基于改进蚁群算法的多约束QoS路由方法

高速多媒体网络路由问题是一个多QoS约束的NP一完全问题,提出一种改进蚁群路由算法对该问题进行求解。该算法采取了带记忆的后继节点选择方式,利用蚂蚁已走过的路径启发后继节点的选取;引入了基于目标函数的信息素更新机制,依据目标函数评价蚂蚁路径搜索行为,并根据蚂蚁的表现采取不同的信息素更新策略,提高了算法的寻优能力和收敛速度。仿真实验表明,该算法能快速得到较大程度满足业务QoS要求的路径。     

卫星网络中基于多QoS约束的蚁群优化路由算法

针对蚁群算法在求解多目标优化问题时存在收敛速度慢、容易陷入局部最优解等问题,提出一种面向卫星网络的多约束QoS路由算法。通过改进蚁群算法的启发函数,将链路QoS信息作为蚂蚁选择下一跳节点的重要依据,并结合排序思想与最大最小蚂蚁算法优化信息素更新规则,获取符合当前业务的最优QoS路径。实验结果表明,该算法在满足卫星网络业务多QoS需求的同时,具有良好的收敛速度和寻优能力。     

基于可选节点集优化的变异蚁群算法的QoS路由算法

多约束QoS单播路由问题是一个NP-完全问题,针对基本蚁群算法在解决多约束QoS单播路由问题时易陷入局部最优解、收敛速度慢的突出缺点,提出一种基于可选节点集优化的变异蚁群算法对该问题进行求解.该算法采取混合蚂蚁行为,可选节点集优化,二次变异,借助节点使用计数器,引入二次蚁群搜索机制,减少了算法陷入局部极值的可能性,提高了算法的寻优能力和收敛速度.仿真实验结果验证了该算法的可行性和有效性.     

改进型量子蚁群算法求解QoS单播路由

针对遗传以及蚁群算法在求解QoS单播路由问题时收敛速度慢和易于陷入局部最优的问题。采用量子蚁群算法求解QoS单播路由,采用量子旋转门实现蚂蚁的移动,用量子非门来实现蚂蚁位置的变异,同时为了确保算法不陷于局部最优,对量子蚁群算法做了改进,并进行了对比实验。实验表明该算法不但克服了遗传以及蚁群算法的易限于局部最优解的缺陷,在收敛速度上也优于相关算法,能较好地解决QoS单播路由问题。     

基于改进蚁群算法的机器人路径规划算法

针对机器人路径规划中,传统蚁群算法收敛速度慢、易陷入局部最优解等问题,提出了一种移动机器人路径规划的改进蚁群优化(ACO)算法。用栅格法建立环境模型,并基于人工势场建立启发信息素矩阵,降低了蚂蚁在初始阶段搜索的盲目性;引入激励函数,降低搜索过程中的死锁现象;改进信息素的更新机制,增强了优秀蚂蚁对全局路径规划的影响。仿真结果表明:改进后蚁群算法的机器人路径规划算法加快了收敛速度,具有较强的鲁棒性和全局寻优能力。     

基于混合行为的蚁群算法

针对基本蚁群算法易出现停滞、收敛速度慢的问题,在最大最小蚁群算法的基础上提出了一种基于混合行为的蚁群(HBAC)算法,通过引入停止蚂蚁来构造局部路线方式和增加全局调优策略,提高了算法的搜索能力和收敛速度,同时将蚂蚁所寻找的各条路径的信息素限定在一个可动态调整的范围之内,避免了算法过早陷于局部最优解.通过HBAC算法同其他蚁群算法在求解旅行商问题上的实验比较,发现该算法拥有较快的收敛速度,提高了全局最优解搜索能力,在性能上有了较大的提高.     

基于双向分工蚁群算法的QoS路由算法

针对蚁群算法在QoS路由应用上的收敛速度慢和易陷入局部最优等缺陷,提出一种基于双向分工蚁群算法的QoS路由算法,在算法中引入路径变异策略,进行二次蚁群寻优,并实行双向搜索的分工机制,使算法保持更好的多样性特征,有效抑制算法过早收敛,提高全局寻优能力和收敛速度,使QoS路由优化问题得到很好地解决.     

基于改进的混合蛙跳算法机器人路径规划的研究

对于采用混合蛙跳算法进行机器人路径规划容易产生局部最优、收敛速度慢等问题,把人工鱼群算法融合到混合蛙跳算法。人工鱼群算法的追尾行为有利于加快收敛速度,群聚行为提高了跳出局部最优解的能力。把机器人路径规划问题转化为最小化问题,使用改进的算法对其进行优化,最终得到全局最优路径。仿真结果表明,与改进前的算法相比,改进后算法具有较强的全局寻优能力和较快的收敛速度。     

一种人工势场导向的蚁群路径规划算法

针对复杂环境下的机器人路径规划问题,提出一种势场法优化的蚁群路径规划算法。为提高算法收敛速度,将人工势场法的规划结果作为先验知识,对蚁群初始到达的栅格进行邻域信息素的初始化,并通过构建势场导向权改变蚂蚁概率转移函数,使其作用于蚂蚁路径搜索的始终,从而改善蚁群路径搜索的盲目性。仿真结果表明,新算法具有收敛速度快、规划路径短以及环境自适应的优点。     

浅谈改进的蚁群算法

蚁群算法也称蚂蚁算法,模拟生物蚂蚁觅食寻找最佳路径的行为,它由D.M等人提出.算法本质是在图中找出最佳路径.与神经网络等算法一样,是一种新的模拟进化方法.蚁群算法具有很多优良的特性和应用价值.该文对三种改进的蚁群算法进行了细致的阐述、分析与比较,得出它们的优势与不足之处.但是,基本的蚁群算法可能过早的陷入部分最优解且收...     

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。     

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。     

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。