基于遗传算法的移动自组网路由优化

对移动自组网的拓扑结构进行分析,建立其路由网络模型．将遗传算法的基本原理和移动自组 网的路由模型结合起来,提出了一种求解无线网络最优路径的算法．该方法采用可变长度染色体编码,利用 遗传算法优化路由,可以在满足系统开销最小的约束条件下寻找到最优路径．     

基于TSP的构建系统发生树的蚁群算法

受TSP问题的启发,提出一种基于TSP构建系统发生树的蚁群算法（TSP-PTC）。该算法将物种集合用一个带权图G表示,并利用蚁群算法在图中搜索一条最优路径,最终系统发生树用最优路径及距离矩阵构建而成。用该方法构建出来的系统发生树是一棵带权树,它不仅可以表示物种之间的进化关系,而且可以粗略地表示出物种之间的进化时间。     

构建系统发生树后缀表示的蚁群算法

提出一种基于后缀表示的构建系统发生树的蚁群算法(SR-PTC),该算法用蚂蚁访问物种集合以形成一个对应最优系统发生树的后缀表示序列。为构成一个合法的系统发生树的后缀表示,蚂蚁对内部结点的选择要受到限制,分别为叶结点和内部结点设置两个不同的选择概率,并用赌轮盘选择方法来决定两种结点的选择。另外,在信息素更新时,加入当前树的评价值来影响蚂蚁的运动方向。实验结果表明,此方法能得到较为准确的拓扑结构,在物种数目较小时可以较快地得到结果。     

自适应递阶遗传算法优化BP网络的程序设计

主要阐述了一种新的遗传算法-自适应递阶遗传算法的基本原理,解决了长期以来无法同时对神经网络拓扑结构和神经网络的权值和阈值进行优化的问题,设计了一个基于自适应递阶遗传算法的BP神经网络学习算法,给出了具体的程序设计,并且利用MATLAB平台进行仿真计算.实验结果表明,该算法比一般遗传算法具有明显的优越性,可以避免神经网络陷入局部最优,迅速优化网络的拓扑结构,提高了网络的学习性能,具有一定的实用性.     

基于遗传算法的双向搜索Chord算法

针对传统Chord物理拓扑和逻辑拓扑不匹配以及空间复杂度导致搜索效率低的问题,结合遗传算法和双向搜索改进算法的优点,提出了一种基于遗传算法的双向搜索Chord算法,。该算法结合遗传算法,将拓扑匹配问题看成一个旅行商问题(TSP问题),利用遗传算法寻找此问题的最优解,然后用得出的最优解构建Chord环,解决物理拓扑和逻辑拓扑不匹配的问题,在此基础上,使用双向查找算法,进一步加快查找速度。实验结果表明,该算法在查询路径长度和查找跳数上比传统的Chord算法具有更高的性能。     

系统发生树构建方法综述

介绍了系统发生树构建的传统算法,总结了近年来用于构建系统发生树的各种群智能算法,主要包括蚁群算法、遗传算法和粒子群算法等。最后介绍了目前较新的系统发生网络分析方法,并对未来发展作了展望。     

基于遗传算法的可扩展应用层组播树构建

在应用层组播中,为降低节点的路径延时,通常采用遗传算法和启发式算法来减小组播树直径的方法,但在组播树具有大规模节点数时,遗传算法收敛时间长,而采用启发式算法难以在有约束条件下达到全局最优.本文在具有超节点的双层应用层组播模型基础上,提出了利用遗传算法构建出度受限最小带权路径延时生成树（MWPL-DC-ST）的生成算法GA-MWPL-DC-ST,利用该算法可在超节点上对双层组播树进行分布式构建,从而将求最优解问题的巨大计算量分担到多个超节点上.算法中的初始化、杂交和变异阶段采用启发式算法,对变异参数进行适应性调整,加快了算法的收敛速度.仿真试验表明,本文提出的双层应用层组播模型和GA-MWPL-DC-ST算法能得到比启发式算法更优的解,与采用单层模型的遗传算法相比较,显著降低了算法收敛时间,解决了遗传算法构建有大规模节点数的应用层组播树的可扩展性问题.     

