蚁群算法和免疫算法的融合及其应用

蚁群算法作为一种启发式算法,其参数组合一般是通过大量实验取得的。文中将免疫算法和蚁群算法相结合,即用免疫算法来求得蚁群算法中关键参数的较优组合,以增强蚁群算法的有效性。通过求解QoS单播受限路由问题的仿真实验,表明融合算法是有效的。     

遗传算法调整蚁群算法参数模型研究

由于蚁群算法参数取值范围的不确定性和参数之间的相互影响性,如何确定待解决问题蚁群算法的最优组合参数使得其求解性能最优成为一个难题,至今对该问题还没有完善的理论依据,大多数情况下是通过反复试验试凑得到。根据这些问题,通过平衡蚁群算法探索和开发能力,建立算法性能评价目标函数,采用遗传算法对蚁群参数进行求解,从而得到一组性能较佳的组合参数。基于经典TSP问题进行试验模拟,仿真实验结果表明,该模型能够有效地确定蚁群算法参数,为蚁群算法组合参数的选择提供了一种可行方案。     

蚁群模拟退火算法在测试用例约简中的应用

参数的成对组合覆盖测试技术是软件测试中有效的测试方法之一。该文将模拟退火思想引入蚁群算法,组成新的混合算法,即蚁群模拟退火混合算法(ASA),应用在组合测试用例的约简过程中。按照测试的特殊需求进行多种建模尝试,通过仿真实验对算法涉及的参数进行研究,实验验证了ASA 算法对测试用例集的约简作用是有效的。     

多态蚁群算法中多参数的组合匹配探讨

多态蚁群算法是一种新的模拟进化算法,对组合优化问题具有较强的求解能力。但如果算法中的参数选择不当,会直接影响到算法的全局收敛性和求解效率。以TSP问题为例,对多态蚁群算法中参数α、β、ρ、队Q的作用作了理论上的研究,分析了组合参数的选择对寻优结果的影响,提出了用单纯形算法来确定多态蚁群算法中多参数的最优组合方法,阐述了该方法的思想及求解问题的过程。最后进行了仿真实验,实验结果表明该方法是切实可行的。     

基于车辆路径问题的蚁群算法参数的优化

蚁群算法是一种解决组合优化问题的有效算法,已得到日益深入的研究,并逐渐得到应用。蚁群算法的一个不足是,算法参数的设置往往凭借经验,缺乏充足的依据。文章以车辆路径问题（vehicleroutingproblem,VRP）为例,从一个烟草配送的智能决策系统中抽取一定量的数据,对蚁群算法中各参数与算法收敛性之间的关系进行了大量的仿真实验,通过对实验结果的分析,给出了解决此类问题时的一种优化算法参数的方法。     

基于均匀设计的蚁群算法参数设定

蚁群算法的参数设置一直是依靠经验和试验来确定，造成试验工作量大且难以得到最优的参数组合，影响了算法的使用．通过将蚁群算法基本模型的参数设定问题描述成均匀设计中多因素多水平的试验设计．从而能够用较少的试验很快设定算法参数的取值．TSP问题的仿真试验表明，利用均匀设计得到的参数组合可使蚁群算法获得较优的运行性能．说明了该方法的可行性和有效性．     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

基于免疫记忆的蚁群算法

充分利用前期迭代中解的信息是构造高效蚁群算法实现的关键之一.文中把免疫记忆和克隆选择的思想引入蚁群算法,提出了基于免疫记忆的蚁群算法(IMBACA).算法通过在原有蚁群模型上增加一个免疫记忆库,将记忆库中的解对应为免疫记忆细胞(及其产生的抗体),将问题对应为抗原,并借鉴克隆选择和免疫记忆的思想进行解的构造和信息素更新.算法从解的质量和时间方面与传统蚁群算法进行了比较,实验结果表明,所提出的IMBACA算法可明显提高传统蚁群算法的性能,同时也为解决其他组合优化问题提出了一个新的思路.     

