基于群体智能的分布式数据挖掘方法

蚁群优化是人工智能领域中群体智能分支之一,已经成功地应用于旅行推销员,作业调度由选择等优化问题上,但用它解决数据挖掘问题还是一个新的研究课题,Parepinelli等人针对单一数据库提出了基于ACO的分类算法。该文提出了基于分布式数据库体系结构的ACO分类算法,采用了与Parepinelli算法不同的启发函数计算方法及信息素改变方法,模拟实验表示该方法是有效的。     

ACO-BP神经网络在电梯交通流预测中的应用

电梯交通流预测为电梯配置与群控调度提供必要的乘客流数据信息.针对基于BP神经网络的电梯交通流预测模型在网络训练过程中表现出的对初值敏感、易陷入极小值等问题,提出利用全局寻优的蚁群优化(ACO)算法优化BP神经网络.同时,利用精英蚂蚁和排序策略对基本ACO算法进行改进.采集天津某办公大厦实际交通流数据进行实例分析,分别对基于传统的BP神经网络和蚁群优化的BP(ACO-BP)神经网络的电梯交通流预测模型进行仿真验证.结果表明:ACO-BP神经网络的预测效果远优于传统的BP神经网络,适用于电梯交通流预测系统.     

基于预测及蚁群算法的云计算资源调度策略

研究云计算资源调度问题,针对目前静态的网格资源调度算法只考虑任务完成时间最小化,导致了不能满足动态的云计算资源调度要求。为了适应云计算的动态性和实时性,解决云计算资源调度问题,降低数据中心用电量,提出一种基于预测及蚁群算法的云计算资源调度策略。当数据中心利用率较低时运行改进蚁群算法来合理调度虚拟机至宿主机,通过动态趋势预测算法预测数据中心负载来智能开关宿主机。仿真结果表明,采用预测及蚁群算法进行的云计算资源调度策略,保证了云计算的实时性,并有效减少数据中心用电量。     

基于服务质量的云工作流调度优化算法

为满足云工作流实例的多样化需求,根据工作流的特点和云环境中资源部署结构,建立多服务质量指标的云工作流调度模型。对蚁群算法进行改进,解决其收敛速度慢、易陷入局部最优等缺点。利用用户对服务质量不同程度的偏好,引入云任务优先次序启发式规则,提出一种基于服务质量的云工作流调度算法(SPACO)。在Cloud Sim平台上,对云工作流调度模型和算法进行仿真分析,将仿真结果与基本蚁群算法(ACO)、改进的蚁群算法(PACO)进行比较,其结果表明该算法能缩短执行时间、降低能耗成本,验证了该模型的可行性和算法的有效性。     

基于ACO优化SVM参数的蛋白质耐热性预测

氨基酸含量是影响蛋白质耐热性的主要因素,为了提高以氨基酸含量为特征向量的蛋白质耐热性预测的精度和预测模型的性能,提出了一种基于机器学习蚁群算法(ACO)优化支持向量机(SVM)参数的蛋白质耐热性预测方法。建立了SVM参数优化模型,探讨了基于网格划分策略的连续蚁群算法,通过对SVM的惩罚因子和径向基核函数的全局搜索,筛选出最优参数,使SVM的蛋白质耐热性预测率最优。结果表明:采用未优化的SVM建立的预测模型的蛋白质耐热性总预测率相对较低,约为76.5%,采用遗传算法优化预测模型参数后的预测率约为86.6%,采用ACO优化预测模型参数后预测率达到87.8%。采用ACO优化的SVM模型参数的寻优速度快,预测结果准确。     

煤矿安全隐患智能语义采集与智慧决策支持系统

针对现有煤矿安全隐患智能语义采集与决策系统存在欠缺智能语义提取功能和多属性互联检索分析与决策功能、智能化程度不高等问题,设计了一种基于改进卷积神经网络(CNN)和蚁群算法(ACO)的煤矿安全隐患智能语义采集与智慧决策支持系统。该系统采用基于CNN的智能语义采集模型,利用CNN算法匹配出相似度最高的近义关键词,通过映射表关联到标准关键词,解决了相近语义的关键词匹配精度不高的问题;采用基于ACO的智慧检索模型,通过ACO算法负反馈和正向加强的方式标记高频度检索条例,实现了被检索的高频度条例的智能显示。实验与应用结果表明,该系统可实现多属性语义关键词的互联查询、高频度检索条例的智能显示、隐患问题相关数据的实时跟踪、数据统计图的多样化显示、决策分析预警简报的智能生成等功能。     

