基于组增长的小世界Scale-free网络模型

小世界和Scale-free是很多大规模复杂网络的重要特征,建立体现这些特征的网络模型是研究网络结构和行为的重要基础。针对现有模型不能全面地反映实际网络所具有的特征属性,提出了基于组增长的小世界Scale—free网络模型。该模型在小世界和Scale—free模型的基础上,结合了节点的本地强连接性、新增连接的度相关性和网络动态的增长方式,把小世界和Scale-free联系了起来。仿真结果表明,该模型生成的网络图同时具有小世界和Scale—free特征。     

swo:基于小世界效应的快速搜索算法

借鉴小世界网络理论中层次树模型和多分类标准建模的理论,设计了一种基于小世界效应的快速搜索算法SWO。采用掩码规则将解空间构造为层次树网络模型,并提出采用相映射的空间与原解空间共同组成双分层标准的建模理论。SWO算法通过对两种空间网络中长短部居关系的查询访问,将实验信封推送到目的地,从而找到解空间中的最优值。实验证明,引入映射空间搜索机制可避免算法陷入局部最优,而长邻居关系的访问又加决了算法的收敛速度。通过与遗传算法(GA)粒子群优化算法(PSO)和差分算法(DE)的对比,SWO算法表现出较强的搜索能力和较高的搜索效率。     

基于小世界现象的P2P网络搜索研究

本文依据小世界特性提出了一种P2P网络搜索引擎系统模型,并给出了系统模型中对等网络节点的拓扑结构,提出了一种搜索机制,使查询消息更高效的传播,实验数据说明本文搜索机制与洪泛算法相比更加有效。     

一种基于小世界网络和贝叶斯网络的混合推荐模型

小世界网络在聚类应用中具有良好的性质,贝叶斯网络在概率推理中也得到了广泛的研究.将小世界网络和贝叶斯网络结合起来,形成了一种混合推荐模型.该混合模型由两层组成,分别是用户层和商品层.其中小世界网络用于描述用户层内用户-用户结点间的关系,贝叶斯网络用于描述商品层内商品-商品结点,以及层间用户-商品结点间的偏好关系.对小世界网络的用户聚类方法、贝叶斯网络结构和参数学习方法、以及两层混合模型的推荐算法进行了描述,实验表明,该模型能够很好地表示用户-用户、商品-商品、以及用户-商品间的关系,推荐结果具有良好的准确度.     

小世界网络模型下的无线传感器网络

复杂网络是具有复杂拓扑结构和动力学行为特征的大规模网络,无线传感器网络呈现出多种复杂网络特性,如多跳、自组织特性等,这表明可借助复杂网络理论研究无线传感器网络的拓扑结构和动力学特性。在无线传感器网络的复杂网络特征的基础上建立小世界网络模型。仿真表明小世界网络模型下的无线传感器网络符合小世界网络具备的性质。     

基于小世界与兴趣相关度的P2P网络搜索研究

构造了具有小世界特性的非结构化P2P网络,并依赖网络节点的兴趣相关度,提出了一个基于小世界与兴趣相关度的P2P网络搜索算法,使查询消息在更高效的路由路径中传播,避免了消息转发中的盲目性。实验从算法的查全率、通信开销、覆盖率等方面说明了本文搜索算法与洪泛算法相比产生的代价更小,证明了本文搜索算法的有效性。     

基于网络熵的小世界网络形成分析

在小世界网络中,节点或边的改变使网络结构发生了演变,这意味着网络的熵也发生变化,因此可用网络的熵描述网络形成过程。经模拟实验发现:网络熵的变化是U型的;重连概率p决定熵的单调程度,而网络节点度k影响熵由降到增转变的时间。实验结果有助于以后更有效地对网络进行控制以及设计更加有效的网络形成模型。     

