深度优先搜索求解网络单源最短路径算法

提出在深度优先搜索过程中采用标记当前搜索位置离起始点最短距离方法,有效地实现了求解复杂网络的单源最短路径问题.通过对运算效率的分析,表明该算法通过优化改进可以达到理想的运算效率;模拟了不同规模的含障碍网络(182～13770个节点),其单源最短路径的求解运算平均效率为O(kV)(其中k≤18,V为路节点数),等同于用改进后的最优Djkstra算法求解效率O(mlogn).报告了一个具有现实应用价值和更具潜在研究价值的深度优先搜索智能算法.     

传感器网络中单源单汇路由问题的模型与算法

路由问题是无线传感器网络中的核心问题之一,寻找从源到汇的最小费用路径非常困难。蚁群优化算法是最近提出的求解复杂组合优化问题的启发式算法,该算法能够在完全分布式环境下对复杂问题进行求解。文章建立了无线传感器网络中单源单汇路由问题的数学模型,并给出了基于蚁群优化的求解算法。     

改进启发式蚁群算法求解电网规划优化问题

研究了电网规划的优化问题。针对传统电网规划问题在计算过程中,由于物理参数和特定参数取值的广泛性,使得对整个电网网络全局搜索能力较差,收敛速度较慢,易出现陷入局部最优和停滞现象。为了解决上述问题,提出一种改进启发式蚁群算法求解电网线路规划问题。改进算法先建立电网网络体系模型,利用启发式蚁群算法对全局进行搜索,并通过信息素挥发因子的动态参数调节以提高路径的搜索能力和搜索概率,提高了对全局搜索精度,并要求对搜索路径进行求解并反复迭代,对局部更新方式进行重新组合,从而确定了电网网络线路规划问题的最优解。仿真结果表明,在求解过程中可以有效地提高计算精度,加快全局收敛速度,降低了计算的复杂度,增强了电网网络的鲁棒性和稳定性。     

基于粒计算的双权网络分层算法

复杂网络环境下数据分布优化问题是个NP问题,但由于大多复杂网络有层次性特征,在此情形下可降低优化问题计算复杂性。应用粒计算理论提出了一种双权分层网络数据分布优化模型和算法,将双权复杂网络映射成一个分层网络,在分层网络上计算数据优化解。算法的时间复杂度为O（C×n2）。仿真实验表明,算法能够得到数据分布优化的满意解,且可通过调整子网络的粒度达到实际应用的需求。     

国际航线网络中K条最短路径算法改进与仿真

K条最短路径(KSP)问题是国际航线网络实际路径优化问题。通过对航线网络特征与K条最短路径算法的分析,研究了解决KSP问题的典型Yen算法。针对Yen算法求解候选路径占用大量运算时间的问题,提出一种改进Yen算法。改进Yen算法通过借助A*算法的启发式策略,减少了产生候选航线路径的时间,从而提高了算法的搜索效率并减小了算法搜索的规模。通过对国际航线网络实例的仿真,实验结果表明改进Yen算法能够快速求解国际航线网络中的KSP问题;同时,与Yen算法相比,运算效率提升了75.19%以上,能够为航线路径优化提供决策支持。     

一种基于改进蚁群算法的网络路由优化方法

随着网络日趋复杂,网络路由优化问题成为一个难点。本文针对在不同网络如何保证服务质量的问题,提出基于蚁群算法的网络优链路搜索算法。利用蚁群的正反馈性,依据信息素浓度随机且有效选取下一个节点,快速选出最短路径。仿真结果表明,提出方法与原始蚁群算法相比,在路径求解速度中提高了约40%,最优解的精度提高了约30%,改善了网络的传输效率。     

基于多中心城市策略的分层元胞遗传算法

为提高分层元胞遗传算法在解决复杂函数优化问题时的求解精度、收敛速度和求解效率.在分层元胞遗传算法的基础上借鉴西方经济理论中中心城市思想提出了一种基于多中心城市策略的分层元胞遗传算法.该算法在进化初期选择适应度值高的多个个体作为种群进化过程中的中心城市,中心城市周围元胞空间的个体按照一定的迁移规则往中心城市迁移,全局最优...     

