一种快速的贝叶斯网结构学习算法

贝叶斯网是不确定性问题知识表达和推理中最重要的一个理论模型．迄今为止人们提出了许多贝叶斯网结构学习算法，基于约束满足和评分搜索相结合的混合方法是其中的一个研究热点．以I—B＆B—MDL为基础，提出了一种快速的学习算法．新算法不仅利用约束知识来压缩搜索空间，而且还用它作为启发知识来引导搜索．首先利用0阶和少量的1阶测试有效地限制搜索空间，获得网络候选的连接图，减少了独立性测试及对数据库的扫描次数，然后利用互信息作为启发性知识来引导搜索，增加了B＆B搜索树的截断．在通用数据集上的实验表明：快速算法能够有效地处理大规模数据，且学习速度有较大改进．     

一种混合的贝叶斯网结构学习算法

贝叶斯网是人工智能中一个重要的理论模型,也是现实世界中不确定性问题建模的重要工具.针对贝叶斯网的结构学习问题,提出了一种将约束满足、蚁群优化和模拟退火策略相结合的混合算法.新算法首先利用阈值自调整的条件测试来动态地压缩搜索空间,在加速搜索过程的同时保证学习的求解质量;然后在基于MDL的蚁群随机搜索中引入模拟退火的优化调节机制,改进了算法的优化效率.实验结果验证了所提策略的有效性,与最新的同类算法相比,新算法在保持较快收敛速度的前提下具有更好的求解质量.     

改进蚁群算法的机器人路径规划研究

针对基本蚁群算法收敛速度慢,易陷入局部最优解等问题,提出一种静态障碍环境下的改进蚁群算法.利用A*算法来设定信息素初始值,提高算法初始阶段搜索效率;采用新的信息素更新规则,并且动态调整启发函数和信息素挥发速率,加快算法的收敛速度,扩大搜索空间.仿真实验表明,与其他算法在相同情况下比较,改进算法在路径相同的情况下拥有较快的收敛速度以及较高的稳定性,且在不同复杂度的环境中均能得到最优路径,验证了其有效性和可靠性.     

基于改进蚁群算法的物流配送路径求解

蚁群算法是受自然界中蚁群觅食行为启发而提出的一种智能优化算法,通过介绍蚁群搜索食物过程中基于信息素的最短路径的搜索策略.以及蚁群算法在VRP问题中的应用,给出了用于求解物流配送路径问题的蚁群算法.并针对蚁群算法在求解过程容易陷入局部最优的情况,提出了算法改进的措施.     

一种改进的机器人路径规划的蚁群算法

针对具有复杂回旋地形结构的机器人路径规划问题, 提出了一种改进的蚁群算法. 该算法引入自适应迁移概率函数实现蚁群具有正、反向运动的能力, 改善了算法的曲折迂回能力; 能见度信息中引入距离启发因素和障碍相交检测机制, 完成路径搜索与避障过程有机结合, 提高算法的搜索效率; 引入贪婪信息素更新策略和节点信息素分布, 降低了数据存储量, 改善了路径规划的效果和算法的收敛速度. 基于不同算法的比较仿真实验, 数值结果证实了该算法的有效性.     

基于进化蚁群算法的移动机器人路径优化

针对蚁群算法进行路径规划中出现的运行时间长、搜索效率低和容易出现死锁的问题,提出一种基于达尔文进化论思想的蚁群算法.首先,针对空白栅格搜索效率低的问题,提出一种蚁群算法简易模式;然后在启发函数中引入目标影响因子和障碍物影响因子以提高算法的全局搜索能力,避免陷入死锁;最后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度,缩小运行时间.在不同规模的栅格地图环境下的实验表明,所提出的进化蚁群算法能够加快迭代速度,提高搜索效率,实现最优路径并避免算法死锁问题.     

