欧氏Steiner最优树的快速算法

针对欧氏平面内连接固定原点的最小树长问题,即欧氏Steiner最优树问题,给出了插入算法、递增优化算法、遗传算法等三种快速算法,并在微机上予以实现。经大量实例测试和结果比较,获得了满意的效果。     

基于最小树权矩阵法的改进算法

针对最小树权矩阵法在大型网络应用中的不足，从提高算法效率方面对其进行了改进，并给出了新的算法。新算法减少了运算量，达到了快速寻找最小树的目的。通过对新算法和权矩阵法的比较，结果表明新算法具有较低的复杂度，是一种更为有效的算法。     

图的Steiner最小树问题的混合遗传算法

图的Steiner最小树问题是经典的组合优化问题,在通信网络和电路设计中有广泛应用。文中在遗传算法的基础上,对交叉率pc和变异率pm采用自适应过程,构造一种新的确定pc和pm的公式,有效解决了参数选取对最终结果的影响问题。再与模拟退火算法相结合,提出了一种解决Steiner最小树问题的混合遗传算法。该算法克服了遗传算法易早熟和收敛性能差的缺点,有效地增强了算法的进化能力。通过对OR-Library的部分实例进行计算结果表明,在大多数情况下混合遗传算法比遗传算法有更好的性能。     

求解绝对值距离Steiner最小树的改进元胞蚂蚁算法

绝对值距离Steiner最小树问题是在集成电路布线等领域应用广泛的属于NP难的经典组合优化问题,由于该问题的搜索空间与元胞自动机的结构相似,设计了求解绝对值距离Steiner最小树问题的改进的元胞蚂蚁算法。经大量数据实验表明,该算法要比最小生成树平均改进15%,优于多数已有的基于最小生成树的近似算法,验证了算法的实用性。     

仿生智能算法的比较分析

本文简要介绍了几种常见的智能优化算法,主要包括遗传算法、粒子群算法及蚁群算法。这些算法主要是解决优化问题中,传统优化方法无法解决的难题。同时,本文也给出了几种智能优化算法的基本思想,并比较其优缺点及在优化应用领域的使用情况。指出了不同智能优化算法的发展趋势。     

智能优化算法的应用研究

优化问题广泛存在于各个领域,对该问题的求解问题从没停止过.自从优化问题提出以来,人们提出了各种各样的智能优化算法.文中简要介绍了遗传算法、蚁群算法、模拟退火算法3种智能优化算法,并简述其优缺点及应用研究的使用情况.     

解决多目标优化问题的几种进化算法的比较研究

进化算法具有适于解决多目标优化问题的特性,近来一直用于求解此类问题。群体智能优化算法是一种基于群体智能的进化算法,通过简单个体的交互表现出高度智能,大大增强了解决和处理优化问题的能力。分析了遗传算法、粒子群算法和混洗蛙跳算法的具体流程,比较了这三种进化算法的优劣。     

物流网络中节点带权的Steiner最小树的参数算法

通过优化物流的运输网络,可以有效地降低物流成本。集中配送的物流网络优化问题可以转换成求解节点带权的Steiner最小树问题,这是一个NP-hard问题。运用参数理论,提出一种新的启发式解决算法P-NSMT。算法的思想是：首先尽可能只利用终端节点构造一棵连通的最小生成树,然后逐步向树中添加能减少生成树总权值的Steiner节点,最终生成一棵节点总数不超过参数k的Steiner最小树。实验表明,与同类型其他算法相比,P-NSMT算法具有更好的准确性和时间效率,特别适应于网络规模大、终端配送节点数目较少的物流网络。     

矩形件智能优化排样算法与应用

文章在分析智能优化算法的基础上,针对下料生产作业中解决排样问题的需要,提出了将遗传算法、模拟退火算法分别与"最低水平线法"排放算法结合来进行矩形件优化排料的方法,并通过实例分析比较了两种智能优化算法的应用效果.     

群智能优化算法研究

群智能优化算法是一种新型的优化算法。该文介绍了几种常见的群智能优化算法,包括粒子群优化算法、蚁群优化算法、人工免疫算法、人工鱼群算法,分析了它们的优缺点及使用情况,提出了群智能优化算法的发展方向。     

基于群集智能算法的移动机器人路径规划研究

本文提出一种新的群集智能算法,在用Dijkstra算法基于链接图建模的地图中得到一个最优解的可行空间后,再用粒子群算法或蚂蚁算法优化得到全局的最优路径。因为群集智能算法是一种概率搜索算法,没有集中控制约束条件,不会因为个别个体的故障影响整个问题的求解,具有较强的鲁棒性,所以在机器人全局路径规划应用中具有较显著的优点。仿真结果表明了算法的有效性,是机器人路径规划的一个较好的方法。     

基于半监督学习的K-均值聚类算法研究

定义了一个欧氏距离和监督信息相混合的新的最近邻计算函数,从而将K-均值算法很好地应用于半监督聚类问题。针对K-均值算法初始质心敏感的缺陷,用粒子群算法的搜索空间模拟聚类的欧氏空间,迭代搜索找到较优的聚类质心,同时提出动态管理种群的策略以提高粒子群算法搜索效率。算法在UCI的多个数据集上测试都得到了较好的聚类准确率。     

