一种改进的关联规则增量式更新算法

针对增量式更新关联规则算法FUP会产生大量候选项集和多次扫描数据库的问题,提出改进算法PFUP。该算法借鉴强频繁项集概念,利用强频繁项集连接生成小数量的候选项集,采用预剪枝策略减少对数据库的扫描次数。仿真实验表明,在数据库和支持度相同的情况下,PFUP算法的执行时间比FUP算法减少了50%左右。     

并行的关联规则增量式更新优化算法研究

针对关联规则快速更新算法（PFUP）会带来单处理机运行负荷过重、降低执行效率的问题,提出基于并行计算快速更新算法（PPFUP）。在无共享的工作站上,通过划分局部频繁项集并分配到结点,采用并行思想处理原数据库和新增数据库的计算任务,降低单处理机内存压力。实验证明了该算法的有效性。     

基于模糊控制的权重决策灰狼优化算法

针对灰狼优化算法后期收敛速度慢,求解精度低等问题,提出一种基于模糊控制的权重决策灰狼优化算法.首先,提出一种新的非线性收敛因子,以提高算法的全局搜索能力及收敛速度;其次,提出一种基于模糊控制的权重决策策略,通过模糊控制器对决策层的个体赋予不同权重进行种群位置更新的决策,增强算法的寻优能力.选取23个标准测试函数对该算法及对比算法进行数值实验,实验结果表明,本文提出的改进的灰狼优化算法在求解精度和算法稳定性等指标优于对比算法.     

竞选优化算法实现及其仿真研究

研究寻找一种合适的优化算法是求解复杂优化问题成功的关键.传统数值方法对初始值的选择很敏感并需要对函数求导,许多现有的现代优化算法则存在容易陷人局部最优解或收敛速度较慢、计算效率较低的问题.一种新的智能优化竞选算法是模拟人类竟选活动中追求更高支持率所蕴涵的优化思想而建立的一种新的启发式优化算法.首先提出了算法的原理和实现...     

灰狼与郊狼混合优化算法及其聚类优化

郊狼优化算法(Coyote optimization algorithm, COA)是最近提出的一种新颖且具有较大应用潜力的群智能优化算法, 具有独特的搜索机制和能较好解决全局优化问题等优势, 但在处理复杂优化问题时存在搜索效率低、可操作性差和收敛速度慢等不足. 为弥补其不足, 并借鉴灰狼优化算法(Grey wolf optimizer, GWO)的优势, 提出了一种COA与GWO的混合算法(Hybrid COA with GWO, HCOAG). 首先提出了一种改进的COA (Improved COA, ICOA), 即将一种高斯全局趋优成长算子替换原算法的成长算子以提高搜索效率和收敛速度, 并提出一种动态调整组内郊狼数方案, 使得算法的搜索能力和可操作性都得到增强; 然后提出了一种简化操作的GWO (Simplified GWO, SGWO), 以提高算法的可操作性和降低其计算复杂度; 最后采用正弦交叉策略将ICOA与SGWO二者融合, 进一步获得更好的优化性能. 大量的经典函数和CEC2017复杂函数优化以及K-Means聚类优化的实验结果表明, 与COA相比, HCOAG具有更高的搜索效率、更强的可操作性和更快的收敛速度, 与其他先进的对比算法相比, HCOAG具有更好的优化性能, 能更好地解决聚类优化问题.     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

智能优化算法的应用研究

优化问题广泛存在于各个领域,对该问题的求解问题从没停止过.自从优化问题提出以来,人们提出了各种各样的智能优化算法.文中简要介绍了遗传算法、蚁群算法、模拟退火算法3种智能优化算法,并简述其优缺点及应用研究的使用情况.     

基于衰减因子和动态学习的改进樽海鞘群算法

樽海鞘群算法是一种新型的群智能优化算法.与其他智能优化算法相比,樽海鞘群算法的优化求解策略仍有待改进,以进一步提高该算法的求解精度和寻优效率.本文提出一种基于衰减因子和动态学习的改进樽海鞘群算法,通过在领导者更新阶段添加衰减因子,提高算法的局部开发能力,在跟随者更新阶段引入动态学习策略,提高算法的全局搜索能力.本文对16个测试函数进行实验,将提出的改进算法与其他智能优化算法比较,实验结果表明,本文提出的改进算法在收敛精度和收敛速度方面有较大提升,具有良好的优化性能.     

