一种改进的混沌粒子群算法

粒子群算法算法简洁，易于实现，但是传统的粒子群算法易陷入局部极小点。为此，本文在传统的粒子群算法中引入混沌思想用于改善算法性能。通过数值模拟表明，本文算法有比较好的性能。利用本文算法来求解无线网络优化中的加站问题，取得了比较好的效果。     

基于任务调度的无线网贪婪信道分配算法

针对无线网络链路干扰问题,综合借鉴多处理器任务调度算法提出了一种贪婪信道分配算法,为所访问的无线网链路甄选出干扰最小的信道,并且证明了本算法的近似比率为2-1/k,其中为k为可用的正交信道数,算法复杂度为O（|E|2）。为了验证本文算法的可行性和有效性,将本文所提出的贪婪算法与随机信道分配算法和按序信道分配算法进行了实验对比。仿真结果表明：本文所提出的贪婪算法的整体性能优于其他两种算法,并且贪婪算法得到的最大干扰和平均干扰归一化值随着可用正交信道数的变化趋势较其他两种算法稳定。从而验证了本文算法能有效的降低链路干扰,一定程度上可以提升网络吞吐量。     

融入用户-项目标注网络影响力的改进slope one算法研究

在协同过滤推荐领域中,slope one算法取得了较好的效果,但是该类算法忽略用户及项目影响力差异性。针对此处不足,本文提出融入用户-项目标注网络影响力的改进slopeone算法,该算法从用户影响力及项目热度两方面计算权重值,并融入传统算法中,达到了进一步提高算法准确率的目的。将本文算法应用在MovieLens数据集上与若干近似算法对比试验,结果显示本文算法在推荐准确率上有明显提升。     

基于粗糙集的属性约简算法

本文主要研究基于粗集理论的属性约简算法。提出了一种新的启发式约简算法,即基于加权平均和频度的双向选择约简算法。本文还通过实例验证了该算法的可行性和有效性。     

在数据通信中对分布式DBS的并发性控制

本文主要阐述对ＤＤＢＳ并发控制的理论和算法。其中算法包括锁基本算法、最佳算法和集中算法。     

Lp范数压缩感知图像重建优化算法

目的 压缩感知理论中的重构算法作为关键技术之一,在科学研究方面起到了关键的作用。常用的重构算法包括L₀范数的非凸优化算法和L₁范数的凸优化算法,但它们的缺点是重构精度不高,运算时间很长。为了克服这一缺陷,提高现有基于L_p范数的压缩感知图像重构算法的重建精度和算法效率,本文提出改进算法。方法 针对拉格朗日函数序列二次规划（SQP）方法中海瑟（Hesse）矩阵不正定导致计算量很大的问题,引入价值函数,修正Hesse矩阵的序列二次规划方法并结合图像分块压缩感知技术,提出了一种基于L_P范数压缩感知图像重构算法。结果 在采样率同为40%情况下,本文算法下的信噪比为34.28 dB,高于BOMP（block orthogonal matching pursuit）算法信噪比2%,高于当罚函数作为修正方法时的13.2%。本文算法计算时间为190.55 s,快于BOMP算法13.4%,快于当罚函数作为修正方法时的67.5%。采样率同为50%的情况下,本文算法下的信噪比为35.42 dB,高BOMP算法信噪比2.4%,高于当罚函数作为修正方法时信噪比12.8%。本文算法的计算时间是196.67 s,快于BOMP算法68.2%,快于81.7%。在采样率同为60%的情况下,本文算法的信噪比为36.33 dB,高于BOMP算法信噪比3.2%,高于当罚函数作为修正方法时信噪比8.2%。本文算法计算时间为201.72 s,快于BOMP算法82.3%,快于当罚函数作为修正方法时86.6%。在采样率为70%的情况下,本文算法信噪比38.62 dB,高于BOMP算法信噪比2.5%,高于当罚函数作为修正方法时信噪比9.8%。本文算法计算时间为214.68 s,快于BOMP算法88.12%,快于当罚函数作为修正方法时的91.1%。实验结果显示在相同的采样率的情况下,本文改进算法在重构精度和算法时间上均优于BOMP算法等其他算法。并且采样率越高,重构图像精度越来越高,重构算法时间越来越短。结论 通过实验对本文算法、BOMP重构算法等其他算法在信噪比和算法计算时间进行对比,在不同采样率下,本文算法都明显优于其他两种算法,而且在采样率仅为20.5%时,信噪比高达85.154 3 dB,重构图像比较清晰。本文算法的最大优点在于采用了分块压缩感知技术,提高图像重构效率,降低了重构时间,缺点是在图像采样率比较低的情况下,存在图像干扰块效应。接下来研究方向是如何在采样率低的情况下,高精度地还原图片,消除图像干扰块效应。     

