基于改进蚁群算法的交通最优路径方法研究

针对日益复杂的交通网络,提出了一种基于改进蚁群算法的交通路径最优方法,首先根据图论的思想构建了城市交通网络模型,结合层次分析法考虑了道路长度、交叉口停滞、交通拥挤、道路容量、天气状况等5个主要因素;然后在MATLAB平台下,采用改进的蚁群算法对静态交通网络和动态交通网络分别进行最短路径的求解,最后进行了对比分析;研究结果表明,在综合考虑以上5种因素的情况下,动态交通网络下的路径最优算法能为出行者找到更准确更便捷的路线。     

基于加权标识S-图的最短路径研究

为解决智能交通系统中交通运输网络分析和最短路径问题,提出加权标识S-图最短路径算法。根据Petri网基本原理和加权S-图的特点,给出交通网络加权S-图的网模型。阐述加权标识S-图最短路径的基本原理、求解加权标识S-图的最短路径定理及证明。通过交通运输网络示例和实验对算法进行验证,对比分析算法性能。结果表明,加权标识S-图最短路径算法能够更有效地求解交通网络最短路径。     

基于改进蚁群算法的最短路径问题研究

最短路径问题是智能交通：交通网络分析中的一个重要问题。文章分析了基本蚁群算法在求解交通网络两点之间最短路径时所出现的问题,并针对这些问题,在方向引导及信息素更新等方面对算法进行了改进。实验证明,改进后的方法较基本蚁群算法能准确快速地找到交通路网中两点间的最短路径,是切实可行的。     

基于蚁群算法的Petri网最优路径序列寻找

根据蚁群算法和时间Petri网的特点提出了一种网络元素可以记录少量信息的记忆扩展时间Petri网(METPN)。当METPN运行时，使用充足量的托肯在网络中行走并在行走过程中留下信息素来调整托肯的路径选择，从而使大量蚂蚁的行走路线不断逼近Petri网中时间延迟更短的变迁序列，最终在最短变迁序列上形成清晰的蚁路，从而在一定程度上解决了复杂Petri网的最优路径寻找问题。仿真结果表明，托肯可以有效地在最短延时路径上形成蚁路，能够求得从初始库所到网络中任意库所的最短路径。     

基于层次颜色Petri网的交通紧急调度算法与建模

针对城市交通网络中紧急车辆在行驶区段中如何较快地到达终点的问题,提出了一种基于Petri网的交通紧急控制策略模型。利用Davidson函数中行驶时间与交通流之间的对应关系,得出紧急车辆在道路上的最短行驶时间,并将其作为权重,运用Dijkstrsa算法进行最短路径寻优;采用紧急信号灯控制策略对最短路径上的交叉口信号灯进行了调整,减少紧急车辆在交叉口的延滞时间,并运用Petri网理论,建立紧急车辆在交叉口的紧急信号灯控制模型。为了描述紧急信号灯控制策略的动态行为特性,将其各部分关键要素分别设计为相应的Petri网子模型。通过模型的一个仿真实例,进行了紧急控制策略与普通策略的实验对比,实验结果表明前者可以对紧急车辆的到达时间进行优化。     

交通诱导系统中动态路径诱导算法的研究

动态交通网络中两节点之间最优路径的选择是目前的一个重要难题。通过对比不同的静态路径算法,并结合实际交通网络的特点,最终选择以A＊算法为基础,并在此之上研究出实现动态交通网络中路径诱导的方案。     

基于Petri网的迷宫问题最优路径求解方法北大核心CSCD

针对迷宫问题最优路径求解,建立了一种能够描述迷宫可行路径的Petri网模型。以行走总路径最短为优化目标,在填充冗余区域点的基础上,建立Petri网模型并对其进行简化。结合Petri网模型的结构特点和数学特性,提出了一种求解最优路径的整数线性规划模型。最后,利用MATLAB随机生成大量不同规模的迷宫,并通过仿真对所提算法与其他算法进行比较。仿真结果表明,所提算法能够快速有效地求解迷宫问题最优路径,具有良好的可行性。     

基于蚁群算法的最优路径选择问题的研究

交通网络中最优路径的选择尤为重要,各国学者在这方面做了大量的研究和改进.提出了一种基于蚁群算法的最优路径选择问题的新方法.在最优路径的选择过程中采用蚁群算法并对其进行建模,能够发挥算法并行性、正反馈、协作性等特点,使各蚂蚁个体之间相互协作,在较短的时间内发现较优解.研究及模拟实验结果表明,蚁群算法是一种鲁棒性较强的新型模拟仿生算法,具有较好的发展前景.     

交通最优路径选择算法的对比与仿真

交通网络中最优路径的选择尤为重要,各国学者在这方面做了大量的研究和改进.传统的最优路径算法以Dijkstra算法为代表,但均存在复杂度过高、不能很好地体现动态性的缺点.提出一种基于蚁群算法的最优路径选择问题的新方法.建立综合路径耗费公式及相关的收敛条件,采用数据集进行仿真,并与传统的最优路径算法Dijkstra算法、A*算法进行了对比,结果表明,采用蚁群算法进行最优路径选择在交通路径结点数量多、路径复杂的情况下具有比传统最优路径算法更好的性能优势.     