群智能优化算法研究

群智能优化算法是一种新型的优化算法。该文介绍了几种常见的群智能优化算法,包括粒子群优化算法、蚁群优化算法、人工免疫算法、人工鱼群算法,分析了它们的优缺点及使用情况,提出了群智能优化算法的发展方向。     

一种基于教与学的混合灰狼优化算法

针对灰狼优化算法(GWO)存在收敛精度不高、易陷入局部最优的不足,提出一种基于教与学的混合灰狼优化算法(HGWO).首先,采用佳点集理论进行种群初始化,提高初始种群的遍历性;其次,提出一种非线性控制参数策略,在迭代前期增加全局搜索能力,避免算法陷入局部最优,在迭代后期增加局部开发能力,提高收敛精度;最后,结合教与学算法(TLBO)和粒子群优化算法,修改原位置更新公式以优化算法搜索方式,从而提升算法的收敛性能.为验证HGWO算法的有效性,选取9种标准测试函数,将HGWO算法、GWO算法以及其他群体智能优化算法和其他改进GWO算法进行仿真实验.实验结果表明,所提出的HGWO算法性能优于GWO算法和其他群体智能优化算法,且在改进算法中具有一定优势.     

一种关联规则更新算法

针对数据库数据同时删减和增加，文章分阶段解决了关联规则的维护更新问题，其中通过改进PFUP算法，解决了频繁新项集的问题。     

基于图象分层优化二元树结构表示的图象处理基本算法

在图象分层优化二元树结构表示的基础上,给出了图象分层优化二元树结构表示的图象 处理基本算法:点搜索算法、邻域查找算法及同级灰度查找算法,试验结果表明,该结构表示 比线性四元树结构表示及指针四元树结构表示相应算法查找速度要快.     

基于JPS改进的移动机器人路径规划算法

针对跳点搜索（jump point search,JPS）路径规划算法在大尺度复杂场景下存在内存资源消耗较大、路径结果平滑度较低且路径过于靠近障碍物等问题,提出融合安全势场等级函数与优化Floyd算法的改进JPS算法。首先建立了安全等级函数对栅格地图中的栅格状态进行重新赋值构建安全等级地图;然后改进了启发式函数,引入目标与主方向两项偏置函数项结合安全等级函数项,进一步减少对称性搜索带来的时间消耗,改善了所规划路径的安全程度。其次通过添加二次平滑算法流程优化了Floyd算法;最后结合B-spline样条插值法,进一步提高了改进算法所规划路径的平滑程度。仿真实验验证了改进优化算法在内存资源消耗、路径长度、路径平滑程度以及路径安全程度都有显著提升。     

单纯形和人口迁移的混合全局优化算法

针对基本人口迁移算法具有易早熟和精度不高等缺陷,利用人口迁移算法随机产生的点采用单纯形法进行优化,提出了一种基于单纯形法和人口迁移算法的混合全局优化算法。通过典型的测试函数Shaffer,验证了改进后算法的性能,并与10种类型的粒子群优化算法进行比较,结果表明,该文算法能获得比较好的解,收敛成功率高达100%。     

九位不同数字乘法等式的优化算法

对“九位不同数字构成乘法等式”的问题进行研究分析,深入探讨其解决方案,根据NP 问题穷举算法设计的 常规思路,设计了一种更加优化的穷举算法,实验证明该算法是正确高效的。     

双混沌机制优化方法及其应用

为了克服混沌优化方法在缩小优化变量的搜索空间前所进行的盲目搜索，提出一种具有双混沌机制的优化方法。该方法同时利用两种不同的混沌机制在搜索空间进行搜索，根据搜索情况来缩小搜索空间。该方法能够改善算法的通用性，避免了针对不同的优化函数选择搜索参数的缺点。仿真结果表明，该方法的搜索效率明显高于普通的混沌优化方法。     

入侵检测系统中高效模式匹配算法的研究

在分析入侵检测系统中常用模式匹配算法的基础上,对BM(Boyer-Moore)算法进行了改进优化,提出了一种高效的单模式匹配算法-BMB(BM using Block)算法.并通过实验方法对BMB算法进行了性能检测.     

WSN中节点定位算法的混合优化研究

针对质心和 PDM 定位算法存在的节点定位误差大及能耗高等方面的不足,提出一种改进的混合优化定位算法,该算法不但降低了附加节点的定位误差而且大大减小了能量的消耗。通过 NS-2仿真软件对节点的定位误差等方面进行仿真验证,结果表明了优化后的算法的定位误差率比之前的定位误差率明显减小,且锚节点的数量越多定位越准确。从仿真实验的结果显示出该优化后的定位算法稳定且易于实现,同时改善了定位误差和能耗水平,达到了所要求的目标。