蚁群算法及其在路由优化中的应用综述

蚁群算法(ACO)是一类新型的机器学习技术,根据蚁群算法的正反馈原理和启发式原理的特点,针对目前国内国际的研究情况,对蚁群算法在最优路径的搜寻上从收敛性,收敛算法的改进以及收敛速度等方面的研究分别进行了分析综述,并对蚁群算法的一些应用,如:LEO卫星网络和无线传感等方面进行了阐述.对蚁群算法在路由优化和负载平衡上的研究进行了对比分析,发现了它们存在的不足,指出了在该领域需要进一步研究的热点问题.     

基于QoS的Pareto最优的服务选择

随着越来越多的服务能够满足用户的功能需求,需要一种策略基于服务的多种QoS属性来帮助用户选择合适的服务.以XML描述服务的QoS属性,提出了一种基于QoS的Pareto最优的服务选择策略,选择出那些不在所有的QoS属性上劣于其它服务的服务.实验结果表明,与随机选择和偏好导向的选择策略相比,Pareto最优策略有独特的效果.     

基于带无偏输入的加权融合算法

给出了带输入估计的卡尔曼滤波算法,比较了带输入估计的卡尔曼滤波算法和标准卡尔曼滤波算法的差别,在此基础上提出了一种最优加权的数据融合方法,分析了最优权值的分配原则,给出了最优加权下的多传感器融合算法.该算法首先计算出各个传感器当前的滤波精度,依据各传感器当前时刻的滤波精度分配权值,同时测量方差的时变特性使得每次测量信息得到充分的利用,通过仿真比较了该方法与平均分配权值方法效果的差别,实验结果表明了该算法的有效性.     

结合支持向量机和近邻法的太阳耀斑预报方法

为了提高太阳耀斑预报模型的预报精度,提出了一种结合支持向量机和近邻法(SVM-KNN方法)的太阳耀斑预报方法.将太阳耀斑预报问题看作一个模式识别问题,在此基础上建立新的预报方法.选择太阳活动区的特征参量作为预报因子,如果活动区未来48小时发生大于等于M级耀斑标识为正例样本,未发生耀斑为反例样本,由这些样本组成训练集代入SVM训练算法构造了耀斑预报模型.通过输入活动区的特征参量值,预报模型使用SVM-KNN分类算法预报该活动区未来2天内是否发生太阳耀斑.模拟预报结果表明,新方法比使用SVM方法具有较高的报准率,可以应用到其它太阳活动预报领域.     

多目标混沌差分进化算法

将差分进化算法用于多目标优化问题,提出了多目标混沌差分进化算法(CDEMO).该算法利用混沌序列初始化种群,并用混沌备用种群进行替换操作.该操作不仅起到了维持非劣最优解集均匀性的作用,而且增强了算法的搜索功能.对CDEMO的性能进行研究,数值实验结果表明了CDEMO的有效性.

     

蚁群算法在公交路径查询中的应用

结合公交乘客出行的特点,提出了基于蚁群算法的公交出行路径查询算法。利用蚂蚁觅食的原理寻找最优解,即选择某路径就给该路径赋予一定的信息素,信息素值越大,成为最优路径的可能性也越大;给出了详细的算法思想和具体实现步骤。该算法实现了换乘次数最少和出行路径最短的优化目标。     

一种基于多代理的演化多目标优化算法

为解决多目标优化中求帕列托最优解集的问题,引入多代理演化的思想.在演化的机制上,每个目标赋予单个代理人,这些代理人拥有各自的演化群体.以各自的单个目标作为演化过程中的评价函数,并且以它们各自选择出的优良解群体的分布作为概率分布,通过代理人的通信将这些概率分布合成,作为产生出下一代解的依据.在一些测试问题上,很少的演化代数内,将解群体收敛到帕列托最优解集.该方法在求解多目标优化问题帕列托最优解集上具有较高的效率.     

基于遗传算法求解两曲线间最短距离

针对传统算法求解平面两条曲线间最短距离较为困难的问题,提出一种基于遗传算法的求解方法.该方法通过交替求解一条曲线上样本点到另一条曲线上样本点之间最短距离的方式对问题的可行域进行优化搜索.并对传统遗传算法做了两方面的改进,一是根据曲线自身特征分区间选取初始种群,使其能够合理地分布在寻优空间;二是对交叉结果进行跟踪,确保交叉成功后的个体优于父代个体.最终实例验证结果表明,该算法能较好地收敛到此类问题的全局最优解.     

随机选择最优个体的量子粒子群优化算法

在分析量子行为粒子群优化算法的基础上,针对算法后期粒子群体容易聚集到一个狭小搜索区域,群体多样性降低的问题,提出了在算法中引入随机选择最优个体的改进方法,提高算法搜索过程中粒子群体的多样性。将改进后的量子粒子群算法与量子粒子群算法、粒子群算法通过benchmark测试函数进行了比较,仿真结果表明改进后的算法更适合解决多峰类的优化问题。     

基于非线性电路的复杂交通网路径规划

分析比较了单行机动车道与非线性二极管单向导电之间的类似特性．对禁止左转路口及其关联道路进 行拓扑结构变换,在电路地图基础上建立了复杂城市交通网的电路网络模型,并提出一种基于非线性电路的车辆最 优路径规划方法．这种方法从根本上解决了城市复杂交通环境下具有单行约束路段与左转约束路口的最优路径规划 问题．通过对非线性电子器件伏安特性进行分段线性化处理,并且改进迭代过程中的控制策略,使得路径规划方法 的计算效率得到提高．复杂性分析与仿真实验证明了本方法的有效性与可行性．