用一种改进的遗传算法求解旅行商问题

本文借鉴蚁群算法的思想来对遗传算法进行改进,在改进算法中引入了多线程技术。本文用C#实现了该改进算法,并应用该算法完成了30城市旅行商问题的求解。     

求解迷宫布线问题的人工智能图搜索产生式系统

本文提出了一个求解迷宫布线问题的人工智能图搜索产生式系统。当取不同的控制策略,本系统可分别实现Lee算法和Rubin算法。基于上述系统本文还提出了一个启发性迷宫布线过程,其搜索的面积元素比Rubin算法减少30％左右。本文最后对Lee,Rubin算法和本文提出的过程作了统计比较。     

一种用于自动生成二维全四边形有限元网格的改进的铺设算法

本文所述改进算法删除了原有算法的诸多繁琐之处,改进了原有算法的许多不足,并加入了一些新的算法规则。实例测试结果表明,用本文所述改进算法生产的四边形网格具有网格分布均匀,四格四边形接近于规则四边等特点。     

网络拓扑发现算法综述

本文分别总结了网络物理拓扑发现算法和网络逻辑拓扑发现算法两大类拓扑发现算法的基本思想和设计方法,分析了影响各算法性能的主要因素,并对今后网络拓扑发现算法的设计路线作了展望和提出了建议。我们认为本文对网络拓扑发现算法的设计者有较高的参考价值。     

基于最速下降最优解参考的粒子群算法

将现代智能优化算法(微粒群算法)和最速下降法有机的结合起来,构造出一种混合优化算法,该算法既有微粒群算法的优点,又有最速下降的较高收敛性和精度,数值计算表明算法对于求解连续可微函数的全局优化问题是非常有效的。     

基于分解和向量的多目标鲨鱼优化算法

为了提高多目标鲨鱼算法在收敛速度和解集的分布性,提出一种基于分解和向量的多目标鲨鱼优化算法（DVMOSSO）。首先针对基本鲨鱼算法收敛性和多样性难以平衡的问题,通过在精英集采过程中,用参考向量计算角度惩罚距离标量值来平衡目标空间中解的收敛性和多样性。除此之外,针对基本鲨鱼算法在迭代后期易早熟收敛,陷入局部最优的缺陷,采用高斯变异策略重新初始化粒子,同时在精英解集中采用多项式变异来增加种群的多样性。最后,为了验证本文所提算法的有效性,将本文所提的DVMOSSO算法与NSGAII-DS、MOEA/D、MMOPSO、MOSSO和dMOSSO算法在标准测试函数上进行对比实验,实验结果表明本文所提算法具有良好的收敛性和分布性,算法收敛精度更高,寻优能力更强。     

基于鲸鱼优化改进算法的基站选址

基站选址优化是网络通讯中的重要优化问题,对网络通讯质量有着极大的影响。本文基于基站选址优化问题的约束条件,以网络覆盖率作为优化指标,构建一种基站选址优化模型。传统优化算法有着收敛速度慢、易于陷入局部最优等问题,为此本文提出一种鲸鱼优化改进算法。首先,引入收敛因子随着迭代次数非线性递减的自适应改变策略以提升算法收敛能力;然后,对部分个体施加服从正态分布的变异扰动,以避免算法早熟收敛。其测试函数和基站选址优化问题的测试算例的仿真结果表明,本文提出的改进算法能够获得更理想的优化解,且具有较快的收敛速度。     

