属性并动态调整生存期值.实验结果表明,在GD和SP性能指标上,本文算法与另外5种对等算法在ZDT和DTLZ系列测试问题上进行对比,其表现出了总体显著性的性能优势.     

面向车路群智协同的运营测试融合体系

当前群体智能正在从狭义向广义的业态扩展,车路群智协同是发展趋势,而规模化运营测试是车路群智协同规模商用的基础。传统的集中式智能架构不能很好地应对交通环境复杂性和不确定性带来的通信和计算问题,基于去中心化的群体智能的架构,研究不完备信息环境下的车路协同的运营与测试体系,以泛在的"群智"应对环境中的不确定性。提出了面向车路群智协同的运营测试融合体系,通过全面认知、可靠通信和博弈学习等关键技术,实现车路要素之间的协同交互,以高效支撑运营测试。     

改进型粒子群算法解决多维背包问题

微粒群优化算法(PSO)是一种基于种群的随机优化技术.将EDA算法与PSO算法结合起来,形成一种新的改进的算法(EPSO).算法将全局统计信息和全局最优解运用于解空间搜索,以期能更有效解决组合优化问题,最后将EPSO算法用于解决多维背包问题并进行了对比仿真实验.实验结果表明,在解决多维背包问题上,EPSO优于传统的PSO算法以及多种启发式智能算法,与此同时,EPSO算法使用更少的参数,因此更容易实现,运行更加稳定,效果更好.