基于大数据的智能电网状态远程监测方法

智能电网作为一种智能化电力传输载体,在电力供应环节发挥了重要作用,因此保证其正常运行具有重要的现实意义。当前智能电网状态远程监测多与智能算法相结合,通过智能算法完成状态评估,常见的智能算法有神经网络、决策树以及支持向量机等,但这三种算法应用下,空间复杂度与时间复杂度较大。针对上述问题,提出一种基于大数据的自适应免疫粒子群算法智能电网状态远程监测方法。方法首先利用量测工具对智能电网状态信息量进行采集,然后对采集到的信息量进行处理,包括数据清洗、数据去噪、数据消减、数据标准化,最后利用自适应免疫粒子群算法实现智能电网健康状况评估。结果表明:与神经网络、决策树以及支持向量机三种算法相比,自适应免疫粒子群算法运行下,产生的空间复杂度与时间复杂度最小,分别为247.7 byte和154 s。     

用于控制器保护的防火墙规则的三叉树算法

为提高防火墙安全规则的查找速度,提出了一种面向IP地址集合处理的时间复杂度为O([log32N])的三叉树查找算法,N为安全规则数。用空间分析法解决规则冲突,并给出规则树的生成算法,该方法适用于控制应用的可靠性分析和安全完整性等级验证的要求。     

双曲因子分解机

因子分解机(FM)自提出以来已被广泛用于推荐系统,为了捕捉特征间的二阶交互,FM将任意两个特征的二阶系数表示成欧氏空间中对应嵌入向量的内积。考虑到推荐场景中的对象如商品、用户、属性、上下文信息等,可用具有层次结构的异构网络进行表达,而平坦的欧氏空间无法刻画这种层次结构,限制了FM的特征表示能力,为此提出了双曲因子分解机(HFM)。它将每维特征表示为双曲空间而非欧氏空间中的向量,并利用双曲距离度量评估特征间的二阶交互强度。选择双曲空间是因为其被证明更适合树、图和词汇等具有层次结构的对象嵌入。分别设计了基于庞加莱球和基于双曲面两种双曲空间模型的HFM,并导出了对应的黎曼梯度下降优化算法。在多个数据集上的实验结果表明,HFM在等量参数的情形下,获得了比FM更优的性能,同时揭示出了在FM中欠缺的特征间的层次关系,使之具有部分可解释性。     

基于二叉知识树推理的可扩展智能排课系统

针对高等院校整体教学资源条件下的复杂多约束、多目标组合优化排课问题,提出了一种基于二叉树知识推理的可扩展智能排课算法并进行系统研发.结合实际教学过程中涉及的课程、时间、专业、教室、教师和可信度模型进行定义,构建了智能排课模型,设计了系统结构和排课算法.原型系统利用不确定性推理巧妙地解决了排课过程中棘手的软约束问题,并将...     

求解排列组合问题的解空间动态缩减策略

针对一般群智能算法求解大规模排列组合问题时搜索空间大从而影响群体搜索效率的问题,提出了一种解空间动态缩减（SSDC）策略,以动态减少算法搜索空间。该策略中,首先通过智能算法对排列组合优化问题两次初步求解,对获得的两个解中重复的片段进行识别和融合,将融合成的新节点代入原解空间进行解空间缩小更新;而后在下一次智能算法求解的过程中,对缩小的可行空间进行搜索,从而提升个体在有限空间内的搜索效率,降低搜索时间成本。基于5个高维标准旅行商问题（TSP）和2个车辆路径优化问题对融合新策略的多种群智能算法进行测试。实验结果表明融合所提策略的群智能算法在搜索精度和稳定性上均要优于对应的原算法,证明所提解空间动态缩减策略可以有效改善算法的性能。     

群集系统的软控制

考虑欧氏空间中群集动态系统的"软控制"问题,即在不改变群集系统中个体间现有规则的条件下,通过增加一个或多个可控智能体干扰群集个体的行为,使群集中心转移到期望的位置.给出了可控智能体的控制规则,并利用粒子群(PSO)算法讨论了群集系统软控制的最优收敛问题.实例研究表明了"软控制"在群集系统中的可行性.     

一种自适应权重的并行PSO快速装箱算法

随着智能制造时代的到来,生产线后期产品的智能装箱已成为工业生产的重要环节,如何更快速地得到装箱结果对于提高生产效率尤为重要。以快速装箱为目标,文中提出了一种适用于工业生产线的智能化装箱算法。该算法采用自适应权重法改进了粒子群优化算法,相较于标准粒子群优化及遗传等传统启发式算法有更快的收敛速度;并采用GPU加速,实现了高性能的并行计算,大幅加快了计算速度。实验表明,所提算法同样能得到很好的空间利用率, 同时其收敛速度也显著优于传统算法。