基于蚂蚁算法的网格资源发现模型

提出了基于蚂蚁算法的网格资源发现模型（AA_GRRM）,目的是利用蚂蚁算法作为资源发现的策略来实现网格资源的次优解。引入蚂蚁算法到网格资源发现领域,改进了传统的蚂蚁算法的信息素初始化和更新,提高了网格资源发现的准确率和效率,并设计了基于蚂蚁算法的网格资源发现总体结构,最后通过Matlab进行验证。     

在网格资源发现中使用蚁群算法的应用研究

网格中包含多种多样、分布领域广、系统结构差异大、变化频繁等特点的资源．这给网格环境下的资源发现机制带来更大的难度和更多的挑战。阐述网格资源发现在网格资源管理中的重要性,分析网格资源发现中应用蚁群算法的优势,在此基础上,对网格资源发现中应用蚁群算法的方案进行综合的设计与分析．讨论在网格资源发现机制中蚁群算法的实际应用。     

基于蚁群算法的网格资源调度策略研究

网格计算中的资源调度技术是连接网格底层和高层功能的纽带.蚁群算法作为一种成熟的分布式、启发式搜索鼢算法,其实质上是一种通过群体智能间接散布最优解信息,采用逐步收敛的方式求解最优解的算法.通过介绍蚁群算法的原理,对使用蚁群算法作为网格计算资源调度策略的可行性进行了分析,并在此基础上探讨了基于蚁群算法的网格计算资源调度的设计思路、运作流程、需要考虑的信息素更新方式等关键问题,最后给出了基于蚁群算法的网格计算资源调度总控程序.     

采用蚁群算法及移动Agent的网格服务发现设计

在对网格进行分簇的基础上,设计了一种基于蚁群算法及移动Agent的网格服务发现机制模型。通过使用移动Agent技术收集网格服务信息,并将收集到的网格服务信息摘要进行跨簇缓存,以提高蚁群算法中信息素信息的准确性,并且在进行服务查找时采用之前缓存的服务摘要信息作为蚁群算法的启发因子,从而提高网格服务发现的准确性以及发现速度,进而提高网格使用效率。通过仿真实验验证了所述服务发现机制的有效性。     

网格资源发现中移动Agent路径优化的研究

在对动态网格资源发现模型研究的基础上,改进了移动Agent在网格环境中的动态巡游策略.分析和比较了路径优化算法,在遗传算法和蚁群算法融合的基础上,提出了基于Agent的网格资源发现机制中进行路径优化的新方法,解决移动Agent为完成用户指定的资源发现任务在网格动态环境中移动时的迁移路径问题.实验结果表明了该算法的可行性,适应网格的动态性,以及提高网格资源发现的效率.     

基于改进蚁群算法的网格资源调度研究

为进一步掌握网格资源动态运行状态,以便合理调度网格资源,提高任务执行效率,提出了一种基于改进蚁群算法的网格资源调度策略。该算法引入了一个网格资源空闲所需时间向量F,通过向量F动态调整网格资源负载情况,达到快速实现遥感资源空间检索的目的。从仿真实验结果可以看出,改进蚁群算法比蚁群算法和其他算法更优,网格资源的利用效率更高。     

一种快速网格任务调度策略

网格任务调度目标有很多,如用户要求任务轮转时间短、花费代价小,而资源提供者希望资源利用率高等,这些目标相互冲突,因此网格任务调度不仅是一个NP难问题,而且是一个多目标优化问题.本文根据网格环境下任务的时间相关性特点,对传统蚁群算法进行了改进,提出了一种快速网格任务调度算法.该算法不仅解决了网格调度中多目标优化问题,而且依据任务调度历史信息生成蚁群算法的初始信息素分布,提高了蚁群算法的求解速度.     

混合算法在网格任务调度中的应用研究

研究网格任务优化调度问题,针对需求的复杂和网格系统具有异构性和动态性,导致网络任务调度过程相当困难.传统调度算法调度效率低、资源负载不平衡.为了提高任务调度效率,降低资源负载不平衡性,提出一种混合的网格任务调度优化算法.首先采用遗传算法全局搜索能力快速形成初始解,然后将遗传算法的调度结果作为蚁群算法的初始信息素分布,最后利用蚁群算法所正反馈性机制迅速地形成任务调度的最优解.仿真结果表明,混合算法减少网格任务调度系统任务完成时间,提高了任务调度效率,为网格设计提供了依据.     

网格调度中具有价格激励的改进蚁群算法

为了进一步提高网格资源的利用率,本文提出了一种具有价格激励的改进蚁群算法,并将其应用于网格资源调度中,通过增加动态价格因子,实现了资源提供者和消费者各自的经济利益,并且能够有效地解决资源调度的各种问题和提高网格系统的性能。     

基于混合蚁群算法的网格任务调度

针对网格任务调度的调度时间长、资源负载不平衡等问题,提出一种基于混合蚁群算法的网格任务调度方法。该方法将禁忌搜索作为蚁群算法的局部搜索策略,以扩大解的搜索空间,避免陷入局部最优,并通过多样化机制提高算法收敛速度。利用平衡因子调节信息素的更新,改善资源的负载平衡性能。     