基于预处理的城市路网拓扑结构构建算法

路网拓扑结构构建是最优路径规划的基础。针对MapInfo数据格式电子地图不具备拓扑结构,且现有拓扑结构构建算法精度低、效率差等不足,提出在路网拓扑结构构建前,应用缓冲区分析技术和计算区域质点等预处理方法,对原始路网不规则的关系进行分类和道路信息补充,以此为基础创建路段和节点图层,建立路网拓扑关系。应用该算法,在VB6.0开发环境和MapInfo二次开发控件MapX支持下,实现了重庆市路网拓扑结构的构建。实验结果表明,该算法构建精度和效率明显提高。     

退火遗传算法在曲面求交中的应用

成功地将退火遗传算法与跟踪法结合应用于曲面求交算法中,通过将遗传算法与局部搜索策略相结合来提高演化效率,由于充分利用了遗传算法的全局搜索能力和内在并行性,以及跟踪法的局部快速收剑性,系统可以进行稳定可靠的交线计算,并得到正确的交线拓扑结构,对该算法各个部分进行了详细论述,并给出了在一个基于Ｗｉｎｄｏｗｓ／ＮＴ平台的原型系统ＴｉｇｅｒＳｕｒｆ中的实现和结果数据。     

基于自适应层次化聚类算法的应用层多播协议

自适应层次化聚类算法将单层拓扑映射为一个层次化结构，改善了应用层多播算法的可扩展性。但它也引入了较高的根节点度数，无法有效控制多播树的形态，不适合用于多媒体等内容的多播通信。通过“剪枝重置”和“构建顶层拓扑”操作，可以弥补自适应层次化聚类算法的缺陷。仿真试验表明，前者可以减少树的层数和同一个聚类中的节点密度；后者可以减轻多播树根节点的负担。相对于采用传统路由算法得到的单层拓扑多播树，该文得到的多播树在开销、时延和度数方面都有显著的优化。     

节点加权的Steiner树问题的降阶回溯算法

节点加权的Steiner树问题是组合优化中一个经典的NP-hard问题,现有算法研究该问题时存在时间复杂性高或无法得到最优解的缺点。针对现有算法的不足,提出了一个基于降阶技术的回溯算法。首先研究该问题的数学性质,利用数学性质对该问题进行降阶以缩小问题的规模;接着提出上界子算法和下界子算法,利用上下界子算法对该问题的解空间树进行剪枝,提高搜索效率;最后利用上下界子算法和数学性质设计了一个回溯算法求解该问题。示例分析以及实验的结果表明,该算法不仅时间复杂性较低而且可以得到问题的最优解。     

一种快速构建CAN网络拓扑算法

受二叉树思想的启发,在P2P网络拓扑管理协议T-Man和Kademlia网络快速构建算法的基础上,提出了从非结构化P2P网络快速构建CAN网络的算法。Kademlia网络为二叉树拓扑结构,CAN网络基于空间划分,由于已经提出了Kademlia网络快速构建算法,通过把CAN的空间划分方式强制定义为树图的空间划分方式,研究问题转换为由Kademlia网络的二叉树结构向CAN网络的树图结构转换及构建相应路由表的问题。实验表明,该算法能在对数的时间内构建出CAN网络。     

A method for least-cost QoS multicast routing based on genetic simulated annealing algorithm

A method for least-cost QoS multicast routing based on genetic simulated annealing algorithm (NGSA) is presented. Genetic algorithm and simulated annealing algorithm are combined to improve the computing performance in this method. The chromosomes of the multicast tree are represented by tree structure coding to save the time of conversion between encoding space and solution space. A new population initialization method is used to make sure that every chromosome in initial population is reasonable multicast tree without loops. The adaptive crossover probability is used to improve the evolutionary efficiency. The simulation results show that this method has high speed of convergence and search capability. And the problem of least-cost QoS multicast routing is solved effectively.     

基于加权浓缩树的粗糙集属性约简算法

针对基于分辨矩阵约简算法中存在冗余元素,从而导致空间存储代价高的问题,提出一种基于加权浓缩树的属性约简算法。该算法可以进一步剔除冗余元素,压缩存储分辨矩阵中的信息,并且在构建树结构的过程当中考虑了属性重要度的影响。实验结果与C-Tree及差别信息树算法进行比较,提出的算法可以获得更优的属性约简结果,有效地降低了空间复杂度。     

改进的并行关联规则增量挖掘算法

针对大数据环境下基于Can树(canonical order tree)的增量关联规则算法存在树结构空间占用过大、频繁模式挖掘效率不佳以及MapReduce集群并行化性能不足等问题,提出了一种基于粗糙集和归并剪枝方法改进的并行关联规则增量挖掘算法MR-PARIRM(MapReduce-based parallel association rules incremental mining algo-rithm using rough set and merge pruning).首先,设计了一种基于粗糙集的相似项合并策略RS-SIM(rough set based similar item merge)对数据集的相似项进行合并处理,并根据合并后的数据进行Can树构造,从而降低树结构的空间占用;其次,提出了一种归并剪枝策略MPS(merge pruning strategy)对树结构中的传播路径进行修剪合并,通过压缩频繁模式搜索空间来加快频繁项挖掘;最后,通过动态调度策略DSS(dynamic scheduling strategy)对异构式MapReduce集群中的计算任务进行动态调度,实现了负载均衡,有效提升了集群的并行化运算能力.最终的实验仿真结果表明,MR-PARIRM在大数据环境下具有相对较好的性能表现,适用于对大规模数据进行并行化处理.     