基于改进蚁群算法的高速公路协同救援路径规划

针对高速公路多点协同救援路径规划问题,文章综合考虑路段行驶时间和路径安全性两个优化目标,设计路径评价函数.根据高速公路救援的特点,引入"助手结点"的概念来设置信息素初始浓度;引入搜索角、结点直线距离和安全因素设计了启发函数;使用随机选择机制来优化状态转移规则;最后引入奖励机制设计了信息素更新规则,通过这四个方面改进了蚁群算法.在此基础上,建立多点协同救援模型,采用表上作业法确定救援车辆派遣方案.仿真实验结果表明,改进的蚁群算法和原始的蚁群算法相比,不但收敛速度更快,而且优化了全局最优解.改进的蚁群算法与表上作业法的结合,实现了多救援点协同救援的路径规划功能.     

改进型蚁群算法的语音动态规划研究

针对语音识别中动态时间规整(DTW)对语音端点检测精确性过度依赖、识别时间长及识别效率低等问题.为提高语音识别精度和效率,采用改进型的蚁群算法来处理动态时间规划间题,核心是对基本蚁群算法采用自适应的挥发系数,动态信息素更新策略.用新的状态转移规则以及最优的蚂蚁参数选择等改进方法,使能在较短的时间内能寻找到最佳路径,提高执行效率.仿真实验分别测试了传统DTW算法和基于改进蚁群算法的DTW算法的识别率,结果表明,新算法的全局搜索能力、准确性都优于传统的DTW算法,能有效的提高语音识别系统的效率.     

一种定向式挖掘的连续域蚁群算法

针对蚁群算法在求解连续域优化问题时存在复杂度较大、迭代次数较长等问题,提出了一种用于连续域寻优的改进蚁群算法。改进的蚁群算法通过对解空间定向式挖掘来实现全局快速搜索。给出了新算法仿真实验步骤,并将改进后的蚁群算法与其他连续域蚁群算法以及其他智能优化方法进行仿真对比实验。详细的测试结果表明,改进后算法具有优良的全局优化性能,收敛速度也有很好的提升。     

蚁群算法优化策略综述

对于求解TSP问题,新型的启发式算法——蚁群算法,是成功解决此类问题核心的算法之一。本文简要介绍了几种启发式算法并引出蚁群算法,并对蚁群算法基本原理、常用算法进行了深入的研究,并介绍了一种新的优化策略。     

一种融合多源信息的脑效应连接网络蚁群学习算法

脑效应连接(Effective connectivity, EC)网络是人脑连接组研究中一项重要的研究课题, 识别脑效应连接网络已成为评价正常脑功能及其与神经退化疾病相关损伤的一种有效手段. 针对从功能性磁共振成像数据中进行脑效应连接网络的学习问题, 提出了一种将多源信息与蚁群优化过程相融合的学习方法. 新方法首先利用弥散张量成像数据获取感兴趣区域的结构约束信息, 并利用正相关的皮尔森信息来压缩蚁群搜索的空间, 以避免蚁群的许多不必要的搜索; 然后在蚁群随机搜索中通过将体素联合激活信息融合于启发函数中, 以增强蚂蚁搜索的目的性, 改进算法的优化效率. 实验结果验证了所提策略的有效性, 与最新的同类算法相比, 新算法在保持较快收敛速度的前提下, 具有更好的求解质量.     

Improved ant colony optimization algorithm based on RNA computing

RNA computing is a new intelligent optimization algorithm, which combines computer science and molecular biology. Aiming at the weakness of slow convergence rate and poor global search ability in the basic ant colony optimization algorithm due to the unreasonable selection of parameters, this paper utilizes the combination of RNA computing and basic ant colony optimization algorithm to overcome the defects. An improved ant colony optimization algorithm based on RNA computing is proposed. In the iterative process of ant colony optimization algorithm, transformation operation, recombination operation and permutation operation in RNA computing are introduced to optimize the initial parameters including importance factor of pheromone trail α, importance factor of heuristic function β and pheromone evaporation rate ρ to improve the convergence efficiency and global search ability. The performance of the algorithm is evaluated on five instances of the library of traveling salesman problems (TSPLIB) and six typical test functions. The experimental results demonstrate that the proposed RNA-ant colony optimization algorithm is superior than basic ant colony optimization algorithm in optimization ability, reliability, convergence efficiency, stability and robustness.     

