基于群集智能的MANET路由算法

为了在MANET中建立和维护路由,提出一个新的基于群集智能的MANET路由算法。群集智能路由算法属于主动路由算法,使用ant(agent)在MANET中动态发现和维护路由。模拟试验显示群集智能路由算法在带宽有限,拓扑结构不断变化的MANET环境中,具有较好的可靠性和工作效率。     

一种基于等级有序竞争的群集控制

就异构群集内部的竞争协调问题,根据非移动状态下金丝猴群空间结构和等级关系的研究成果,构建了一种等级有序竞争智能体模型,并提出一种基于等级有序竞争的群集控制算法.算法通过利用质心Voronoi划分,将给定区域内等级个体的群集控制问题描述为一个关于个体位置的有约束优化问题;个体综合考虑自身安全、效用函数优化以及群集内等级有序协调3方面要求,通过模仿动物个体间基于等级的协调行为,有效地解决了群集过程中个体安全和异构个体间的冲突;最后获得的群集分布呈现等级有序性.理论分析和仿真实验结果验证了算法的有效性.     

粒子群优化算法及其与遗传算法的比较

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题。该文讨论粒子群优化算法的基本原理和实现步骤,分析了该算法中各参数的设置。通过一个测试函数,对粒子群优化算法与遗传算法进行了比较,结果表明粒子群优化算法在找寻最优解效率上好于遗传算法。     

多智能体系统的协调控制研究综述

近年来,多智能体系统的协调控制在多机器人合作控制、交通车辆控制、无人飞机编队和网络的资源分配等领域有着广泛的应用,成为当前控制学科的一个热点问题.首先介绍了多智能体系统的研究背景、智能体的概念和相关的图论知识;然后从多智能体系统协调控制包含的几个问题入手,即群集问题、编队控制问题、一致性问题和网络优化问题等,对其国内外的发展现状进行了总结和分析;最后,给出了多智能体系统有待解决的一些问题,以促进对多智能体系统协调控制理论与应用的进一步研究.     

基于群体智能的一种聚类算法研究

研究了一种聚类组合算法。首先概要介绍了数据挖掘中聚类分析的概念，同时对当前研究的热点群体智能也作了简要的说明，对基本的蚁群聚类算法作了详细的分析，提出了一种基于群体智能的聚类组合算法，借鉴改进的单蚁群算法SACA的聚类收集和标识方法，进行聚类的标识。并根据蚂蚁觅食的转移概率进行二次聚类。实验表明，该算法用于对银行客户细分有较好的聚类效果。     

自组织学期开课计划算法的研究

通过对高校培养模式和毕业生就业竞争形势的分析，以社会需求和满足个性化学习为研究目标，提出了基于群集智能自组织方式构建学期开课计划的算法，并详细论述了信息素的表示及其更新规则。用该算法制定学期开课计划与传统做法不同的是学校方面不参与集中控制，在宏观上形成开课计划的同时，每个学生在微观上都能按自己的意愿选课，通过信息直接反馈资源也将自动优化与更新。     

基于蚁群算法的TSP问题求解

TSP问题是典型的NP—hard组合优化问题,蚁群算法是一种求解此类问题的优化算法,通过模拟蚂蚁觅食行为来解决NP问题。文章使用蚁群算法求解TSP问题,并结合TSP问题的特点选择了一种合适的蚁群更新策略。     

蚁群聚类算法在智能答疑系统中的应用研究

研究了智能答疑系统中的问题分类．根据智能答疑系统的特点,将蚁群聚类算法引入智能答疑系统中,并对该算法在智能答疑系统中的应用进行了分析和测试．该算法能有效的对智能答疑系统范例库中的问题进行聚类,进一步提高了答疑系统检索的效率和智能性．     

粒子群优化算法研究进展

粒子群优化算法是根据鸟群觅食过程中的迁徙和群集模型而提出的用于解决优化问题的一类新兴的随机优化算法.介绍了PSO算法的基本原理和一些改进措施及PSO算法的应用,并对其将来的发展进行了展望.     

基于智能体技术的人员群集流动动力学模型

目的运用计算机技术研究复杂的群集流动现象，设计和优化人员疏散系统．解决群集人员流动安全管理问题．方法吸取社会力模型中行人运动受到社会力支配的思想，综合考虑行人之间的相互影响，利用智能体技术，在人员流动行为规则的指导下，建立群集流动的微观动力学模型，借助自适应网格生成技术实现了人员群集流动的计算机模拟．结果对仅有一个出口的大房间和设有障碍的通道的人员疏散过程进行了模拟，模拟动画图像显示了人员流动过程中在流动通道瓶颈处的成拱现象及行人流避让和绕过障碍的现象．结论通过群集流动微观动力学模型并借助自适应网格生成技术，实现了对于人员群集流动状态及其演化过程的计算机模拟．提高了运算速度．表明本模型具有一定的适用性．     

基于混沌粒子群优化的时变解耦模糊滑模控制

为确认单输入解耦模糊滑模算法是否具有稳定性,通过构造合适的Lyapunov函数,对该种算法进行稳定性分析,证明该算法具有渐近稳定性;为准确而快速的得到最佳控制增益,在基本粒子群算法的基础上,提出了用混沌粒子群算法选取其最佳控制增益,仿真研究表明：混沌粒子群算法较基本粒子群算法的收敛速度和优化效果都得到了提高.     

