A*算法的探讨及其对八数码问题的实现

对人工智能中的经典启发式搜索算法进行了比较详细的介绍,在启发式搜索算法缮进行了解释,并在其旨在提高搜索效率的方面作了比较详尽的介绍,详细的描述了启发式A 搜索算法,并以八数码问题为例,用A*算法的C语言程序解决了八数码问题,取得了预期的搜索解,提高了搜索效率.     

车辆导航中一种改进的路径优化算法

针对车辆定位与导航系统中的最优路径规划中存在的问题,研究了最短路径搜索算法的快速实现技术,提出了一种启发式快速最优路径规划算法.在分析经典迪杰斯特拉最短路径搜索算法和A*启发式搜索算法的基础上,利用双向A*算法和地图分层搜索技术减小搜索空间,采用二叉堆结构来实现路径计算过程中优先级队列的一系列操作,从而提高了算法的执行效率.仿真试验的结果证明了该算法的优异性能.     

一种改进的启发式球面点定位算法

将仅适用于平面网格的基于质心坐标的搜索策略进行推广和拓展,提出一种适用于球面网格的改进启发式算法,并详细讨论了不同质心坐标值情况下的下一搜索三角形的选择方法.为进一步提高算法效率,在进行启发式搜索之前通过执行若干顶点比较操作来选择一个较优的初始搜索三角形,同时引进一个近似度阈值来调整初始三角形确定时间与后续目标三角形搜索时间之间的平衡关系.分析表明,改进启发式算法的时间复杂度仅为O(n1/2f)(nf为网格包含的三角形数目).     

人工智能中A~*算法的改进及其在8数码问题中的应用

对人工智能中的经典启发式搜索算法———A 算法,进行较为详细的介绍,并以8数码问题(华容道问题)为例,对传统的启发函数(不在位的将牌的个数)进行了改进,改进后的启发函数采用每个将牌与其目标位置距离的综合.实践证明,新的启发函数能够大大提高搜索效率和节省搜索空间     

基于A*和Bresenham相结合的网络游戏寻路算法设计与实现

网络游戏寻路算法主要是解决角色以最佳的方式走到指定地点的问题.该文首先介绍了一种基于启发式搜索的A*算法和获得直线路径的Bresenham算法,并结合游戏地图,给出网络游戏寻路算法及其具体实现方法.结果表明,A*算法结合Bresenham算法实现寻路提高了目标搜索的效率,从而突显了游戏角色和怪兽的智能性,增强了游戏的可玩性.     

对Linux系统中的iptables过滤模块的改进

为了改善现有linux系统内核iptables模块在数据包过滤中线性匹配规则的效率。采用了散列表和动态平衡树来组织过滤表,提出了按照三层递进式的搜索规则,减少了原来的线性查找重复匹配的次数,改进了过滤效率,并确保原有功能不变。把A个IP地址、B个网络设备和C个协议规则的过滤表查找时间复杂度从O(A*B*C)降低到m*O(log2A)+n*O(B)+k*O(log2C),(m,n,k为系数因子)。通过适当增加数据结构,安排合理的搜索规则,在有限的系统开销内,可以提高数据包过滤的规则匹配效率。     

一种多目标增量启发式搜索算法

提出一种多目标增量启发式搜索算法, 该算法结合启发式搜索与增量搜索的思想, 当多目标问题搜索图的状态格局发生改变时, 该算法并不是对变化后的问题进行完全重新求解, 而是部分利用了先前搜索保留的信息求解新问题的最优解集, 从而提高了问题求解的效率. 通过Gridworld标准测试问题上的实验测试, 验证了算法的效率.     

一种噪声启发式聚类算法

启发式聚类算法的搜索空间中布满了局部极小值"陷阱",从而使得算法容易过早收敛而无法获得高质量聚类结果.文章给出了一种噪声启发式聚类算法NHCA (Noising Heuristic Clustering Algorithm),该算法在搜索空间中增加一组由强至弱的噪声来扩大启发式搜索的局部范围,以保持搜索空间的多样性,达到避免局部极小值影响和提高聚类质量的目的.大量实验结果表明,噪声法对提高启发式聚类算法质量是十分有效的.     

流水车间排列排序专家系统—PFSCH

流水车间排列排序问题可以简单表示为:n/m/p/F_(max),其含义为,n个不同的工件(J_1,J_2,…,J_n)要经m台机器(M_1,M_2…,M_m)加工;加工路线为M_1—M_2—…—M_m,n个工件在每台机器上的加工顺序都一样;p表示排列排序;目标函数是使最长流程时间F_(max)(加工周期)最短.n个工件有n!种不同的加工顺序.现已证明,n/m/p/F_(max)(m≥3)问题属于NP难题,找不到多项式时间算法.因此,人们提出了若干个启发式算法,其中最著名的是Campbell等人提出的启发式算法(简称为CDS法).Dannenbring曾比较过11种不同的启发式算法的效果,指出“快速接近扩展搜索法(RAES法)”的结果最好.但是,RAES法实质上还是一种列举法,它不从问题本身的结构出发,具有很大的盲目性.虽     

