基于交叉突变算子的人工蜂群算法及其应用

人工蜂群（artificial bee colony,ABC）算法在解决多峰函数优化问题时经常会陷入局部最优,使得算法过早停滞,而在解决单峰问题时往往出现收敛速度过慢的问题。针对上述不足,为了进一步提高算法的优化性能,提出了一种基于交叉突变的人工蜂群（intersect mutation ABC,IMABC）算法。IMABC算法将整个蜂群依据其适应度值优劣进行划分,引入种群划分参数,对不同种群中的个体运用交叉突变算子,有效地平衡了种群的局部开采与全局探测能力,避免早熟收敛和提高收敛速度。从对基本函数的测试上可以看出,IMABC相对于GABC、IABC、ABC/best等改进的ABC算法,优化能力有了较大的提高。最后,将IMABC用于优化K-means算法,验证了该方法具有一定的实用性。     

一种基于改进支持向量机的入侵检测方法研究

提出基于粒子群优化（Particle Swarm Optimization,PSO）算法和支持向量机（Support Vector Machines,SVM）的入侵检测方法,为优化SVM性能,使用PSO的全局搜索特性寻找SVM的最优参数[C]和[σ];为避免PSO算法陷入局部最优,引入变异操作,找到最优参数组合后进行基于PSO_SVM入侵检测算法的训练和检测,解决了入侵检测系统准确度难题。仿真实验表明该方法的检测率为92.8%,误报率为6.911 9%,漏报率为9.708 7%,对KDDCUP竞赛的最佳结果有一定程度的提高,实验结果验证了该算法的有效性和可行性。     

基于自适应蜂群优化的DBSCAN聚类算法

针对传统的DBSCAN（Density-Based Spatial Clustering of Application with Noise，DBSCAN）聚类算法全局参数设置不合理、参数选取困难、无法识别重叠模块的问题，以及人工蜂群优化算法（Artificial Bees Colony，ABC）后期收敛速度慢、易陷入局部最优等缺陷进行了研究，提出一种基于自适应人工蜂群优化DBSCAN的聚类算法IABC-DBSCAN。该算法将截断选择机制与锦标赛选择机制相结合，提出一种截断-锦标赛选择机制（Truncation-Championship Selection Mechanism，TCSM），以增强种群多样性、避免跟随蜂选择蜜源陷入局部最优的缺陷；提出一种自适应步长策略（Adaptive Step Strategy，ASS）动态调整跟随蜂的搜索方式，以提高算法局部搜索能力和聚类速度；根据改进的IABC算法动态调节DBSCAN算法中的最优参数，将蜜源位置对应[ε]邻域，蜜源的适应度大小对应DBSCAN的聚类效果，并在多种测试函数和数据集上进行验证。实验结果表明，该算法不仅有效克服ABC和DBSCAN算法的缺陷，且正确率和召回率均有较大提高。     

基于改进局部搜索策略的人工蜂群算法

针对人工蜂群算法在函数优化问题求解过程中容易陷入局部最优,收敛速度慢的缺点,提出了一种基于改进局部搜索策略的人工蜂群算法。该算法中跟随蜂采用基于当前最优解的混沌局部搜索策略,侦查蜂采用基于当前最优解的自适应侦查策略,并使其局部搜索范围随着迭代次数的增加逐渐减小,从而提高了人工蜂群算法的局部搜索能力,有效地避免了其陷入局部最优。6个测试函数的仿真实验结果表明,与传统的人工蜂群算法相比,改进后算法的求解精度和收敛速度明显提升。     

基于Nelder-mead单纯形法的改进人工蜂群算法研究

针对现有的人工蜂群算法（Artificial Bee Colony,ABC）在进化速度和求解质量方面难以兼顾的缺点,提出一种基于Nelder-mead单纯形法的改进人工蜂群算法（Nelder-Mead Simplex Method based Improved Artificial Bee Colony,NMSM-IABC）。在迭代过程中,该算法周期性地将单纯形算子得到的最优个体迁移到人工蜂群算法的蜂群中,或将蜂群中的最优蜜源信息迁移到Nelder-mead单纯形算法中。旨在ABC借助NM-SM提高局部搜索能力,NM-SM借助ABC跳出局部最优点,达到两者协同搜索。再者,为了进一步加快收敛速度,在ABC中采用一种改进的跟随蜂搜索策略,并对产生侦察蜂的关键参数进行灵敏度分析。最后,通过6个典型的多维测试函数对算法进行仿真测试。结果表明：提出的算法有效地避免了陷入局部最优,提高全局搜索能力和搜索精度,有较快的收敛速度,是一种较好的协同搜索算法。     

