改进的反向蛙跳算法求解函数优化问题

针对混洗蛙跳算法在求解连续函数优化问题中出现的收敛速度慢、求解精度低的缺点,提出了一种基于反向学习策略的改进算法,在种群初始化和进化过程中分别加入反向操作,产生更靠近优质解的种群,从而提高了算法的全局寻优能力,促进了算法收敛。实验仿真表明,新算法在寻优效率、计算精度等方面均优于原算法。     

一种汉语方言编码与转换机制的研究

回顾了汉语拼音方案的组成和特点,分析了方言编码的可行性。引入二进制编码方式对汉字发音进行编码。编码序列包括了声母、韵母、音调、儿化音等编码部分。建立了方言音、修饰音、标准音之间的转换关系。以湘汨地区的方言为例,详细论述了方言编码和转换的过程。以人工代谢算法作为寻优策略,结合特定语言环境,将方言音转换成标准音。通过实例分析论述了该方案的可行性和合理性。     

基于通信流量特征的隐秘P2P僵尸网络检测

针对目前基于网络的P2P僵尸网络检测中特征建模不完善、不深入的问题, 以及僵尸网络中通信具有隐蔽性的特点, 提出一种对通信流量特征进行聚类分析的检测方法。分析P2P僵尸网络在潜伏阶段的通信流量统计特征, 使用结合主成分分析法和X-means聚类算法的两阶段聚类方法对特征数据集进行聚类分析, 进而达到检测P2P僵尸网络的目的。实验结果表明, 该方法具有较高的检测率和较好的识别准确性, 并保证了较快的执行效率。     

一种混合无线传感器网络内覆盖洞修补的分布式启发算法

首先对最小化最大移动开销移动传感器分布式算法设计进行了分析, 并指出在分布式条件下难以对此类算法中的输出分派移动传感器的最大开销进行限制, 随后提出了一种分布式启发算法。该算法将移动传感器和覆盖洞视为节点, 在节点和节点的邻居间通过有限数量消息实现匹配。仿真结果显示, 算法可实现最高达到85%的覆盖洞修补率以及较低的移动传感器最大移动开销, 使其更能适用于实际无线传感器网络环境。     

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。     

基于改进A*算法的越野路径规划研究

针对车辆的越野路径规划问题, 研究并分析了地形坡度和地表属性对于车辆路径规划的综合影响。引入了窗口移动法对地形进行先期的坡度计算和通行性分析, 就轮式车辆和履带式车辆分别建立了地表属性的粗糙度评价指标, 并采用面积占优法将地表属性栅格化。通过建立禁忌表, 叠加了坡度与粗糙度的约束影响以减少搜索范围, 提高搜索效率。构造了改进A*算法的估价函数, 并结合expand表、open表、closed表以及path表设计了考虑坡度和粗糙度约束的路径优化算法。仿真结果表明, 该算法能够快速有效地实现符合真实地形环境的越野路径规划。     

杂交粒子群算法在列车运行调整中的应用研究

针对列车运行调整存在约束条件多、求解难度大等问题, 结合城市轨道交通列车运行特点, 建立了优化的列车运行调整模型。在此基础上, 引入遗传算法中的杂交思想, 采用改进后的粒子群算法对此模型进行求解, 给出了求解算法的具体步骤, 并采用西安地铁2号线数据进行仿真验证。结果表明, 采用杂交粒子群算法解决列车运行调整问题是一种有效的方法, 并且其优化能力优于标准粒子群算法。     

一种基于RAN架构无线接入网系统容量最大化的功率分配算法

针对新型RAN架构无线接入网中功率分配问题进行研究, 建立系统容量最大化的最优化数学模型, 提出了一种基于RAN架构无线接入网的系统容量最大化的功率分配算法, 并且应用人工鱼群算法求解了算法中目标函数的全局最优解, 即一组使系统容量最大化的发射功率。仿真结果表明, 与现有的分布式网络架构中非合作的功率控制博弈算法相比, 新算法可以显著提高系统容量, 即证明了该算法的有效性。     

时间序列数据挖掘中特征表示与相似性度量研究综述

分别分析了时间序列特征表示和相似性度量在数据挖掘中的作用和意义,对目前已有的主要方法进行了综述,分析各自存在的优缺点;同时,探讨了将来值得关注的问题,为进一步研究时间序列数据的特征表示和相似性度量提供了方向。     

自适应改进和声—单纯形进化算法研究

针对和声搜索算法的不足,提出了一种自适应改进和声—单纯形进化算法(AIHSEA)。通过在新算法中加入变异策略对和声微调进行改进来增强算法的鲁棒性;适时执行单纯形算子增加群体搜索的方向性来加快搜索;采用自适应参数HMCR、PAR和BW调节全局和局部搜索。采用六个标准的优化算法测试函数对AIHSEA进行测试,并与HS、IHS和GHS算法进行对比,仿真结果表明AIHSEA算法具有较强的精确寻优和跳出局部最优的能力。