反向传播神经网络收敛性的探讨

标准BP算法采用的最陡梯度下降法使得均方误差达到最小的策略可能存在两大问题：①陷入局部最小而没有收敛到全局最小,即不收敛;②收敛速率慢。本文从训练算法角度方面,比较了标准BP算法、动量算法、可变学习速率算法和Levenberg-Marquardt算法这几种方法的收敛性以及收敛速率,并通过Matlab仿真进行了验证。     

PSO算法全局收敛性分析

为了解决PSO算法能否搜索到全局最优解这类主要理论问题,对随机优化算法的全局收敛性准则作了详细解释,并应用此全局收敛性准则对PSO算法的全局收敛性进行了理论分析;指出了PSO算法并不满足随机优化算法的全局收敛性准则应具备的两个条件,并证明了PSO算法是不能保证全局收敛的。     

多种群退火贪婪混合遗传算法

遗传算法是应用比较广泛的一种随机优化算法,遗传算法的收敛速度与问题解的质量是影响算法寻优性能的一对主要矛盾。为了提高遗传算法的性能,论文通过将局部搜索能力较强的贪婪算法引入遗传算法,并且同模拟退火和多种群并行遗传进化思想有机结合起来的方法,提出了一个改进型的算法——多种群退火贪婪混合遗传算法(MultigroupAnnealingGreedyHybridGeneticAlgorithm,简称MAGHGA)。仿真结果表明,该算法避免了在遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,同时也有效地提高了算法的收敛速度。     

蚁群算法的收敛速度分析

蚁群算法(ACO)作为一类新型的机器学习技术,已经广泛用于组合优化问题的求解,同时也应用于工业工程的优化设计.相对于遗传算法(GA),蚁群算法的理论研究在国内外均起步较晚,特别是收敛速度的分析理论是该领域急待解决的第一大公开问题.文中的研究内容主要是针对这一公开问题而开展的.根据蚁群算法的特性,该研究基于吸收态Markov过程的数学模型,提出了蚁群算法的收敛速度分析理论.作者给出了估算蚁群算法期望收敛时间的几个理论方法,以分析蚁群算法的收敛速度,并结合著名的ACS算法作了具体的案例研究.基于该文提出的收敛速度分析理论,作者还提出ACO-难和ACO-易两类问题的界定方法;最后,利用ACS算法求解TSP问题的实验数据,验证了文中提出的分析结论,得出了初步的算法设计指导原则.     

面向多峰函数优化的Lamarck免疫网络算法*

为改善免疫网络算法在多峰函数优化方面存在局部收敛的不足,提出一种Lamarck免疫网络算法(LM-aiNet)。依据Lamarck进化理论思想,设计基于方向的局部搜索机制和自适应的网络抑制阈值,提高了算法对于不同类型多峰函数优化的适应能力。对算法的复杂度和收敛性进行分析,重点讨论了算法主要参数对求解性能的影响,确定合适的参数取值范围。实验结果表明,算法能够有效地解决经典算法的局部收敛问题,其求解能力优于被比较的其他算法。     

Parameter optimization in iterative learning control

In this paper parameter optimization through a quadratic performance index is introduced as a method to establish a new iterative learning control law. With this new algorithm, monotonic convergence of the error to zero is guaranteed if the original system is a discrete-time LTI system and it satisfies a positivity condition. If the original system is not positive, two methods are derived to make the system positive. The effect of the choice of weighting parameters in the performance index on convergence rate is analysed. As a result adaptive weights are introduced as a method to improve the convergence properties of the algorithm. A high-order version of the algorithm is also derived and its convergence analysed. The theoretical findings in this paper are highlighted with simulations.     

一种放大误差信号的BP算法

针对BP神经网络学习算法收敛速度慢、易陷入假饱和状态的问题,提出了一种快速收敛的BP算法。该算法通过修改激励函数的导数,放大误差信号来提高收敛性。给出了改进算法的收敛性分析并在实验仿真中将改进算法同时与标准BP算法和NG等人的改进算法进行比较。仿真结果表明,该算法在收敛速度方面大大优于另外两种算法,有效地提高了BP算法的全局收敛能力。