分布式检索系统中基于蚁群的移动agent动态迁移算法*

以真实蚁群算法为基础,提出了一种分布式信息检索下的移动agent动态迁移算法。该算法有如下特点：a）Agent能根据当前主机的状态,自主选择下一个负载轻的主机移动;b）Agent能找到一条开销最小的路径移动。仿真结果表明,该算法与固定路由算法相比,性能提高80%以上,并且算法无须依赖集中的迁移模块。蚁群算法分布在各节点中,提高了系统的容错性,具有分布、并行的特点。     

蜂群—蚁群自适应优化算法*

为了解决蚁群算法在求解连续函数优化问题时,存在局部搜索能力较差的缺陷,提出一种新颖的自适应蜂群—蚁群优化算法。新算法在蚁群优化算法的基础上,设计了一种参数q的自适应机制,进而减少了参数个数,提高了其鲁棒性;根据蜂群算法基本思想,利用雇佣蜂和观察蜂设计了高效的局部搜索算子,从而提升了算法的局部能力。针对五个标准测试函数的仿真实验结果表明:与蚁群优化算法相比,新算法的全局和局部寻优能力均得到了极大的提升。     

一种移动agent结构化迁移机制的设计和实现

移动agent计算模式将成为未来网络计算的主流模式.移动agent的迁移机制是其技术核心之一.该文分析了现有移动agent系统中采用的几种代表性迁移技术,提出了一种新的结构化迁移机制.该机制的主要特点如下:(1) agent的旅行计划和功能体完全分离;(2) 旅行计划本身也具有严格定义的结构;(3) 提供了3种灵活有力的迁移模式.因此,它能有效地控制移动agent的复杂度,有利于agent的复用.在该机制的基础上,设计并实现了移动agent系统Mogent1.0.     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

一种基于动态基础设施的移动agent消息传递算法

移动agent技术是一种新型的分布式计算模式,它为基于网络的任务分配合作问题提供了一个很好的解决方案.由于agent在网络间的移动.使得agent之间的通信变得极为复杂,已有的agent通信机制和消息传递算法都是建立在固定网络基础设施上的,不具有良好的可扩展性.针对这个问题,提出了一种基于动态基础设施部署的移动agent消息传递算法,较好地解决了在移动的情况下,agent之间通信的扩展性问题.     

蜂群算法研究综述*

蜂群算法是一种模仿蜜蜂繁殖、采蜜等行为的新兴的群智能优化技术,近几年备受研究者关注。初步探讨了蜂群算法的理论基础,详细论述了基于蜜蜂繁殖行为和采蜜行为的两类蜂群算法的生物学机理及其最常见算法的应用研究情况,并分析比较了遗传算法、蚁群算法、粒子群算法和蜂群算法的优缺点、适用范围及性能。最后,总结了现有蜂群算法存在的问题,并指出其未来的研究方向。     

基于移动agent的分布式入侵检测系统研究*

为了提高现有分布式入侵检测系统的效率和性能,提出了一种基于移动agent的分布式入侵检测系统模型。将移动agent技术应用于入侵检测中,并给出了其移动agent间的可靠通信方法,实现了agent的协同检测。实验结果表明,由于移动agent的应用,入侵检测系统的节点成为了可移动的部件,从而使该模型具有了更强的抗攻击性和入侵检测能力。     

一种动态环境下的移动Agent智能迁移算法

在对移动Agent服务系统进行建模的基础上,提出一种基于蚁群算法的移动Agent智能迁移算法。为减少探测软件带来的额外开销,利用Agent探测全局系统状态。当Agent移动到服务节点时,能根据信息素自适应地调整旅行路线。实验结果表明,该算法能适应动态环境的变化,具有容错性。在对蚊群算法引入自适应调整的信息素增加强度系数后,Agent能以更高的效率完成迁移。     

基于移动agent的分布式视频点播系统的研究

该文通过对移动agent技术和传统的视频点播系统的研究,提出了一种基于移动agent的分布式视频点播系统的设计和构造,具体地阐述了系统的工作流程,并着重讨论了实现该系统所要考虑的关键问题。移动agent的引入有效地减少了网络传输负载,实现了高速响应点播请求、高质量的影音效果,从而更好地满足更多用户的需求。     

基于混沌微粒群算法的文本分类研究*

针对中文文本分类问题,将其用于分类规则的抽取。为了避免微粒群算法在全局优化中陷入局部极值,利用混沌运动遍历性、随机性等特点,对标准微粒群算法进行了改进,提出了基于混沌微粒群算法的文本自动分类方法。仿真实验表明本算法对文档进行分类是一种比较可行的分类方法,分类精度高、速度快。     

基于混沌思想模糊自适应参数策略的粒子群优化算法*

粒子群优化算法是一种进化计算技术。提出一种基于混沌思想的模糊自适应参数策略的粒子群优化算法,它利用模糊策略较强的适应能力及混沌运动遍历性、随机性等特点,对标准粒子群优化算法进行了改进,并证明了算法的收敛性。对几种典型测试函数的测试结果表明,模糊自适应参数策略的引入,有效提高了算法收敛的速度,且混沌思想改善了对多维空间的全局搜索能力,能有效避免早熟现象。     