基于双层进化的多种群并行人工蜂群算法

针对人工蜂群算法(ABC)容易陷入早熟收敛等不足,引入文化算法双层进化结构和多种群并行进化思想,提出基于双层进化的多种群并行人工蜂群算法(PMABC)。将采蜜蜂群划分为具有不同搜索策略的子种群并行进化,平衡全局开发能力与局部搜索能力,避免算法过早陷入局部最优。采用双层进化结构,采蜜蜂群作为种群空间寻找可行解,追随蜂群作为信仰空间,记忆采蜜蜂群搜索的优质蜜源并继续搜索。将其搜索结果用于指导蜂群寻优,可加速算法收敛,提高收敛精度。通过6个经典的适应度测试函数仿真验证了该算法能够有效避免陷入局部最优,具有较快收敛速度和较高收敛精度。     

基于人工蜂群智能技术的属性异常点检测

为了解决数据库属性异常点检测方法时间复杂度大并且查准率和查全率不高的问题,提出了新的基于人工蜂群优化技术(artificial bee colony,ABC)和O-measure度量(一种评估属性异常点的度量)相结合的属性异常点检测方法,模拟人工蜂群随机搜索较优的食物源能力发现属性异常点。针对群体智能算法检测属性异常点会陷入局部收敛的缺陷,提出使用模拟退火技术让人工蜂群跳出局部最优解而找到全局最优解的算法。该算法通过蜂群在二维数据平面上搜索食物源,计算所经过路径上的数据项O-measure适应度,从中寻找最优解(即属性异常点)。实验结果表明,所提算法较之前的算法耗时短,且提高了检测的准确率和查全率。     

基于中心解的改进人工蜂群算法

为了解决人工蜂群(ABC)算法在用于函数优化时所具有的局部探索能力不强、收敛精度不高的问题,提出一种基于中心解的人工蜂群算法。该算法结合中心解和当前最优候选解的优点,并将中心解引入到跟随蜂的局部变异策略中。跟随蜂采用轮盘赌的形式,选择某些适应度值较好的蜜源,在雇佣蜂中心解的基础上深度局部寻优,并在每次迭代中逐维更新蜜源每一维度的值。为了验证该算法的有效性,选择六个基准测试函数对三种算法进行仿真对比实验。与标准ABC算法和Best-so-far ABC算法相比,改进的ABC算法的求解精度有较大幅度提高,特别是对于Rastrigin函数,两种不同维数下均达到了理论最优值。实验结果表明:所提算法在收敛速度和寻优精度上都有明显改善。     

求解函数优化问题的改进人工蜂群算法

标准人工蜂群算法由于局部搜索能力差,收敛精度低,容易陷入早熟收敛等缺陷,从而求解最小值函数优化问题的能力受到限制。为了解决标准人工蜂群算法的以上问题,提出了一种改进的人工蜂群算法。该算法将混沌算子引入雇佣蜂和跟随蜂基于当前最优解的局部搜索策略中,并赋予跟随蜂细菌的趋药性,从而
　　提高了人工蜂群算法的局部搜索能力。在6个测试函数上的仿真结果表明,该算法能有效地避免陷入局部最优,并使收敛精度得到显著提高。     

基于CBC算法的瓦斯突出预测模型研究

人工蜂群(ABC)算法易陷入局部极小点,搜索精度不高且算法收敛速度慢。为此,提出一种改进的混沌蜜蜂群(CBC)算法,修改ABC算法的食物源位置更新公式,引入混沌搜索机制进行局部搜索。将CBC算法应用于瓦斯突出预测中,建立神经网络预测模型,实验结果证明了该模型的有效性。     

NES-Join算法的改进算法

NES-Join算法是一种无需外排序的连接运算算法,其复杂性优于经典的Sort-Merge Join算法及改进后的SDC-Join算法.在NES-Join算法基础上提出一种改进算法,该算法能够有效压缩原算法中未匹配记录暂存块中的空记录信息,从而使NES-Join算法更具实用性.通过实验和分析表明,改进后的NES-Join算法与原算法时间复杂性相当,但显著提高了磁盘空间的使用率.     

