粗糙域A*算法估价函数最优权研究

A*算法的核心问题是估价函数的构造及其权值确定问题.通常估价函数构造和权值确定主要依赖实验和经验法,这样构造的估价函数粗略,算法的复杂度较高且实时性差.为了解决这一问题,本文通过对粗糙域粗糙属性概率分布的分析,得出基于粗糙域A*算法估价函数的最优权与粗糙属性概率分布的标准差的相关性,并通过实验对结果进行了验证.实验结果表明最优权的确定使A*算法的复杂度明显降低,且能够满足实时应用的需要.     

粗糙域Voronoi图离散生成算法研究

Voronoi图是计算几何的一个重要分支,粗糙域Voronoi图是Voronoi图概念在复杂生成面上的扩展。提出了粗糙域Voronoi图的概念并利用A‘算法计算生成面上点与各母点的最短路径对其进行离散生成。为了降低粗糙域Voronoi图离散生成算法的复杂度,对粗糙域下A’算法估价函数权值与粗糙域粗糙特性的关系进行了深入探索。实验结果表明,A’算法估价函数权值与粗糙域粗糙特性正相关,并以此获得r算法估价函数的最优权,大大降低了粗糙域Voronoi图离散生成算法的复杂度。     

A*算法在车辆导航系统中的应用研究

在十分复杂的交通地形图中,通过分析完备性、最优性、时间复杂度、空间复杂度性能问题,使用当代流行的智能语言-Mathematica,提出三组不同估价函数对基于启发式搜索的A*算法进行优化,从而实现了车辆导航的高效率化.实验结果表明:优化后的估价函数是切实有效的,在应用导航系统中得到了较满意的选路方案.     

一种基于核函数参数优化的属性选择算法

属性选择可以有效地去除属性集中的冗余属性,降低分类算法的计算量,提高分类算法的泛化能力。以往的属性选择算法复杂度较高或者容易陷入局部最优解或者过多地依赖于随机因素。提出一种基于核函数参数优化的属性选择算法,该算法首先构建一个与属性相关联的核函数,核函数中的参数个数与属性个数一致,参数取值为0或1,对应着属性的取舍,然后通过交叉验证方法进行核函数参数的确定。该算法有效地将属性选择问题转化为核函数参数确定问题。在文本分类数据集上的仿真实验表明该算法可以较快较好实现属性选择,提高分类算法的性能。     

基于A*算法的全局路径搜索

解决路径搜索问题有许多算法。本文基于A*算法,选择不同的估价函数进行路径搜索,找出在不同环境下的尽可能优化的路径,确定一种合适的估价函数,解决移动机器人的避障与导航问题。通过VC 6.0程序语言进行仿真实验,验证所选择的路径。     

基于D*Lite算法的估价函数分析

为提高D*Lite算法在机器人路径规划中的效率,提出3种基于D*Lite算法的估价函数。研究函数的特性及其构造原则,结合Aε*算法的特点,利用估价函数的可纳性约束设计其改进算法。实验结果表明,改进算法能减少扩展节点的数量,提高搜索效率,并保证其解在一定范围内的最优性。     

基于DEM格网的改进型A*路径搜索算法

为解决DEM格网上的路径搜索问题,分析了DEM格网和道路拓扑网络的共性与区别,并结合DEM格网的特点对比了Dijkstra算法和A*算法的优缺点,提出了基于DEM格网的改进型A*路径搜索算法。该算法充分考虑DEM格网上的路径可达条件,采用移动窗口法获取搜索网格候选集,并根据地理空间分布特征选取A*算法的估价函数,同时引入贪婪准则缩小搜索范围,降低问题复杂度。结合实例对算法进行了实验分析,验证结果表明了该算法的可行性和有效性。     

基于启发式算法的路径规划

对路径规划中的最优路径选择算法进行了研究.目前广泛采用的A*最优路径规划算法,在实际的执行过程中容易陷入“死循环”,并且其找到的路径并非最优路径.为了提高最优路径规划的准确度和寻优速度,在分析了基本的A *算法的基础上,提出了一种双向A*递归算法,主要通过加入搜索方向因子,充分利用硬件资源和并行编程技术,克服原有A*算法的缺点.最后通过实验和对比证明,双向A *递归算法充分利用双核CPU并行工作的优势,结合并行算法设计,并改进了估价函数模型,大幅提高了算法的性能和运行效率,特别是在大规模路径图搜索的情况下,体现了它的实用性.     