基于反向学习与混合位置中心的樽海鞘算法

为解决樽海鞘算法收敛速度慢和易陷入局部最优解的问题,引入不同的优化策略,提出一种基于反向学习与混合位置中心相结合的樽海鞘算法。该算法在更新领导者位置时进行反向学习;在每次迭代更新中引入位置加权中心和位置均值中心,通过比较不同位置中心值的优劣程度得到更佳食物源位置。在8个不同类型的基准测试函数上的实验结果表明,改进的樽海鞘算法在求解精度、收敛速度上均有明显的提高,且具有更佳的鲁棒性。     

基于粒子群算法的模糊滤波器优化方法

根据粒子群算法可以搜索全局最优的特点,提出一种新的基于粒子群算法优化模糊隶属函数,从而对带有脉冲噪声图像进行模糊中值滤波的方法.该方法给出一个新的模糊熵定义,采用改进粒子群优化算法寻求隶属函数的最优参数,依照最大熵准则将图像变换到模糊域,然后对需要处理的噪声图像进行滤波.实验表明,提出的方法可以很好地滤除图像中的脉冲噪声,自适应性强.     

改进多目标粒子群优化算法及在图像融合中的应用

在深入研究图像融合算法的基础上,受多目标粒子群优化算法(MOPSO)的启发,提出了一种改进的MOPSO算法,并将该改进算法用于图像融合方面。这种算法提出了两次调节指数收敛函数,使得寻优速率得到更为平滑地过渡,从而让搜索结果更好的接近Pareto最优解集。实验结果表明,与传统的融合算法比较在客观性能指标上得到提高。     

基于多样性优化策略的粒子群算法

针对标准粒子群优化算法(SPSO)存在粒子群多样性丢失而易陷入局部最优的问题,提出了一种改进优化算法(PSOBF),该算法通过引入排斥操作而提高了搜索效率.通过对4个标准测试函数的性能数值实验对比,并比较了PSOBF、SPSO及ARPSO算法结果,证实PSOBF可以较好地实现全局与局部搜索的平衡,表明改进算法是有效的.     

基于改进狮群算法和BP神经网络模型的房价预测

将狮群算法(lion swarm optimization,LSO)与海鸥算法的迁徙机制和螺旋搜索机制结合,增强算法的局部搜索能力;同时增加监督机制,提高算法的全局搜索能力.与粒子群算法和狮群算法对比,在常用的测试函数上验证改进狮群算法的优越性.采用改进后的狮群算法优化BP神经网络模型,对房屋价格预测问题进行研究,通过...     

一种新颖的人工鱼群算法

为了克服基本人工鱼群算法(AFSA)收敛速度慢、求解精度不高和易陷入局部最优的不足,提出了一种新颖的人工鱼群算法(AO-AFSA).该算法结合人工鱼与粒子群(PSO)中的粒子都具有个体学习能力和社会学习能力,模拟粒子群中粒子的速度位置更新公式去分别修改人工鱼群算法中人工鱼的觅食行为、聚群行为、追尾行为的更新公式.并采用5个典型的测试函数进行仿真实验,分析算法的寻优精度、收敛速度以及稳定性.测试结果表明改进后的算法能够较快地收敛至全局较优解,有更强的稳定性,并具有较好的寻优性能.     

基于天体运动更新机制的改进樽海鞘群算法

为了解决樽海鞘群算法(SSA)在收敛速度和求解精度方面存在的问题,提出了一种改进的樽海鞘群算法。通过在原算法中引入天体运动更新机制来提高算法的收敛速度和收敛精度。用7个常见的测试函数对改进算法进行仿真验证,同时将结果与现有的灰狼算法(GWO)、粒子群算法(PSO)和蚁狮算法(ALO)进行对比。结果表明,引入天体运动更新机制的樽海鞘群算法具有更优的性能,证明了改进方案的有效性。     

粒子群算法和Qos约束对EIGRP度量算法的优化

针对EIGRP协议无法适应高速复杂网络、不考虑服务质量的缺点,提出了一种基于粒子群算法和Qos约束路由的计算EIGRP混合度量值的算法.分析了EIGRP协议计算路径开销主要依据的五个指标在应用中的特点,并在此基础上建立模型,将粒子群算法应用到该模型中实现路径的寻优.仿真结果表明,粒子群算法用于该模型中能够得到很好的收敛速度和寻优结果.