动态信息素更新和路径奖惩的蚁群算法

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题的情况,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效地平衡算法的多样性和收敛性。在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,跳出局部最优。同时基于最优路径集合,对较优路径进行奖励,对其他路径进行惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度。并且使用三种局部优化方法,从而进一步提高解的精度。经过实验测试,该算法用于解决旅行商问题（traveling salesman problem,TSP）,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾。     

基于动态重组和协同交流策略的蚁群优化算法

针对传统蚁群算法在解决旅行商问题(TSP)时所存在的收敛速度慢、易陷入局部最优等问题,提出了基于动态重组和协同交流策略的蚁群优化算法(RCACO).首先,将蚁群划分为贪婪蚁群和探索蚁群,两类蚁群执行不同的路径构建规则和信息素更新策略,以平衡算法的收敛速度和多样性.其次,采用一种基于线索二叉树的新型动态重组算子,并根据不同的重组策略对解集进行有导向性的动态重组,以提升算法的多样性.进一步,提出一种基于相似度和潜力值的协同交流策略,从全局的角度出发,找到最有潜力成为最优解的路径,并对这些路径给予信息素奖励,以提升算法的收敛速度.最后,算法还加入了停滞规避策略,以帮助蚁群跳出局部最优,提升算法的求解精度.通过Matlab对TSPLIB中的多组案例进行仿真实验,与传统蚁群算法和其他优化算法进行对比分析,仿真结果表明,改进的蚁群算法显著提高了收敛速度和求解精度.     

融合奖惩学习策略的动态分级蚁群算法

为应对传统蚁群算法在解决旅行商问题(TSP)中求解精度不高、算法易早熟等问题,提出融合奖惩学习策略的动态分级蚁群算法(DHL-ACS).首先将蚁群动态划分为帝国蚁、殖民蚁及国王蚁,其中帝国蚁与殖民蚁执行局部信息素更新,国王蚁执行全局信息素更新,在局部信息素更新中帝国蚁执行较大权重系数,负责对较优解的开发增强算法导向性,殖民蚁执行较小权重系数,负责对次优解的探索保证算法多样性,并利用帝国蚁与殖民蚁交换优质解的方式提高解的精度.其次提出一种改进的学习策略,通过奖励帝国蚁与殖民蚁的公共路径以实现较优解的同化作用,进而提高算法收敛速度;进一步当算法停滞时,引入反馈算子来减少国王蚁路径上的信息素,以达到对较高信息素路径的惩罚作用,从而提高种群多样性,增强算法跳出局部最优能力.通过对多组TSP数据集实验对比分析,实验结果表明改进后的算法很好地平衡了收敛速度与多样性之间的关系,尤其应对大规模TSP问题,能有效改善解的精度.     

结合协同机制与动态调控策略的双蚁群算法

针对蚁群算法在求解旅行商问题(TSP)时出现的收敛速度慢和多样性较差的问题,提出结合协同机制与动态调控策略的双蚁群算法.首先,将蚁群根据适应度值动态地划分为导向蚁和合作蚁,从而构成异构双蚁群.其次,异构双蚁群采用协同机制平衡算法多样性和收敛速度:导向蚁在路径构建时引入传播因子,增大蚂蚁选择新路径的概率,扩大搜索范围,提高算法多样性;合作蚁受导向蚁中最优路径的引导,当路径相似度达到阈值时,启动合作算子,加快算法收敛速度.最后,引入动态调控策略,在全局信息素更新时引入自适应调控算子,对全局最优路径的信息素进行正向激励或反向惩戒,加快收敛速度的同时避免算法陷入局部最优.求解TSP测试集的实验结果表明,该算法不仅提高了解的质量,保证了算法多样性,而且加快了算法收敛速度,尤其在大规模城市问题中效果更为明显.     

基于纹理特征的磁片表面刀纹缺陷检测

表面缺陷检测在工业生产中对产品质量可以起到有效的监督控制作用,而目前对磁性材料表面刀纹缺陷检测的方法各自存在自身的局限性,如成本过高、检测速度太慢而不能满足工业生产中实时检测的需求等。为了能够达到实时稳定的检测磁片表面刀纹缺陷的目的,本文借助于计算机工业视觉系统,基于纹理特征,通过图像预处理,采用增强缺陷部分并抑制背景部分的方法,使得各种缺陷具有了统一性,从而能设计适合的掩模来提取出缺陷部分,实现了对磁片表面刀纹缺陷的检测。实验结果表明,采用本文提出的方法可以实时完成对磁片表面刀纹缺陷的检测并且对于多种缺陷类型都适用。     

交互式学习的布谷鸟搜索算法

针对布谷鸟搜索算法在求解旅行商问题时,存在初期信息缺乏严重和收敛速度慢等问题,提出一种交互式学习的布谷鸟搜索算法（Interactive Learning Cuckoo Search Algorithm,ILCSA）。为提高布谷鸟搜索算法的搜索效率,结合蚁群优化算法构建双层交互学习模型,将蚁群作为底层种群,布谷鸟作为高层种群,双种群互相学习,合作寻优,提高搜索速度;此外,在布谷鸟搜索算法中引入强化学习策略,自适应更新步长,并对发现概率进行动态调整,深度优化最优解,进一步提高解的质量。最后采用多组不同规模的标准TSPLIB算例与其他优化算法进行对比,结果表明ILCSA算法在求解精度和稳定性方面表现更优。     

基于自适应算子的混合进化算法及其应用

提出了一种求解多目标优化最短路径问题的混合进化算法。算法中依据小生境机制生成若干个实数编码染色体的子群,各子群分别利用自适应算子的局域搜索能力找出优化解。协同进化机制能更好地保证进化的方向性和种群的多样性,基于路径表示的染色体十进制编码方法以及染色体的交叉和变异具有新颖性。该算法用于解决智能交通系统的公共交通线路换乘问题,实验结果表明了其优越性。还运用Markov随机过程理论证明了算法的收敛性。     

一种带记忆效应的功率放大器非线性仿真分析

针对目前带记忆效应的功率放大器非线性失真问题,基于限幅的基带预失真技术,采用目标规划给出了无记忆预失真器的矩阵模型.在满足输出功率最大化的同时,限制归一化均方误差值在满意的范围,并提出了有记忆非线性功率放大器的带抽头延时的反向传播神经网络(BPNN)模型.仿真结果表明,提出的实验方法精度高,能达到比较好的线性化效果.     

基于UML的地理数据模型研究

分析和讨论了两种常用地理空间数据模型的缺陷与不是，探讨了使用UML进行GIS空间数据模型分析和设计的方法和步骤，并阐述了该方法的特点和优势。     

引入熵的自适应双种群蚁群算法

为了克服蚁群算法解决旅行商问题（TSP）存在的收敛速度慢和解的质量不高等问题，提出了一种新的引入熵的自适应双种群蚁群算法RBAC。将蚁群划分为红蚁群和黑蚁群，红蚁群在路径选择中引入反馈算子优化解的质量，黑蚁群在信息素更新规则引入负荷算子和反馈算子加快收敛速度并防止陷入局部最优。运用信息熵调控红黑蚁群的划分，当熵值达到目标数值时使红蚁群失活并复制相应数量黑蚂蚁，从而前期提高解的质量，后期加速收敛速度。应用RBAC求解TSP问题，并与经典ACS算法进行比较，结果表明RBAC算法在解的质量和收敛速度之间达到良好的平衡，尤其在大规模城市问题中效果更好。