基于人工蜂群算法的支持向量机参数优化及应用

为了解决常用的支持向量机(SVM)参数优化方法在寻优过程不同程度的陷入局部最优解的问题,提出一种基于人工蜂群(ABC)算法的SVM参数优化方法。将SVM的惩罚因子和核函数参数作为食物源位置,分类正确率作为适应度,利用ABC算法寻找适应度最高的食物源位置。利用4个标准数据集,将其与遗传(GA)算法、蚁群(ACO)算法、标准粒子群(PSO)算法优化的SVM进行性能比较,结果表明,本文方法能克服局部最优解,获得更高的分类正确率,并在小数目分类问题上有效降低运行时间。将本文方法运用到计算机笔迹鉴别,对提取的笔迹特征进行分类,与GA算法、ACO算法、PSO算法优化的SVM相比,得到了更高的分类正确率。     

基于差分变异算子的改进人工蜂群算法

文章针对传统人工蜂群算法收敛速度慢、精度不高的问题,基于差分进化算法中的变异算子,对人工蜂群算法搜索方程进行改进,在种群更新过程中引入当前种群最优个体信息,以提升算法的收敛速度和局部优化能力。     

基于四阶累积量和简化粒子群的盲分离算法

针对线性混合盲信号分离问题,本文提出一种基于四阶累积量和简化粒子群优化的盲信号分离新算法。该算法采用信号的四阶累积量作为目标函数,运用简化粒子群优化算法对目标函数进行优化,最终实现对混合信号的盲分离。仿真结果表明,该算法能够有效实现对会议语音混合信号的盲分离,跟其他算法相比,具有更快收敛速度和分离精度。     

超密集网中一种基于人工蜂群的节能分簇算法

超密集网络中,密集部署的低功率基站将会加大系统的能耗,并且造成紧缺频谱资源的浪费.探寻干扰协调和系统节能的可行性方法在超密集网络架构下提出基站的休眠—唤醒—活跃机制,减小了休眠基站直接转为活跃状态的开启时间;另外,提出一种基于人工蜂群染色分簇算法,尽可能使用最少的颜色给拓扑图中的小区染色,并对簇内活跃基站进行优化功率分配.经仿真表明,休眠—唤醒—活跃机制能够提升系统的能源效率,染色分簇算法也可以改善用户的频谱效率和吞吐量.     

人工蜂群算法研究综述

人工蜂群算法是近年来群智能方向的研究热点.首先介绍了蜂群算法的思想,然后从Markov链角度证明了蜂群算法的收敛性,从算法改进和算法应用两个方面对蜂群算法的研究现状进行了总结,与其他算法进行了优缺点的对比,最后指出了蜂群算法进一步研究的方向.     

基于自适应惯性权重粒子群优化的多跳频信号盲源分离

针对跳频通信中多跳频信号的盲源分离问题,提出了一种基于自适应惯性权重粒子群的盲源分离算法。该算法将分离信号的负熵作为目标函数,依据迭代前后每个粒子适应度值间差值自适应地调节惯性权重。把适应度值变差的粒子惯性权重设成零,以消除惯性分量不利影响,这样可以减少无效迭代次数,提高收敛速度。应用于盲源分离时,比经典算法分离效果好且克服了激活函数选取难题。实验结果表明该算法用于多跳频信号盲分离时性能稳定且收敛速度快,与经典算法比较优势明显,为智能算法在盲源分离方面的研究提供了一定的参考。     

基于细菌群体趋药性的有序盲信号分离算法

提出了一种基于细菌趋药性的细菌群优化算法。将探测判断策略和优势细菌随机扰动策略引入细菌群体的进化过程,解决了细菌个体在进化后期处于随机摄动状态而难以定位于全局最优位置的问题。通过使用测试函数对算法性能进行测试以及同其他算法的比较表明,所提出的算法在收敛速度和求解质量方面均有很好的性能。进一步将细菌群优化算法应用于解决盲信号分离问题,实现了对源信号的逐一有序盲分离。仿真实验表明,基于细菌群优化算法的盲信号分离算法具有很好的分离效果,可以将源信号按照其规范四阶累积量绝对值的降序进行有效分离。     