求解工程约束优化问题的PSO-ABC混合算法*

针对包含约束条件的工程优化问题,提出了基于人工蜂群的粒子群优化PSO-ABC算法。将PSO中较优的粒子作为ABC算法的蜜源,并使用禁忌表存储其局部极值,克服粒子群优化算法易陷入局部最优的缺陷。采用可行性规则进行约束处理,将粒子种群分为可行子群和不可行子群,并在ABC算法产生蜜源的过程中保留部分较优的可行解和不可行解的信息,弥补了可行性规则处理最优点位于约束边界附近的问题时存在的不足。四个典型工程优化设计的实验结果表明,该算法能够寻得更优的约束最优化解,且稳健性更强。     

最佳维变异粒子群优化算法在传感器调度中应用

粒子群优化(PSO)算法的主要特点是能快速得到问题的解,缺点是容易陷入局部最优.提出了一种利用最佳维变异技术和量子理论方法改进的PSO算法,并应用于目标跟踪传感器调度问题.目标的动力学模型为线性高斯模型,传感器观测值被高斯噪声污染并与目标状态线性相关.对于多传感器单目标跟踪的数学问题,引入提出的最佳维变异PSO算法,在...     

QPSO算法求解无约束多目标优化问题

在分析了用基于目标加权的PSO算法(WAPSO)的基础上,研究了利用基于量子行为的微粒群优化算法(QPSO)来解决多目标优化问题.提出了基于目标加权的QPSO算法(WAQPSO),利用WAQPSO算法解决无约束的多目标优化问题,通过典型的多目标测试函数实验,验证了该算法解决无约束多目标问题的有效性.     

Tent 混沌人工蜂群与粒子群混合算法

针对人工蜂群和粒子群算法的优势与缺陷,提出一种Tent混沌人工蜂群粒子群混合算法.首先利用Tent混沌反向学习策略初始化种群;然后划分双子群,利用Tent混沌人工蜂群算法和粒子群算法协同进化;最后应用重组算子选择最优个体作为跟随蜂的邻域蜜源和粒子群的全局极值.仿真结果表明,该算法不仅能有效避免早熟收敛,而且能有效跳出局部极值,与其他最新人工蜂群和粒子群算法相比具有较强的全局搜索能力和局部搜索能力.     

移动锚节点定位WSNs中无标识节点算法研究

针对无线传感器网络(WSNs)无标识节点的定位问题,引入移动锚节点收集节点的接收信号强度(RSS)数据序列,利用无监督的聚类算法分析数据确定节点个数,依据锚节点运行的不同驻点,提取最强RSS信号进行圆环交叉搜索并标识覆盖网格重叠区域,再利用极大值(EM)算法筛选出可能含有未知节点的区域,最后用改进的粒子群优化(PSO)算法最终确定符合聚类个数的最优未知节点坐标.实验仿真结果表明:该算法在未知节点稀疏分布情况下,可以准确地估算未知节点个数和位置坐标.     

微粒群优化算法在传感器非线性自校正中的应用

微粒群优化(PSO)算法是一种进化算法,包含的概念简单。介绍了不同于传统的传感器非线性校正方法,将PSO算法应用于传感器非线性校正的参数估计,并通过电涡流微位移传感器非线性校正进行PSO算法效果测试。实验研究表明:PSO算法简单、得到的传感器非线性校正曲线精度高。PSO算法为传感器的非线性校正提供了一种新方法。     

基于一种自适应选择机制的混合优化算法

针对于微分进化(DE)和粒子群优化(PSO)算法收敛精度较低和收敛速度慢的缺点,提出了基于这两种算法的混合优化算法DEPSO。该算法引入了两个新的变量指标,即在迭代过程中种群个体适应值有所优化的概率及种群的全局最优值的变化情况,通过采用这两个变量所形成的一个二维合理的选择机制,实现下一个迭代过程中关于算法的选择迭代问题。该算法一方面参数较少,实现简单;另一方面,利用新引入的第二个变量指标避免种群陷入早熟。对几种典型的测试函数进行数值模拟实验,结果表明与传统的算法比较,新的算法具有收敛精度高和收敛速度快的特点,同时对于高维的问题依然表现出较好的效果。     

改进的人工蜂群算法性能

为克服人工蜂群算法容易陷入局部最优解的缺点,提出一种新的改进型人工蜂群算法。首先,利用数学中的外推技巧定义了新的位置更新公式,由此构造出一种具有引导趋势的蜂群算法;其次,为了克服算法在进化后期位置相似度高、更新速度慢的缺陷,将微调机制引入算法中,讨论摄动因子范围,由此提高算法在可行区域内的局部搜索能力。最后通过3个基准函数仿真测试,结果表明：与常规算法相较,改进后在搜索性能和精度方面均有明显提高。