基于全零检测的改进小菱形搜索算法

为减小H.264/AVC编码器中的运动搜索时间并降低计算量,提出一种基于全零检测技术的改进小菱形搜索算法。在搜索中心及周围4个点进行匹配计算,计算过程中插入全零检测,提高搜索速度。与其他几种典型运动搜索算法的比较结果表明,该算法在保证一定峰值性噪比的条件下,能降低运动搜索次数、减少编码时间,适用于背景相对固定或中低运动强度的视频序列。     

基于全零检测的改进小菱形搜索算法

为减小H.264/AVC编码器中的运动搜索时间并降低计算量,提出一种基于全零检测技术的改进小菱形搜索算法。在搜索中心及周围4个点进行匹配计算,计算过程中插入全零检测,提高搜索速度。与其他几种典型运动搜索算法的比较结果表明,该算法在保证一定峰值性噪比的条件下,能降低运动搜索次数、减少编码时间,适用于背景相对固定或中低运动强度的视频序列。     

均衡型小世界优化策略

针对简单小世界算法由于节点集中节点之间信息孤立,以及局域短连接搜索效率较低的原因,造成在优化复杂函数时出现的停滞现象,提出了一种基于均衡性策略的小世界优化算法。在优化过程中,动态改变源节点的候选节点数、短连接搜索概率和与候选节点之间的海明距离,使用精英策略和新的短连接搜索策略,来保证在不同优化时期,对探索空间的“探索”作用和“开发”作用的合理权衡。仿真试验表明,在收敛精度、收敛可靠性、收敛速度和收敛稳定性等方面都优于原算法,有效地解决了原算法的停滞现象和低局域短连接搜索效率的问题,具备解决更复杂工程优化问题的潜能。     

An improved group search optimizer with operation of quantum-behaved swarm and its application

Group search optimizer (GSO) is a novel swarm intelligent (SI) algorithm for continuous optimization problem. The framework of the algorithm is mainly based on the producer-scrounger (PS) model. Comparing with ant colony optimization (ACO) and particle swarm optimization (PSO) algorithms, GSO emphasizes more on imitating searching behavior of animals. In standard GSO algorithm, more than 80% individuals are chosen as scroungers, and the producer is the one and only destination of them. When the producer cannot found a better position than the old one in some successive iterations, the scroungers will almost move to the same place, the group might be trapped into local optima though a small quantity of rangers are used to improve the diversity of it. To improve the convergence performance of GSO, an improved GSO optimizer with quantum-behaved operator for scroungers according to a certain probability is presented in the paper. In the method, the scroungers are divided into two parts, the scroungers in the first part update their positions with the operators of QPSO, and the remainders keep searching for opportunities to join the resources found by the producer. The operators of QPSO are utilized to improve the diversity of population for GSO. The improved GSO algorithm (IGSO) is tested on several benchmark functions and applied to train single multiplicative neuron model. The results of the experiments indicate that IGSO is competitive to some other EAs.     

基于小世界网络模型的无线传感器网络拓扑研究综述

小世界网络是复杂网络最重要的特性之一,将小世界网络理论引入无线传感器网络(WSNs),对分析网络拓扑结构、发现其中隐藏的规律以及提高网络性能具有十分重要的意义,在智能交通、军事等方面具有广泛的心用.综述了小世界WSNs的网络特征量、网络拓扑结构、应用前景及面临的主要问题,试图为小世界网络理论在WSNs中的研究勾画出一个较为全面和清晰的概貌,为相关领域的研究者提供有益参考.     