改进的变步长维纳系统盲源分离方法

基于非线性盲源分离的维纳系统算法中,采用固定步长导致算法的收敛速度和稳态误差之间存在矛盾,直接影响分离算法的性能。为了解决该问题,提出了基于非线性函数的变步长维纳系统盲源分离方法。该方法将更新的步长以非线性函数的形式引入到分离算法中,使得稳态时参数更新的步长尽可能小,以避免发生振荡。变步长算法在分离过程中的每次更新都会使步长自动进行合理的调整,使得收敛速度提高了53%,误差减小了45%。实验仿真表明,相对原算法,提出的维纳系统盲源分离方法可以更好地分离出信源信号,而且具有较小的误差和较快的收敛速度。     

改进的蜂群算法评定空间直线度误差

建立了直线度误差的最小区域评定模型,提出了一种改进的蜂群算法并将其应用到直线度误差评定中。阐述了基本蜂群算法的原理,给出了评定直线度的目标函数,利用混沌序列的全局遍历性,混沌初始化蜜源位置,以期提高蜂群算法的鲁棒性。比较改进蜂群算法与两种典型群智能算法的实例计算结果,证明该算法评定球度误差时不仅收敛速度快、评价精度高,而且鲁棒性高,适用于形位误差的优化评定。     

LBAA: A novel load balancing mechanism in cloud environments using ant colony optimization and artificial bee colony algorithms

Recently, cloud computing has been recognized as an effective paradigm for offering an on-demand platform, software services, and an efficient infrastructure to cloud clients. Due to the exponential growth of cloud tasks and the rapidly increasing number of cloud users, scheduling and balancing these tasks among involved heterogeneous virtual machines becomes an Non-deterministic Polynomial hard (NP-hard) optimization problem considering significant constraints, such as high rate of resource usage, low scheduling time, and low implementation cost. Therefore, various meta-heuristic algorithms have been widely used to tackle the issue. The current paper proposes a novel load balancing mechanism using the ant colony optimization and artificial bee colony algorithms, called LBAA, which aims to balance the load division among systems in data centers. The simulation outcomes confirm that our algorithm outperforms previous works regarding response time, imbalance degree, makespan, and resource utilization up to 25%, 15%, 12%, and 10%, respectively.     

利用盲源分离算法实现DOA估计

提出一种基于快速盲源分离算法实现波达方向（DOA）估计的方法。构造了具有对角化结构的相关矩阵组,引入解盲源分离问题的联合对角化代价函数,采用一种快速的复数域乘性迭代算法求解代价函数,得到混迭矩阵逆的估计,进而实现DOA估计。与同类算法相比,该算法具有更广的适用性和更精确的DOA估计性能。仿真实验结果验证了算法的快速收敛性和优越的估计性能。     

融合改进人工蜂群和K均值聚类的图像分割

针对人工蜂群优化的K均值算法易陷入局部最优、搜索精度不够、分割图像不够细致等问题,本文融合自适应人工蜂群和K均值聚类,提出了一种新的图像分割算法。算法首先利用距离最大最小乘积对种群进行初始化;其次采用自适应搜索参数动态调整邻域搜索范围,使人工蜂群算法快速收敛于全局最优;然后将人工蜂群输出的所有蜜源进行K均值聚类,克服K均值聚类结果对初始聚类中心的依赖,再将聚类划分结果进行Powell局部搜索,加快算法收敛的速度,将得到的新聚类中心更新蜂群中蜜源位置。最后,将本文算法与其他两种同类分割算法进行试验对比。实验结果表明:与其他两种算法相比,本文提出的分割算法在保证运行时间的前提下,分割准确率比其他两种算法分别至少提高了3.5%和4.8%,表现出了较高的分割质量。     

改进的自然梯度盲源分离算法在非平稳环境中的应用

对于传统的自然梯度算法,在处理非平稳信号时,在步长更新迭代过程中,非平稳信号变化幅度过快而导致分离矩阵幅度变化的不稳定,从而影响分离效果。针对此问题,结合变步长的思想,本文提出了基于正交约束的自然梯度盲分离算法,该算法主要对恢复信号进行约束,通过使用瞬时误差有目的地控制变步长,从而加快算法收敛速度且提高了分离精度,同时保证了非平稳环境下分离过程的稳定性。结果表明,正交约束下的盲源分离算法可以高效地分离出非平稳环境下的源信号。     

一种基于盲源分离的雷达抗干扰技术

如何提高雷达的抗干扰能力一直是雷达信号处理的一大问题，问题的解决可以使雷达的检测和跟踪能力得以提高。在日趋复杂的信号环境下，传统的信号处理方法的局限性愈来愈大。本文通过对雷达信号处理过程和盲源分离技术的分析研究，提出采用基于盲源分离的多步处理抗干扰方法进行雷达抗干扰信号处理，可使雷达在复杂背景下具有更强的抗干扰能力。仿真试验结果证明这种新的雷达抗干扰处理方法是可行和令人满意的。     