QoS保障的LTE-A飞蜂窝资源块分配与MCS选择研究

针对LTE-A飞蜂窝网络下行链路的资源块(Resource Block,RB)分配与调制编码策略(Modulation-and-Co-ding Scheme,MCS)选择问题,构建了整数线性规划模型,以在保障每个飞蜂窝用户最小吞吐量的需求下,最大化飞蜂窝系统吞吐量。其中,吞吐量是衡量网络性能最重要的服务质量(Quality of Service,QoS)指标之一。鉴于此问题是一个NP难问题,提出了一种ACOGA智能优化算法。该算法结合遗传算法(Genetic Algorithm,GA)与蚁群优化(Ant Colony Optimization,ACO)算法,可实现RB的动态分配与MCS的动态选择,并收敛到一种近优的分配策略。其中,GA算法动态地优化ACO算法中的参数配置,ACO算法利用优化后的参数配置执行RB分配与MCS选择。仿真表明,与采用静态参数配置的ACO算法相比较,ACOGA算法可使飞蜂窝系统的吞吐量提高12%以上,并显著提高了收敛速率。     

蚁群算法综述

群集智能作为一种新兴的演化计算技术已成为越来越多研究者的关注焦点,其理论和应用得到了很大的发展。作为群集智能的代表方法之一,蚁群算法ACO(Ant Colony Optimization,简称ACO)以其实现简单、正反馈、分布式的优点得到广泛的应用。本文对蚁群算法的最新进展进行了综述和展望。     

一种基于蚁群算法的分类规则挖掘算法

Parepinelli等提出了基于ACO的分类算法。文中提出了一种基于自适应蚁群算法的分类规则挖掘算法,该算法采用了与Parepinelli算法不同的启发式函数及信息素改变方法,引入了自适应机制与变异策略,从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

一种基于蚁群算法的分类规则挖掘算法

Parepinelli等提出了基于ACO的分类算法。文中提出了一种基于自适应蚁群算法的分类规则挖掘算法，该算法采用了与Parepinelli算法不同的启发式函数及信息素改变方法．引入了自适应机制与变异策略，从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

基于蚁群优化支持向量机的电力人因事故预测模型

为有效预测电力行业人因事故数量,论文利用支持向量机(SVM)与蚁群算法(ACA)综合研究电力人因事故问题,在对支持向量机进行优化决策的基础上,提出一个电力人因事故数据拟合与预测的统计分析模型。针对支持向量机的参数选择问题,采用蚁群算法进行优化,建立了基于优化支持向量机的电力人因事故数据统计分析模型。利用该模型对电力人因事故量进行预测,结果表明,基于优化支持向量机的电力人因事故数据统计分析模型,预测精度更高、误差更小,能够更有效地对电力人因事故数量进行拟合、预测和统计分析。     

基于LSTM-XGBoost的短期电力负荷预测研究

随着电力系统的快速发展,针对短期电力负荷预测的人工智能方法研究已经取得了显著成就。由于长短期记忆(LSTM)神经网络能够拟合电力负荷数据时序性和非线性的特点,基于LSTM的短期电力负荷预测效果显著。但基于LSTM的预测方法存在预测精度低、泛化能力差等问题。为此,利用贝叶斯优化后的极限梯度提升(XGBoost)集成学习方法训练得到多个LSTM的强预测模型,提出基于LSTM-XGBoost的短期电力负荷预测的方法,并采用宁夏地区的电力数据进行算例分析。试验结果表明,对比基于LSTM和基于粒子群优化(PSO)-反向传播(BP)的短期电力负荷预测方法,基于LSTM-XGBoost的短期电力负荷模型预测精度、稳定性更高。该方法对于电力系统智能化发展有一定的应用价值。     

云环境下蚁群优化算法的视频点播视频流任务调度策略

针对云环境下大规模并发视频流调度过程中资源利用率低和负载不均的问题,提出一种基于蚁群优化(ACO)算法的视频点播(VOD)集群视频流任务调度策略VodAco。在分析视频流期望性能与服务器空闲性能的相关性、定义综合性能匹配度的基础上,建立数学模型,并采用蚁群优化思路进行最佳调度方案搜索。通过云仿真软件CloudSim实验表明,与轮询(RR)、贪婪(Greedy)算法相比,所提算法在任务完成时间、平台资源占有率、各节点性能负载均衡指标上具有较为明显的优势。     