一类区间系数线性双层规划问题的遗传算法

针对一类上层目标函数带区间系数的线性双层规划问题,提出了一种基于双适应度函数评估的遗传算法(GA)。该算法的特点是在一次运算中同时获得最好最优解和最差最优解。首先,利用双层规划约束域的顶点进行个体编码,以上层目标函数中系数的上下端点构造两个适应度函数;其次,利用适应度函数排序种群中的个体,并按从好到差的次序验证个体的下层最优性,直到找到一个可行个体;最后,在算法运行中更新找到的可行个体。通过对4个算例的仿真实验,表明算法是可行且有效的。     

无线wifi最优热点组网通信技术的研究与仿真

研究无线wifi通信网络优化问题.无线wifi网络通信节点分布的地理位置呈现随机分布.传统的组网通信过程多是根据位置信息选取最优节点,选取依据较为单一,当前节点属性较为复杂,根据单一的地理位置信息选取节点很难保证最优选取,造成通信效率下降.提出一种热点距离权值重心构造的无线wifi最优热点组网通信算法.计算无线wifi网络中热点之间的距离,根据获取的结果计算热点的权值系数,并构造热点的权值重心,获取最优热点的空间位置,将这些最优热点进行组合,实现无线wifi最优通信.实验结果表明,改进后的算法进行无线wifi最优热点组网通信,能够有效提高通信效率.     

一类区间系数线性双层规划问题的遗传算法

针对一类上层目标函数带区间系数的线性双层规划问题,提出了一种基于双适应度函数评估的遗传算法(GA)。该算法的特点是在一次运算中同时获得最好最优解和最差最优解。首先,利用双层规划约束域的顶点进行个体编码,以上层目标函数中系数的上下端点构造两个适应度函数;其次,利用适应度函数排序种群中的个体,并按从好到差的次序验证个体的下层最优性,直到找到一个可行个体;最后,在算法运行中更新找到的可行个体。通过对4个算例的仿真实验,表明算法是可行且有效的。     

图的最优K划分

本文提出了一种新型的最优K划分算法,此算法借助一有效的启发式估价函数,将划分问题转换为状态空间最小耗散路径的搜索问题,再利用A算法给出最优K划分算法。     

基于EI优化权值的多聚焦图像融合方法

针对图像融合空间域方法中权值确定的问题,提出了一种基于图像融合客观评价准则中的边缘信息E(IEdge Information)的优化权值方法,通过寻找最优权值使得融合图像的EI最大,从而获得最好的融合效果。该方法采用适应度函数为EI的遗传算法实现,并且结合分块加权融合方法融合多聚焦图像,得到最优融合结果。实验结果表明,该方法有良好的融合效果且优于传统的融合方法。     

基于加权距离计算的自适应粗糙K均值算法*

针对粗糙K均值算法的执行效率较低和对数据对象的处理不准确,本文提出了基于加权距离计算的自适应粗糙K均值算法。该算法首先在粗糙集理论应用的基础上修正数据集合的隶属度函数,其次结合属性约简方法,根据数据属性对聚类效果的影响因子设置权值,在欧氏距离中引入权值系数来初始化簇的中心点,最后通过K值递增的改进算法对数据集进行正态检验来验证每个簇的数据是否符合高斯分布模型,从而能够自适应地确定K值。实验结果表明,改进后的算法相比原算法在能保证一定执行效率的同时,能获得较高的聚类精确度,且对高维数据集也有较强的适应性,从而表明该算法是有效可行的。     