变尺度混沌蚁群优化算法

将变尺度混沌搜索算法融合到蚁群算法中,并用于求解连续空间优化问题。蚁群算法每一次迭代结束时,就使用混沌搜索算子在当前全局最优解附近搜索更好的解。而随着蚁群算法的进行,混沌算子搜索范围逐渐缩小,这样,混沌算子在蚁群搜索的初期起到防止陷入局部最优的作用,在蚁群搜索后期起到提高搜索精度的作用。将变尺度混沌蚁群优化算法用于求解函数优化问题的实验结果表明,该算法在求解包括欺骗性函数和高维函数在内的多种测试函数优化问题方面具有很好的效果。     

改进蚁群算法求解旅行Agent问题

利用蚁群算法来求解TAP问题是解决移动Agent迁移策略的一种有效途径。旅行Agent问题是复杂的组合优化问题,蚁群算法作为一种新的生物进化算法,具有并行、正反馈和启发式搜索等特点,适合求解NP难问题。在蚁群算法的基础上,提出分泌多种信息素的改进蚁群算法来求解旅行Agent问题,动态反应了节点服务能力和网络负载的变化,使迁移更具有灵活性。实验结果表明了该文算法的可行性。     

基于粒子群优化的蚁群算法在TSP中的应用

结合粒子群算法的问题,提出用混合蚁群算法来求解著名的旅行商问题.问题的核心是应用粒子群算法对蚁群算法的控制参数:启发式因子、信息素挥发系数、随机性选择阈值进行优化,以及运用蚁群系统算法寻找最短路径.新算法对于蚂蚁算法中的参数调整大大减低,减少了大量盲目的实验,力求在开发最优解和探究搜索空间上找到平衡点.对旅行商问题的仿真实验表明,新算法的优化质量和效率都优于传统蚁群算法和遗传算法,接近理论最佳值.新算法也可推广用于其他NP问题的求解.     

求解连续空间优化问题的量子蚁群算法

针对蚁群算法只适用于离散优化问题的局限件和收敛速度慢的问题,提出了求解连续空间优化问题的量子蚁群算法.该算法每只蚂蚁携带一组表示蚂蚁当前位置信息的量子比特;首先根据基于信息素强度和可见度构造的选择概率,选择蚂蚁的前进目标;然后采用量子旋转门更新蚂蚁携带的量了比特,完成蚂蚁的移动;采用量子非门实现蚂蚁所在位置的变异,增加位置的多样性;最后根据移动后的位置完成蚁群信息素强度和可见度的更新.该算法将量子比特的两个概率幅部看作蚂蚁当前的位置信息,在蚂蚁数日相同时,可使搜索空间加倍.以函数极值问题和神经网络权值优化问题为例,验证了算法的有效性.     

运输调度问题的蚁群算法研究

蚁群算法是一种用于求解复杂组合优化的较新的启发式算法.本文简述了蚁群算法的基本原理及算法模型,通过分析研究现状指出了蚁群算法在实际应用中的局限性,最后给出解决一般运输调度问题的蚁群算法,并分析了其今后的发展方向.     

基于路径交换的求解TSP混合蚁群算法

将蚁群算法与局部搜索优化算法结合，可抑制蚁群算法早熟收敛问题，并能提高蚁群算法的收敛速度。通过建立有效的局部搜索优化算法的参照优化边集，提高其求解质量和效率；引入路径交换策略提高蚁群算法的收敛速度和寻优能力。实验结果表明改进的混合蚁群算法能求解规模在2000个城市以内的旅行商问题的全局最优解。     

蚁群协同模式搜索算法及其收敛性分析

提出了一种解决无约束连续空间优化问题的蚁群协同模式搜索算法.该算法通过目标函数值启发式信息素引导群体进行区域搜索,而每个个体的模式搜索为算法提供进一步的局部搜索,其搜索结果以信息素融合的方式进行信息共享,为下一次的区域搜索提供依据.通过随机模式搜索算法理论得出了算法的收敛性定理.详细的测试结果体现算法的涌现智能特征,与其他算法的比较结果说明了算法的有效性及群体协同的优势.