移动环境下基于情境感知的个性化影视推荐算法研究

针对在移动环境下使用传统推荐算法进行个性化影视推荐时存在的准确度不高的问题,提出了一种基于情境感知的矩阵分解算法。该算法在基本矩阵分解算法的基础上,通过融入全局偏置和情境偏置来进行未知评分预测。该算法的优势在于：一方面,使用矩阵分解的方式使得矩阵的规模远远小于原始评分矩阵;另一方面,该算法充分融入了情境要素对评分的影响,使得预测评分更加精准。通过在LDOS-CoMoDa数据集上进行实验,结果表明,该算法在准确度上优于基于用户的协同过滤算法、基本矩阵分解算法和baseline预测算法。     

基于密度和层次的快速聚类算法在数据挖掘中的设计及实现

本论文在对各种算法深入分析的基础上,尤其在对基于密度的聚类算法he基于层次的聚类算法深入研究的基础上,提出了一种全新的基于密度和层次的快速聚类算法。该算法保持了基于密度聚类算法发现任意形状簇的优点,而且具有近似线性的时间复杂性,因此该算法适合对大规模数据的挖掘。理论分析和实验结果也证明了基于密度和层次的聚类算法具有处理任意形状簇的聚类、对噪音数据不敏感的特点,并且其执行效率明显高于传统的DBSCAN算法。     

基于拥塞控制的AQM算法研究

在对网络拥塞控制进行分析的基础上,介绍了AQM(Active Queue Management)算法的特点及网络流量特征对AQM算法的影响。根据AQM算法的发展概况,将AQM算法中的DropTail算法、RED(Random Early Detection)算法、Adaptive RED算法、PI算法、REM(Random Early Marking)算法和AVQ(Adaptive Virtual Queue)算法进行了比较评价。并对AQM算法的反馈方式及AQM算法的控制理论进行了较为详细的分析与探讨。     

竞争算法优化BP神经网络性能研究

针对诸多群智能算法容易陷入局部最优、收敛速度慢的特点，提出一种参数设置少，全局搜索能力强的竞争算法.通过10个基准函数与粒子群算法的比较，30次试验下竞争算法的平均值与最小值均优于粒子群算法，验证了该算法的有效性.用竞争算法优化BP神经网络，并对11个测试数据集进行分类，实验结果表明，用竞争算法优化后的BP神经网络在11个测试集上性能均优于原始算法，且在大部分测试集上性能优于用遗传算法优化的BP神经网络.该算法能有效提高分类正确率，增强鲁棒性.     

基于遗传算法和梯度算法的一种结构优化混合方法

基于遗传算法和梯度算法,文章提出了一种结构优化的混合方法。算例表明该方法兼具遗传算法的优良全局搜索能力和梯度算法的强大局部搜索的特点,且具有很好的工程适应性。     

MMTD算法与二值水印图像的检测

信息隐藏检测算法发展至今已有多种算法,本文中只是对二值图像的信息隐藏检测算法进行研究,并对该算法的思想和算法特征做了简略的介绍,然后提出了一种基于MMTD的信息隐藏检测算法,将MMTD算法应用到信息隐藏检测算法中是首次。因此该种算法能够作为现有检测算法的补充和改进。     

基于人工蜂群改进算法的无线传感器网络定位算法

针对无线传感器网络无需测距的DV-Hop定位算法中,利用最小二乘法进行节点定位时存在较大误差的问题,提出了一种改进的DV-Hop智能定位算法。首先在详细分析DV-Hop算法中最小二乘法原理的基础上,将定位问题转化成全局最优化问题;其次根据人工蜂群算法计算最优化问题的优势,结合定位具体问题,提出了一种自适应人工蜂群算法;最后将改进的人工蜂群算法运用到DV-Hop算法未知节点的坐标估计阶段实现定位。仿真实验表明,改进的定位算法与最小二乘法及基于传统人工蜂群算法的DV-Hop算法相比,在不同锚节点比例和不同节点数的情况下,定位精度和精度稳定性都有明显提高。     

基于密度峰值优化的模糊C均值聚类算法

针对传统模糊C均值聚类算法和基于K-means++优化聚类中心的模糊C均值算法存在初始聚类中心敏感、聚类速度收敛慢、聚类算法需要人为给定聚类数目等缺陷,受密度峰值聚类算法（Clustering by Fast Search and Find of Density Peaks,CFSFDP）的启发,提出了基于密度峰值算法优化的模糊C均值聚类算法,自适应产生初始聚类中心,确定聚类数目,并优化算法收敛过程。实验结果表明,改进后的算法与传统模糊聚类C均值算法相比能够准确地得到簇的数目,性能有明显的提高,并加快算法的收敛速度,达到相对更好的聚类效果。     

基于包围盒的碰撞检测算法研究

基于包围盒的碰撞检测算法是一类重要的碰撞检测算法。文章比较了几种常用的包围盒碰撞检测算法;给出了OBB包围盒的计算算法及其改进和修正算法;包围盒树的建立算法;包围盒的重叠测试和基于包围盒的碰撞检测算法;最后以OBB验证了该类算法的有效性,正确性和鲁棒性。     

旅行商问题演化算法在NOW上的并行算法设计

介绍了当前求解TSP问题最好的演化算法之一：GT算法。文中重点设计了在NOW上求解旅行商问题GT算法的并行算法，详细描述了设计思路。设计策略。还给出了详细的并行算法描述。文中设计的并行算法已经在NOW上的PVM平台上实现。