基于权值与结构确定法的单极Sigmoid神经网络分类器

构造了以单极Sigmoid函数作为隐层神经元激励函数的神经网络分类器,网络中输入层到隐层的权值和隐层神经元的阈值均为随机生成。同时,结合利用伪逆思想一步计算出隐层和输出层神经元之间连接权值的权值直接确定(WDD)法,进一步提出了具有边增边删和二次删除策略的网络结构自确定法,用来确定神经网络最优权值和结构。数值实验结果表明,该算法能够快速有效地确定单极Sigmoid激励函数神经网络分类器的最优网络结构; 分类器的分类性能良好。     

基于分层的改进A＊算法在路径规划中的应用

智能交通中的路径诱导系统能够极大地提高人们的出行效率与出行体验。经典A＊算法只注重搜索精度而忽略了搜索效率,在城市道路网络分层的基础上,对高层道路使用的A＊算法进行了改进,对于道路网络中的不同节点,设置估价函数具有不同的权值,同时给定权值的一个上下限阈值,以平衡算法的搜索效率与搜索精度。实验表明,得到的最短路径虽然不是常规的距离最短却是实际行驶时间最优的。     

A*估价函数在复杂配送路径优化中的改进

随着城市交通日趋复杂,时间和路径成本直接决定路径规划的效果,但传统的A*算法已经不能满足复杂路径优化的需求。对此,提出了一种TWA*算法,在传统的A*算法基础上对其估价函数进行了改进。首先,通过时间参数建立时间因子归一化模型来提高节点被选择概率,节约时间成本;其次,结合时间因子与估价函数降低路程成本。实验采用北京市某一区域GPS数据,分别用A*算法和TWA*算法进行验证,结果表明,与传统A*算法相比,TWA*算法在时间及路径成本上分别提高了约6%和5%,达到了路径优化的目的,同时为企业物流的高效配送提供了较可靠的参考依据。     

改进的基于差别矩阵的属性约简算法

指出现有差别矩阵属性约简算法的不足,对原有差别矩阵和属性重要性度量方法进行改进,运用差别矩阵元素项的重要性质,提出一种新的启发式约简完备算法,有效地降低差别矩阵约筒算法的空间复杂度。仿真实验结果显示,新算法产生的约筒与分辨函数思想产生的最优约简一致,表明了新算法的有效性与完备性。     

基于改进蚁群算法的机器人路径规划问题研究

针对蚁群算法收敛速度慢,容易陷入局部最优的问题,结合A*算法和蚁群算法提出了一种解决机器人路径规划问题的改进蚁群算法。自适应调整启发函数,在路径的后程借鉴启发式A*算法的估价函数,在ACS算法的启发函数中引入方向信息,提高算法的搜索效率,同时动态调整权重系数改变目标点的方向信息在蚂蚁移动过程中的影响,以平衡ACS算法解的多样性和收敛速度慢之间的关系。仿真实验表明,该算法不但可以提高收敛速度,而且在改善解的质量方面也取得了较好的效果。     

基于稀疏贝叶斯学习的图像重建方法

结合稀疏贝叶斯学习(SBL)和可压缩传感理论(CS),给出一种在噪声测量条件下重建可压缩图像的方法.该方法将CS理论中图像重建过程看作一个线性回归问题,而待重建的图像是该回归模型中的未知权值参数;利用SBL方法对权值赋予确定的先验条件概率分布用以限制模型的复杂度,并引入超参数;最大化超参数的边缘对数似然函数求得权值参数的最优估计即待重建图像.该方法同时还给出了权值估计的后验概率密度和误差条,从而获得权值最优值的不确定性测量.实验结果表明,SBL方法可以获得精确重建,并且在相同相对重建误差的条件下,比基追踪(BP)方法需要更少的重建时间,比正交匹配追踪(OMP)需要更少的测量次数.