基于强化学习的交通情景问题决策优化

在复杂交通情景中求解出租车路径规划决策问题和交通信号灯控制问题时,传统强化学习算法在收敛速度和求解精度上存在局限性;因此提出一种改进的强化学习算法求解该类问题。首先,通过优化的贝尔曼公式和快速Q学习（SQL）机制,以及引入经验池技术和直接策略,提出一种改进的强化学习算法GSQL-DSEP;然后,利用GSQL-DSEP算法分别优化出租车路径规划决策问题中的路径长度与交通信号灯控制问题中的车辆总等待时间。相较于Q学习、快速Q学习（SQL）、、广义快速Q学习（GSQL）、Dyna-Q算法,GSQL-DSEP算法在性能测试中降低了至少18.7%的误差,在出租车路径规划决策问题中使决策路径长度至少缩短了17.4%,在交通信号灯控制问题中使车辆总等待时间最多减少了51.5%。实验结果表明,相较于对比算法,GSQL-DSEP算法对解决交通情景问题更具优势。     

改进萤火虫算法性能分析及其在WSNs网络覆盖中的应用

对改进萤火虫算法性能及其在WSNs网络覆盖优化中的应用问题进行了研究。分析了基本萤火虫算法的全局收敛性,针对其收敛效率低的缺陷,给出了算法改进策略,并证明了改进的萤火虫算法以概率1收敛于全局最优解,在此基础上,提出了基于萤火虫优化的网络覆盖算法,建立了以网络均匀度及网络覆盖率为准则的数学模型,推导了节点冗余度与网络覆盖率之间的关系,给出了节点休眠策略,并将节点部署划分成不同的阶段,在每个阶段,分别采用改进的萤火虫算法对模型进行求解,进而得到无线传感器网络最优覆盖,最后对经典测试函数和WSNs网络覆盖问题进行实验仿真,仿真结果表明改进的算法具有更加理想的运算结果,而且能有效地给出WSNs网络覆盖优化方案。     

Q学习和蚁群优化混合的无线传感器网络移动代理路由算法

针对无线传感器网络移动代理路由问题,提出了Q学习和蚁群优化混合的无线传感器网络移动代理路由算法。该算法综合了Q学习和蚁群优化算法思想,引入了新的路径选择概率模型,并对最优路径进行了有效的维护。仿真实验结果表明:该算法有效地提高移动代理选路效率,满足不同任务对时延的要求,增强了最优路径的可靠性,进一步降低了网络能耗。     

基于k-shell的复杂网络最短路径近似算法

复杂网络最短路径经典算法的处理效率较低，不适用于大规模复杂网络，而现有近似算法通用性有限，且计算准确率不理想，不能满足规模日益扩大的复杂网络中的最短路径计算需求。针对于此，提出基于[k]-shell的复杂网络最短路径近似算法。算法利用节点的[k]-shell值进行网络划分并引导搜索路径，利用超点聚合处理[k]-shell子网来降低路径搜索中节点和连边的规模，通过在路径搜索过程使用双向搜索树方法提高算法的计算效率和准确率。实验结果表明，算法通用性较好，在现实与仿真大规模复杂网络中均具有较高的计算效率和准确率。     

基于量子粒子群的BP网络用于入侵检测

针对遗传算法、粒子群算法等BP网络的学习算法对高维复杂问题仍易早熟收敛,且无法保证收敛到最优解。把量子粒子群算法应用于BP网络的学习中,并把改进BP网络用于入侵检测。通过KDD99CUP数据集分别对基于不同学习算法的BP网络进行了实验比较,结果表明:该算法的收敛速度较快,可在一定程度上提高入侵检测系统的准确率和降低的误报率。     

基于条件互信息和概率突跳机制的贝叶斯网络结构学习算法

贝叶斯网络分类器的精确构造是NP难问题,使用K2算法可以有效地缩减搜索空间,提高学习效率。然而K2算法需要初始的节点次序作为输入,这在缺少先验信息的情况下很难确定;另一方面,K2算法采用贪婪的搜索策略,容易陷入局部最优解。提出了一种基于条件互信息和概率突跳机制的贝叶斯网络结构学习算法(CMI-PK2算法),该算法首先利用条件互信息生成有效的节点次序作为K2算法的输入,然后利用概率突跳机制改进K2算法的搜索过程来提高算法的全局寻优能力,学习较为理想的网络结构。在两个基准网络Asia和Alarm上进行了实验验证,结果表明CMI-PK2算法具有更高的分类精度和数据拟合程度。     