改进人工蜂群算法在数字图像相关中的应用

针对人工蜂群算法存在的收敛速度较慢,易陷入局部最优解的问题,提出一种改进的人工蜂群优化算法,并应用于数字图像相关的整像素位移搜索中。该算法借助相关度值的变化来动态调整跟随蜂的搜索步长,平衡其全局和局部的搜索能力;侦察蜂利用遗传算法的交叉运算产生新解,改善全局搜索能力。实验结果表明,改进的算法能有效地提高收敛速度,改善整像素位移搜索的性能。     

一种基于Levy-人工蜂群的三维Otsu阈值分割算法

针对图像分割过程中三维Otsu算法运算时间长、计算量大的问题,提出了一种基于Levy-人工蜂群算法的三维Otsu阈值分割算法。首先,以像素灰度值-邻域均值-邻域中值的三维类间方差作为人工蜂群算法的适应度函数;其次,采用Levy飞行模式评价像素的适应度,对其种群更新及邻域搜索过程进行优化,以增强其全局搜索能力;最后,利用改进后的算法得到的分割阈值对图像进行分割。仿真实验结果表明,与传统三维Otsu阈值分割算法相比,所提算法能够有效降低图像存储空间,处理时间降低了30.8%,具备更好的抗噪性能,分割效果也更为理想。     

基于复Givens矩阵与蝙蝠优化的卷积盲分离算法

针对传统卷积混合盲分离待求参数多、分离效果易受分离矩阵初值影响的局限性,提出了基于复Givens矩阵与蝙蝠优化的频域求解算法。算法采用复Givens矩阵表示分离矩阵,减少了待求参数,降低了求解难度和计算量。利用蝙蝠算法代替梯度算法优化求解旋转角度完成各频点线性瞬时混合复信号的盲分离,全局收敛性更强。此外,由于对源信号的先验知识要求较少,可以分离服从多种分布的信号。仿真实验表明,该算法可有效地实现卷积混合盲分离。     

基于人工蜂群优化算法的光谱形复用技术

光纤布喇光栅(FBG)在构成大型传感网络时,由于光源带宽有限会出现光谱重叠的问题.提出了一种人工蜂群(ABC)算法及改进ABC(IABC)算法的解调技术,结合谱形复用技术与IABC算法对光谱重叠中的各个光栅的波长进行识别,并对多个FBG传感系统进行实验仿真与分析.实验结果表明:IABC算法在多FBG传感复用系统中的解调...     

基于人工蜂群算法的基站天线方位角与下倾角自优化方法

针对3GPP中提出的SON(self-organizing network,自组织网络)覆盖自优化问题,提出一种基于人工蜂群算法的基站天线方位角与下倾角同时优化方法。首先,基站根据用户设备上报的MR(measurement report,测量报告)数据确定待优化区域,并建立以基站天线对待优化区域的平均增益为目标函数的优化模型;其次,利用人工蜂群算法求解该目标函数,并得到基站天线方位角与下倾角的最优解;最后,将基站天线方位角与下倾角调整至最佳值,实现基站根据用户设备位置的覆盖自优化。通过系统建模、仿真与外场实验,以用户设备接收的RSRP(reference signal receiving power,参考信号接收功率)为指标,利用人工蜂群算法的计算方法较未优化的初始参数提升6.81 dB,较依靠人工经验的判别方法提升4.35 dB。实验结果证明,提出的自优化方法可根据用户位置分布精准及时地对基站天线方位角与下倾角进行调整,提升用户对信号强度的感知。     

Improved artificial bee colony algorithm for large scale colored bottleneck traveling salesman problem

In the fields such as intelligent transport and multiple tasks cooperation, the model scale constructed by colored bottleneck traveling salesman problem (CBTSP) tends to large scale, and therefore it is necessary to study the large scale CBTSP and its algorithms. An improved artificial bee colony algorithm (IABC) was applied to solve the large scale CBTSP. IABC employed generating neighboring solution (GNS) to improve artificial bee colony algorithm for CBTSP. GNS generated new solution by deletion and reinsertion operations, during this process, and it can optimized the existed solution for this problem. Experiments show that IABC can demonstrate better solution quality than other compared algorithms for large scale CBTSP.