基于改进群搜索优化算法的群体路径规划方法

针对群体动画中传统路径规划算法搜索时间长、寻优能力差等问题,提出一种利用群搜索算法进行多线程路径规划的方法。该方法首先将模拟退火算法引入到搜索模式中,克服算法易陷入局部最优的问题;其次,通过结合多线程和路径随机拼接技术,将算法应用到路径规划中。仿真实验表明该算法无论在高维还是低维情况下都具有较好的全局收敛性,能够很好地满足在复杂动画环境下路径规划的要求。     

基于小世界模型的流形学习算法

等距特征映射(ISOMAP)不仅计算复杂度很高,而且缺乏对新样本的学习能力。基于标志点的ISOMAP(L-ISOMAP)通过只保持一些标志点之间的测地线距离有效地降低了复杂度,然而标志点集的随机选择常常会导致较差的嵌入结果。为此,提出了一种基于小世界模型的流形学习算法。根据小世界模型的原理,该算法仅仅保持每个样本点与其k个最近邻和一些随机选择的远点之间的测地线距离,采用最速梯度下降法优化来得到数据的低维表示。理论分析表明,该算法的计算复杂度远远低于ISOMAP的复杂度。利用应力函数和剩余方差对3个算法进行了比较。实验结果表明,从该算法得到的结果与从ISOMAP得到的结果相近,且优于从L-ISOMAP得到的结果。同时,该算法可以实现对新样本的学习,对噪声也不太敏感。     

基于交叉因子和模拟退火的群搜索优化算法

针对目前标准群搜索优化(GSO)算法存在的一些缺点,提出一种基于交叉因子和模拟退火群搜索优化(CMG-SO)算法,通过与模拟退火算法的结合来改善算法的收敛性能,并借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体成员优良特性,减小了算法陷入局部极值的可能.经过4个常用测试函数测试及与粒子群优化(PSO)算法、群搜索优化(GSO)算法对比,表明了该算法有较好的全局搜索能力和收敛速度,提高了优化性能.     

新的基于混沌搜索的组优化算法

为提高组搜索优化(GSO)算法的性能,结合混沌方法的全局搜索特性,提出一种新的基于混沌搜索的组搜索优化（CGSO）算法。此方法中,生产者利用混沌搜索方法不断寻找较好的位置;占领者结合当前生产者的位置和自己运动到目前为止的最好位置对自己当前的位置进行更新;徘徊者采用混沌变异方法探索新的位置。该算法运用Logistic映射的初值敏感性扩大搜索范围,利用其全局遍历性进行位置搜索,有效地提高了算法的全局收敛性。采用CGSO、GSO算法对四个典型的函数优化问题进行了仿真实验,仿真结果验证了方法的有效性。     

基于改进聚类算法的分布式SVM 及其应用

针对RPCL聚类算法存在的缺点，提出一种改进算法，并在此基础上得到了一种分布式支持向量机(DSVM)，针对SVM算法中阚值难以确定的问题，提出了一种两段学习算法．最后将DSVM应用于氧化铝高压溶出过程苛性比值的软测量，现场数据的仿真结果表明该方法具有较高的精度，能满足实际生产的需要。     

差分进化粒子群混合优化算法的研究与应用

对基本粒子群算法（PSO）和差分进化算法（DE）进行了分析,有机结合两种进化算法提出了一种新型差分进化粒子群混合优化算法,该算法将优化过程分成两阶段,两分群分别采用PSO算法和DE算法同时进行。迭代过程中引入进化速度因子并通过群体间的信息交流阻止算法陷入局部最优。对4个高维复杂函数寻优测试表明算法的鲁棒性、收敛速度和精度,全局搜索能力均优于常规PSO和DE。将提出的改进算法用于乙烯收率软测量建模,应用结果表明模型精度较高、泛化性能较好。     

改进和声搜索算法及其在连续函数优化中的应用

针对一般和声搜索(HS)算法在求解连续函数优化问题时存在的困难,提出一种改进的多样化和声搜索(IDHS)算法。该算法借鉴模拟退火算法的思想对参数的更新方式作出调整,并且限制保存在和声记忆矩阵中的一致和声的数量以增加解的多样性。数值仿真结果表明,与其他几种传统的和声搜索算法相比,该方法进一步提高了计算精度和收敛速度,以及全局寻优能力。