机器人路径规划问题的蚁群优化算法

研究了机器人在静态障碍物环境下的路径规则问题,根据问题模型的特性设计了一种蚁群优化求解算法。该算法利用前一轮选择的路径对可行解的信息素进行相应的调整,再按转移概率选择路径,经过多次迭代搜索得出最短路径．已达到对机器人的路径优化。     

运用遗传算法进行智能音乐作曲研究

采用遗传算法进行算法作曲,主要利用遗传算法的全局最优性,并且相对简单有效的特点.利用简洁的编码方式对基因进行编码,有效地表达了乐曲的主要信息,方便了适应度函数的计算和相关遗传操作的进行.针对音乐质量评估问题,提出了将相关音乐知识的规则和人机交互相结合的模式,共同对所创作音乐进行合理评价.不仅提高了评价的准确性,而且大大降低了人的工作量,产生了良好的音乐工程效果.     

递归算法与高效算法

文章通过实例给出了采用母函数法同时解决递归算法的两个问题:复杂递归算法的时间复杂度的求解问题和递归算法到高效算法的转化问題,并由此设计出高效的组合算法.     

一种基于PBIL算法和变焦算法的混合算法

基于群体的增量学习(PBIL)算法具有运行过程简单、解决问题快速准确的优点.本文采用二进制编码,针对二进制编码的算法从二进制最高位到最低位依次收敛的多米诺现象,提出一种变焦算法用来提高PBIL算法的搜索效率和求解精度.基于多组不同维数的Benchmark函数的仿真结果表明,混合算法具有全局收敛、求解精度及搜索效率高的优点.     

基于EM算法和PSO算法的混合优化算法

针对粒子群优化算法容易陷入局部最优解并且存在过早收敛的问题,将类电磁机制算法中的吸引-排斥机制引入到粒子群优化算法中,提出一种类电磁机制算法和粒子群优化算法的混合优化算法(EMPSO).首先按照基本粒子群优化算法的寻优方式对各粒子进行更新,再利用类电磁机制中的吸引-排斥机制对个体最优粒子和群体最优粒子进行移动,最后通过几个标准测试函数进行了测试,并与标准粒子群算法(PSO)、免疫粒子群算法(IPSO)、混沌粒子群算法(CPSO)进行对比.测试结果表明,改进算法提高了全局搜索能力和熟练速度,改善了优化性能.     

基于Apriori算法的改进算法

挖掘关联规则是数据挖掘中一个重要的课题,产生频繁项目集是其中的一个关键步骤。提出了一种改进算法,并将该算法与Apriori算法进行了比较。该算法只需要对数据库扫描一遍,并且存放辅助信息所需要的空间也少,结果表明该算法对关联规则挖掘较为有效。     

基于SAC的特征选择算法

特征选择通过移除不相关和冗余的特征来提高学习算法的性能。基于进化算法在求解优化问题时表现出的优越性能,提出FSSAC特征选择方法。新的初始化策略和评估函数使得SAC能将特征选择作为离散空间搜索问题来解决,利用特征子集的准确率指导SAC的采样阶段。在实验阶段,FSSAC结合SVM,J48和KNN分类器,通过UCI数据集完成验证,并与FSFOA,HGAFS,PSO等算法进行了比较。实验结果表明,FSSAC可以提高分类器的分类准确率,且具有良好的泛化性能。除此之外,对FSSAC和其他算法在特征空间维度缩减情况方面做了对比。     

基于欺负算法的优化算法

分布式算法中的欺负算法在选举协调者的过程中由于传输了大量信包而导致性能降低。该文在分析原有算法及其数学模型的基础上,提出一种优化算法并建立了相应的数学模型,对2种算法进行比较可以得出,优化算法在避免了选举失败或选举错误的基础上有效降低了选举过程中信包的传输数量,提高了通信性能,避免了网络延迟和网络拥塞。     

递归算法的非递归化研究

1 引言在工程实际中,有许多概念是用递归来定义的,数学中的许多函数也用递归来表达。一个递归算法的执行过程类似于多个函数的嵌套调用,只是主调函数和被调函数是同一个函数而已,在执行过程中,信息的传递和控制的转移必须通过栈来实现,这就导致空间耗费大,执行效率较低,尤其是当递归深度较深时,不但耗费的空间大而且执行的效率也相当低,这是递归算     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

基于改进PSO-TrICP算法的点云配准

针对传统迭代最近点（Iterative Closest Point,ICP）算法在初始空间位置偏差大时,容易陷入局部最优的问题,提出一种基于改进PSO-TrICP算法的点云配准方法。首先,对传统粒子群（Particle Swarm Optimization,PSO）算法进行改进,引入适应度的相似度测量准则调整粒子的更新方式,然后加入历次迭代的全局最优解的均值作为新的学习因子避免求解过程中出现“早熟”现象;其次用刚性变换参数和点云间的重叠率组成粒子,利用改进PSO算法为配准提供良好的初始相对位置;最后,通过裁剪迭代最近点（Trimmed Iterative Closest Point,TrICP）算法估计点云间的空间变换。实验结果表明,改进PSO-TrICP算法的配准精度与运行效率优于近年提出的同类配准算法,且具有较好的鲁棒性。