一种多空间FCM算法

FCM是经典的聚类算法,广泛地应用于模式识别、数据挖掘等领域。FCM算法是一种梯度下降优化算法,对初始解敏感并且容易获得局部最优解。空间平滑能够避免启发式局部搜索算法掉入局部最优解。采用空间平滑策略构造一系列光滑程度不同的搜索空间,在不同的搜索空间中执行FCM算法,并利用前层搜索空间的聚类结果来引导本层搜索空间的聚类。FCMS（FCM based on multi-Space）能够跳过局部最优解的“陷阱”,增大获得全局最优解的概率,达到提高聚类质量的目的。给出了等距法空间平滑策略,并通过实验对比了FCMS算法与FCM算法的聚类质量。实验结果表明,空间平滑对FCM算法非常有效。     

A fast multi-objective evolutionary algorithm based on a tree structure

This paper proposes a fast evolutionary algorithm based on a tree structure for multi-objective optimization. The tree structure, named dominating tree (DT), is able to preserve the necessary Pareto dominance relations among individuals effectively, contains the density information implicitly, and reduces the number of comparisons among individuals significantly. The evolutionary algorithm based on dominating tree (DTEA) integrates the convergence strategy and diversity strategy into the DT and employs a DT-based eliminating strategy that realizes elitism and preserves population diversity without extra time and space costs. Numerical experiments show that DTEA is much faster than SPEA2, NSGA-II and an improved version of NSGA-II, while its solution quality is competitive with those of SPEA2 and NSGA-II.     

基于Voronoi图的障碍不确定数据的聚类算法

数据采集过程中普遍存在不确定性,并且在现实地理空间中,不确定数据之间可能存在障碍物间隔。为解决障碍空间中不确定数据的聚类问题,提出APPGCUO算法,该算法包括三个过程:在障碍物约束下采用R树节点最小最大值方法提出的RPT-OUCure算法,用以生成局部最优解,提高生成局部最优解的效率;继而利用近似骨架的理论提出GIABO算法,以局部最优解生成有效初始解,避免划分聚类算法中任意初始解的不足;最后结合Voronoi图的特性提出VPT-KMediods算法,减少不确定数据的积分运算量。实验结果表明,APPGCUO算法具有较高的聚类效率和质量。     

基于线段树的高效内存管理算法及其空间优化

现有的内存管理的工作多集中在内存分配的效率上,实时性较好,但易产生内存碎片。为此,提出基于线段树的高效内存管理方法。该方法将内存地址空间划分为内存段,建立内存管理线段树,基于所建立的内存管理线段树,进行高效灵活的内存分配和回收管理,减少了内存碎片的产生。另外,针对线段树空间开销大的问题,提出了线段树空间优化的方法。实验结果表明,所提出的内存管理方法,具有效率高、产生的内存碎片少、内存管理空间开销小等优势。     

Improved genetic algorithm for generalized transportation problem

In this paper, we introduce the genetic algorithm approach to the generalized transportation problem (GTP) and GTP with a fixed charge (fc-GTP). We focus on the use of Prüfer number encoding based on a spanning tree, which is adopted because it is capable of equally and uniquely representing all possible trees. From this point, we also design the criteria by which chromosomes can always be converted to a GTP tree. The genetic crossover and mutation operators are designed to correspond to the genetic representations. With the spanning-tree-based genetic algorithm, less memory space will be used than in the matrix-based genetic algorithm for solving the problem; thereby computing time will also be saved. In order to improve the efficiency of the genetic algorithm, we use the reduced cost for the optimality of a solution and the genetic algorithm to avoid degeneration of the evolutionary process. A comparison of results of numerical experiments between the matrix-based genetic algorithm and the spanning-tree-based genetic algorithm for solving GTP and fc-GTP problems is given. This work was presented, in part, at the Fourth International Symposium on Artificial Life and Robotics, Oita, Japan, January 19–22, 1999