改进蚁群算法的TSP问题研究

蚁群算法是受蚂蚁觅食行为启发的智能仿生优化算法,在求解TSP这一组合优化问题时行之有效。笔者针对基本蚁群算法求解TSP时存在易于陷入局部最优解、过早停滞的缺陷,结合引入参数、分阶段迭代对基本蚁群算法做出改进,并将改进的蚁群算法与基本蚁群算法解决旅行商问题的实验结果进行对比分析,验证改进蚁群算法的效果。     

基于正交实验的蚁群算法在车间调度问题中的应用

提出用正交实验的方法来设置蚁群算法在求解车间调度问题的参数。蚁群算法在求解车间调度问题时的性能大部分依赖于参数的设置,各参数的值不同,则蚁群算法的收敛速度和得到的解也不同,使用正交实验的方法来测试各个参数对蚁群算法性能的影响,通过对实验结果的分析可得出参数的最佳组合方案。用经典的JSP的样例对这种组合方案进行了测试,实验结果表明用正交实验法得到的蚁群算法的参数设置方案可以加快算法的收敛速度,使算法能够得到问题的最优解或近似最优解。     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

Dijkstra的一种改进算法

在Dijkstra算法的基础上,该算法使用了一些独特的数据结构(如:前趋表和最短路径表);使用该算法能高效率地求出图中一个顶点到其它各顶点的所有最短路径。用C语言设计了相应程序验证了此算法。     

递归算法与高效算法

文章通过实例给出了采用母函数法同时解决递归算法的两个问题:复杂递归算法的时间复杂度的求解问题和递归算法到高效算法的转化问題,并由此设计出高效的组合算法.     

运用遗传算法进行智能音乐作曲研究

采用遗传算法进行算法作曲,主要利用遗传算法的全局最优性,并且相对简单有效的特点.利用简洁的编码方式对基因进行编码,有效地表达了乐曲的主要信息,方便了适应度函数的计算和相关遗传操作的进行.针对音乐质量评估问题,提出了将相关音乐知识的规则和人机交互相结合的模式,共同对所创作音乐进行合理评价.不仅提高了评价的准确性,而且大大降低了人的工作量,产生了良好的音乐工程效果.     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

一种基于PBIL算法和变焦算法的混合算法

基于群体的增量学习(PBIL)算法具有运行过程简单、解决问题快速准确的优点.本文采用二进制编码,针对二进制编码的算法从二进制最高位到最低位依次收敛的多米诺现象,提出一种变焦算法用来提高PBIL算法的搜索效率和求解精度.基于多组不同维数的Benchmark函数的仿真结果表明,混合算法具有全局收敛、求解精度及搜索效率高的优点.     

算法研究在算法教学中的应用

在算法教学中补充讲解一些综合实例,通过提出问题,分析问题,讲解问题,将算法研究的思想贯穿其中,可以培养学生的研究意识以及培养学生的发散式思维。     

算法研究在算法教学中的应用

在算法教学中补充讲解一些综合实例，通过提出问题，分析问题，讲解问题，将算法研究的思想贯穿其中，可以培养学生的研究意识以及培养学生的发散式思雏。     

基于SAC的特征选择算法

特征选择通过移除不相关和冗余的特征来提高学习算法的性能。基于进化算法在求解优化问题时表现出的优越性能,提出FSSAC特征选择方法。新的初始化策略和评估函数使得SAC能将特征选择作为离散空间搜索问题来解决,利用特征子集的准确率指导SAC的采样阶段。在实验阶段,FSSAC结合SVM,J48和KNN分类器,通过UCI数据集完成验证,并与FSFOA,HGAFS,PSO等算法进行了比较。实验结果表明,FSSAC可以提高分类器的分类准确率,且具有良好的泛化性能。除此之外,对FSSAC和其他算法在特征空间维度缩减情况方面做了对比。     

递归算法的非递归化研究

1 引言在工程实际中,有许多概念是用递归来定义的,数学中的许多函数也用递归来表达。一个递归算法的执行过程类似于多个函数的嵌套调用,只是主调函数和被调函数是同一个函数而已,在执行过程中,信息的传递和控制的转移必须通过栈来实现,这就导致空间耗费大,执行效率较低,尤其是当递归深度较深时,不但耗费的空间大而且执行的效率也相当低,这是递归算