一种基于启发式演化算法的最优-最差蚂蚁系统

针对传统最优-最差蚂蚁系统(BWAS)存在搜索效率低、收敛速度慢的缺点,提出一种基于启发式演化算法的最优-最差蚂蚁系统(IEABWAS)算法。该算法通过加入启发式演化算子,在算法的每次迭代中将最优蚂蚁与次优蚂蚁执行启发式的演化算子操作,并将这种演化操作产生的较好个体替代系统中最差的个体,以达到快速收敛的目的。同时,为使搜索更加集中于最优解附近,对最优-最差蚂蚁的信息素更新方式进行适应性调整,以提高算法的全局搜索能力。使用该算法求解复杂旅行商问题(TSP),结果表明:与传统的最优-最差蚂蚁系统相比,该算法不但具有更强的全局搜索能力,而且能提高算法的收敛速度,算法性能得到明显改善。     

多约束最优路径算法比较研究

针对多弧权网络路径寻优及其效率问题,提出了4种多约束最优路径算法,并对其进行了比较研究.基于经典Dijkstra算法,提出了多约束最优路径问题的D_MCOP算法;引入启发式搜索思想,设计了A*_MCOP算法和迭代加深搜索的IDA*_MCOP算法;为克服IDA* _MCOP算法每次迭代都要回到起始节点重新搜索的缺陷,提出了一种多约束边沿搜索算法——Fringe_MCOP算法.实例研究表明:三种启发式搜索算法扩展的节点数、边数以及算法的执行时间都远小于D_MCOP算法,而且Fringe_MCOP算法在三种启发式算法中性能最优;当给定的约束条件与最优路径的权值向量越接近时,算法的执行效率越高,当网络规模较大时,这一趋势更加明显;当约束条件过于严格而得不到满足约束条件的路径时,A*_MCOP和Fringe_MCOP的算法速度比IDA*_MCOP的算法速度更快,D_MCOP的算法速度最慢.     

决策系统属性约简的关系矩阵算法

建立决策系统与关系矩阵之间的联系后,从关系矩阵的角度研究属性重要性的指标,并利用该指标作为启发式信息提出一种新的属性约简算法.该算法具有较大的灵活性,能够从搜索空间逐次删除不重要的属性,避免对这些属性进行重复搜索,提高了搜索的效率.该算法可行有效.     

基于Petri网与动态加权启发策略的FMS调度优化

为解决基于Petri网的柔性制造系统(FMS)调度方法搜索效率不高的问题,提出了一种调度优化算法。采用了改进的最优节点选择方法来提高算法节点搜索能力;在算法搜索进程中使用了动态加权启发函数,以保证最终找到某种最佳或较满意的调度结果;使用了启发式A*算法与深度优先算法相结合的方法以加快算法的收敛速度。这些策略减小了算法在Petri网可达图中节点的搜索范围,加快了算法的收敛速度,并且保证了调度结果质量的可控性。最后仿真结果证明了方法的有效性。     

A~*算法在游戏寻径中的应用

图搜索技术能够从图中寻找一条从起点到目标点的路径.围绕游戏寻径问题,介绍了如何确定启发式函数进行启发式搜索,并把A*算法用程序加以实现,从而证明A*算法可以解决游戏中的寻径问题.     

启发式最短路算法

提出了一种基于人工智能搜索技术和启发函数的启发式最短路算法，讨论了启发函数的建立原则，通过实例说明了启发式最短路算法提高搜索效率的程度。     

基于GIS最短路径算法的改进和应用

本文通过指出传统最短路径算法的缺陷和不足，在研究人工智能的A＊启发式搜索算法基础上，提出了最短路径问题的一个改进算法，借助限制条件对预搜索节点进行评估，通过用二叉堆对包含评估值的预搜索节点进行排序，经验证，该算法复杂度仅为O（n）。取得了较满意的效果。     

平面布局专家系统的自学习智能回溯搜索策略

本文研究了一种基于方图用于平面布局设计的搜索控制机——SARM.阐述了状态节点(方图)的扩充操作规则,制订了选择扩充节点的启发式原则,提出了处理搜索失败的自学习智能回溯搜索控制策略.     

多跳对等网中活跃节点的测算

在研究支持普适计算的操作系统关键技术的过程中,需要测量活跃节点数目,若采用确定性协议计算网络中活跃节点的数目,需要搜索整个网络,消息复杂度为O(n e).为将消息复杂度降低到o(n e),设计了启发式测量协议及相应的自适应拓扑算法,并启用了侦听节点.在设计中借鉴了根基统计信息预分配资源的思想,进一步降低了消息复杂度.     

处理条件效果的互斥延迟算法的研究

通过将带有条件效果的动作分解成元件,然后利用互斥延迟算法进行规划图的扩张,得到规划图.规划图生成后,从初始条件出发,利用一个前向的搜索过程进行搜索以求规划解.在搜索中,选择的不是单个的动作,而是独立集,这样可以明显地减小搜索空间,而且在搜索过程中,还利用了独立集之间的执行次序作为独立集选择的启发式,加快搜索过程.该算法大大地简化了搜索过程,提高了搜索效率.     

基于单纯形法的人工蜂群算法改进研究

人工蜂群算法中的侦察蜂阶段的搜索操作在一定程度上可以解决算法陷入局部最优的问题,但也和其他启发式优化算法一样,存在着局部搜索能力差,在接近最优解时搜索效率下降,以及求解复杂问题时可能陷入局部最优而使算法停滞等缺陷。为了改善此缺陷,采用NM算法来取代人工蜂群算法侦察蜂阶段的随机产生个体机制,提出了一种基于NM算法的改进人工蜂群算法(NMABC)。希望基于NM算法优异的局部搜寻能力,改善人工蜂群算法局部搜索能力较差之缺陷并提高搜索效率。