分布式星群网络中基于蚁群算法的通信量分类路由

给出了一种分布式星群网络(Distributed Satellite Cluster Network,DSCN)体系架构,阐明了DSCN拓扑变化的特点。在分析网络状态获取方式和路由计算方法的基础上,提出了一种适用于DSCN的基于蚁群算法的通信量分类路由(Ant Colony Optimization Based Traffic Classified Routing,ATCR)算法。ATCR算法将通信量分为时延敏感型通信量A、带宽敏感型通信量B以及提供尽力而为服务的通信量C,并对蚁群算法(Ant Colony Optimization,ACO)收敛慢的缺点进行了改进。仿真实验表明,ATCR算法提高了收敛速度,可以有效平衡网络流量。通信量A和C的端到端时延要小于未采用通信量分类的改进ACO算法。由于减少了重负载链路的数量及拥塞引起的丢包,ATCR算法在分组递交率上的表现优于改进的ACO算法。     

智能电网调度优化及可视化设计

基于Dijkstra算法和蚁群算法实现智能电网的监视和调度的优化.通过上海浦东电力公司的5个电站作为实例,对于该由5个电站、10条通路组成的基本智能电网,进行了调度、监视和数据的实时查询,同时设计可视化界面呈现调度与检测结果.实现的优化算法及可视化设计解决当前智能电网调度可能产生的“信息过载”问题.     

基于蚁群优化支持向量机的短时交通流量预测

为了提高短时交通流量的预测精度,提出一种蚁群算法(ACO)优化支持向量机(SVM)参数的短时交通流量预测模型(ACO-SVM)。将SVM参数的选取看作参数的组合优化问题求解,采用鲁棒性较强的ACO来搜索最优解。仿真结果表明,ACO-SVM在预测精度、收敛速度、泛化能力等方面均优于参比模型,更适合于短时交通流量的预测。     

一种用于云计算资源调度的双向蚁群优化算法

对云计算环境中的资源调度问题进行了研究,针对蚁群优化算法(ACO)在处理大规模组合优化问题时易陷入搜索速度慢和局部最优解的缺陷,提出了一种实现云计算负载均衡的双向蚁群优化算法(BACO)用于资源调度;该算法考虑到了每个虚拟机的负载和计算能力,同时在云环境中引入了蚂蚁的向前移动和向后移动;最后通过在CloudSim平台进行仿真实验,结果表明该算法的总任务完成时间较短,具有较好的寻优能力,并且能够实现负载均衡,是一种有效的资源调度算法。     

初始信息素筛选的蚁群优化算法在HDFS副本选择中的研究

随着社会信息化程度的不断提高,各种形式的数据急剧膨胀.HDFS成为解决海量数据存储问题的一个分布式文件系统,而副本技术是云存储系统的关键.提出了一种基于初始信息素筛选的蚁群优化算法(InitPh_ACO)的副本选择策略,通过将遗传算法(GA)与蚁群优化算法(ACO)算法相结合,将它们进行动态衔接.提出基于初始信息素筛选的ACO算法,既克服了ACO算法初始搜索速度慢,又充分利用GA的快速随机全局搜索能力.利用云计算仿真工具CloudSim来验证此策略的效果,结果表明:InitPh_ACO策略在作业执行时间、副本读取响应时间和副本负载均衡性三个方面的性能均优于基于ACO算法的副本选择策略和基于GA的副本选择策略.     

简述基于蚁群算法的小型生物质发电调控配送系统

基于蚁群算法生物质发电的电力调控配送系统是生物质发电电网规划研究领域的一个重要组成部分,是在已知电网规划和负荷预测的基础上,根据现有的电网结构,合理地选择扩建线路以满足安全运行和经济性最优。我们研究开发的基于蚁群算法的生物质发电调控配送系统主要是解决如何更合理、更有效、更节约的把电力输送到用户中去。     

基于复合分析算法的智能电表数据应用

随着智能电表使用的普及化，其带来的海量数据得到了广泛关注。对这些数据的分析可获得众多有价值的信息。用户用电量预测是泛在电力物联网建设的核心内容。利用智能电表海量数据实现用户用电量的精准预测，是智能电表数据的重要应用方向之一。提出了基于模糊聚类、子群发现和长短期记忆(LSTM)神经网络相结合的复合算法，利用海量智能电表数据实现了用户用电量精准预测。首先，通过模糊聚类将区域内用户按用电量进行合理分类。然后，采用Apriori子群发现算法深度挖掘各子类中影响用电量的关联性因素，将各子类的相似日关联性因素和历史用电量作为LSTM的训练数据完成神经网络的训练。最后，实现了目标日的用电量精准预测。算例分析表明，该算法有效、可行。与其他预测方法相比，该算法剔除了非关联因素的影响，预测精度明显提高，实现了智能电表海量数据的高效利用。