一种Elgamal算法的改进算法

本文提出了Elgamal加密算法的一种改进算法,这种改进算法的特点是可以实现成泉序列密码一样逐比特地进行加解密,被加密消息可以任意比特长;本文还通过改进算法和原Elgamal算法的对比分析,讨论了改进算法的安全性,加解密速度、密文扩展、消息块长度的灵活性,同时对Elgamal加密算法及改进算法的随机数的位数对安全性的影响作了讨论,提出了算法中对随机数选取的安全性要求。     

Floyd算法与RAD算法性能分析

路由算法是影响网络性能的重要因素之一,对路由算法的选择至关重要。介绍路由算法中的Floyd算法和RAD(Routing along DAGs)算法,并通过实验对两种算法性能作出分析和比较。实验分析结果显示:在链路利用率、链路流量负载均衡和链路失效对网络的影响范围方面,RAD算法要优于Floyd算法。在平均传输代价方面,Floyd算法要优于RAD算法。     

双极隶属度F_KNN分类算法在算法管理中的应用

算法管理是信息融合领域中一个新的研究课题,其过程涉及到对信息融合数据源的分类问题.针对信息融合数据源样本的特征,提出一种双极隶属度F_KNN分类算法,通过邻居质量优先隶属度函数和双极隶属度判决规则,得到理想的数据源分类结果.     

基于牛顿法和遗传算法求解非线性方程组的混合计算智能方法

本文针对牛顿法的局部收敛性而容易导致求解失败，先讨论在全局空间搜索解的非线性方程组遗传算法（ＧＡ）。然后针对ＧＡ收敛慢，通过定义牛顿算子，适应度函数和选择算子，从而得到结合ＧＡ和牛顿法两者长处，既有较快收敛性，又能以较大概率求解非线性方程组的混合计算智能算法。数值计算表明本文方法显著优于牛顿法和ＧＡ。     

一种基于遗传算法的QoS多播路由算法

深入研究基于遗传算法的QoS多播路由算法,建立支持QoS的多播路由模型.对已有的QoS多播路由算法进行优化,提出适用于下一代网络的基于遗传算法的QoS多播路由算法.采用定长的染色体编码和预处理机制降低算法复杂度.仿真试验表明,该算法收敛速度快,可靠性高,能够更好地满足多播业务的需要.     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.     

基于量子遗传算法的非测距节点定位算法研究

为了提高非测距节点定位算法的定位精度,针对DV-Hop算法提出一种基于量子遗传算法的改进算法。利用节点间的估计距离和锚节点的位置,在DV-Hop算法的第三阶段采用量子遗传算法校正DV-Hop得到的估算位置,采用二进制量子编码和量子旋转门以及变异处理更新个体。仿真结果表明,改进的算法性能稳定,能找到全局最优解,并使DV-Hop的定位误差明显下降。     

基于遗传算法的选播路由算法的研究

随着基于IPv6选播应用的研究与发展,选播路由算法已成为选播服务质量的关键.以遗传算法为基础,提出一种改进的交叉、变异遗传操作,在克服传统算法中早熟现象的基础上,加快了收敛速度;同时本算法以延时、带宽和服务器负载作为选择操作的依据.仿真结果显示,该算法能够在合理利用网络资源的同时找到最优解.     

一类新型计算机控制算法：预测控制算法

建立在预测模型基础上、以快速数字计算机为手段的预测控制算法,是七十年代以来工业过程控制中的一类新型算法。本文综述了这类预测控制算法产生的背景、基本原理及其研究的主要问题,对这类算法的实际应用作出了评价,并展望了今后的发展方向。