K2 ＆ HC 结构学习算法

贝叶斯网络理论在人工智能领域发挥着重要作用。贝叶斯网络从数据中学习知识的能力使得它在医学、故障诊断、预测等领域的应用迅速发展起来。结构学习算法成为贝叶斯网络的重要研究方向,它能够有效分析变量之间依赖关系,合理挖掘数据和知识。K2算法评分性能突出,而爬山算法能有效弥补K2评分法的解空间过于复杂的问题。论文结合K2评分函数和爬山策略,提出了K2＆HC算法。同时,K2＆HC算法在爬山策略中融入了回溯原理,解决了贝叶斯结构学习算法中存在的收敛于局部最优的问题,合理优化了算法的性能。同K2和K2SA算法进行仿真对比,得出在精度和收敛速度综合性能上K2＆HC表现突出的结论。     

基于改进蝙蝠算法和三次样条插值的机器人路径规划

为更好地解决移动机器人路径规划问题, 改进蝙蝠算法的寻优性能, 拓展其应用领域, 提出了一种具有反向学习和正切随机探索机制的蝙蝠算法. 在全局搜索阶段的位置更新中引入动态扰动系数, 提高算法全局搜索能力; 在局部搜索阶段, 融入正切随机探索机制, 增强算法局部寻优的策略性, 避免算法陷入局部极值. 同时, 加入反向学习选择策略, 进一步平衡蝙蝠种群多样性和算法局部开采能力, 提高算法的收敛精度. 然后, 把改进算法与三次样条插值方法相结合去求解机器人全局路径规划问题, 定义了基于路径结点的编码方式, 构造了绕避障碍求解最短路径的方法和适应度函数. 最后, 在简单和复杂障碍环境下分别对单机器人和多机器人系统进行了路径规划对比实验. 实验结果表明, 改进后算法无论在最优解还是平均解方面都要优于其他几种对比算法, 对于求解机器人全局路径规划问题具有较好的可行性和有效性.     

基于改进位置社交的近邻知识推荐算法

信息过载是当前各类网络中存在的普遍问题,社交网络中通过推荐算法为用户推荐感兴趣的内容,但该类算法并不适用于学习网络中存在特定逻辑联系的知识点推荐。结合社交网络及LBSN网络中的兴趣点推荐算法,提出了一种面向学习网络相关知识点的改进LBSN推荐算法,通过学习网络中的相似用户计算及知识路径发现,为用户推荐当前学习相关的近邻知识点,并通过实验数据证明了学习网络中加入学习推荐对学习者效率及学习质量提升的效果。     

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。     

面向大学课程时间表的并行多视图搜索算法

针对大学课程时间表问题,提出一种基于改进迭代局部搜索的并行多视图搜索算法进行求解。依据课程时间表问题特性设计包含八种基础邻域的多邻域集,并根据提升速度比制定基邻域选择概率设置规则。在迭代局部搜索过程中,运用多视图学习策略对多个局部搜索步骤进行视图共享,及时调整搜索方向以提升搜索效率。通过并行计算思想对算法优化,提升多视图搜索的收敛速度。实验结果表明,提出的算法求解精度更佳,且具有优异的扩展性和并行效率。     

基于模糊粒子群算法的有向传感器网络路径覆盖策略*

建立有向传感器节点模糊感知模型,利用模糊数据融合规则减少网络不确定区域.对于有向传感器网络路径覆盖问题,提出基于模糊粒子群算法的有向传感器网络路径覆盖增强算法,将n维求解问题转化为一维求解问题,以提高单个传感器节点净覆盖域为目的,提高网络覆盖率.仿真结果表明,对于感知方向可连续调节的有向传感器网络节点,在随机部署情况下与现有算法对比,文中算法能有效提高有向传感器网络路径覆盖率,并且具有较快的收敛速度,延长网络生存期.     

改进蚁群算法求解两地间时间最优路径

为提高蚁群算法的运算效率,提出一种改进的蚁群算法来求解问题。研究中中引入阀值排序算法对搜索路径进行优化,解决了蚁群算法前期搜索路径的盲目性问题。改进的蚁群算法加快了收敛速度,并提高了稳定性。经仿真试验证明,改进蚁群算法性在减少算法的迭代次数和提高解的稳定性方面有了较大的提高,并且能很好的用于求解路径时间最优问题。