KACO:基于分簇算法的高能效路由协议

针对无线传感器网络中存在的节点能量受限、网络循环利用周期短、吞吐量少等问题,提出了基于分簇的动态路由协议KACO。算法初始阶段采用改进的K-means聚类和蚁群聚类算法获得网络分簇;综合考虑节点的能量效率、当前节点与基站的距离、节点与簇内其他节点间的距离3个方面的因素选择簇头节点。在数据传输阶段,根据节点间的距离动态调整传输路径,有效地减少了节点在数据传输时的能量消耗。实验结果表明,与其他基于分簇的网络节能方法相比较,该方法取得了较好的性能。     

一种改进的蚁群聚类算法

针对现有蚁群聚类中将带聚类样本放于网格进行聚类的算法存在随机移动而延长聚类时间,及大数据集进行蚁群聚类时收敛速度慢的缺点,在蚁群进行聚类前增加数据预处理.利用两元素越相似属于同一类簇的可能性越大的思想,将样本集中的样本量缩小.研究了通过信息素进行聚类的蚁群聚类算法,使算法中的"蚂蚁"在一定指导下进行聚类,达到缩短时间的目的.最后通过实验验证了所提出算法的有效性和优越性.     

基于PAM聚类分析方法的路径优化算法研究与实现

针对交通网络中多站点路径优化问题,提出一种基于PAM聚类分析的路径优化方法,根据路网实际可达距离,将路网节点按照其节点间距离关系聚类划分为以路网节点间距离大小为表征的路网站点分类集合,同时对路线优化问题中目标节点按照分类结果进行区域限定,在限定路网搜索区域同时采用动态规划进行局部搜索优化,降低了搜索算法时间复杂度.最后依据国家基础地理信息系统网站提供的国界、省会城市及主要公路基础地理数据进行算法仿真实现,证明了该算法的有效性.     

面向医学图像分割的蚁群密度峰值聚类

在医学图像分割研究中,针对密度峰值聚类算法(density peaks clustering algorithm,DPC),依靠先验知识给定截断距离d_c且人工选择聚类中心点具有主观随意性等缺陷,提出了一种结合蚁群算法选取密度峰值聚类最优参数的医学图像分割方法.该算法首先利用蚁群算法全局性和鲁棒性的优点,使用图像熵计算信息素来指导蚁群的搜索路径;再使用变量量化表示聚类中心个数,蚁群通过迭代选择最优截断距离d_c和聚类中心,实现了DPC算法的自适应分割并得到了较好的分割效果.仿真实验分析证明了算法的有效性和实用性.     

利用蚁群优化的非均匀分簇无线传感器网络路由算法

针对无线传感器网络路由非均匀分簇中随机簇首选举路由的可靠性和实时性问题,提出一种新的无线传感器网络路由算法.该算法的核心是:通过蚁群优化来改变非均匀分簇算法的周期性簇首选举方式,即只在第一轮执行簇首选举和路径搜索,其他轮次采用簇内调整和路由更新;通过引入路由可靠性和实时性指标达到自组织、自适应和动态优化来建立和维护路由.簇首选举采用竞选,所有节点参与竞选,并且将节点剩余能量和节点到汇聚点的距离作为评价标准,以保证簇内能量效率最高的节点成为新簇首.路径搜索采用蚁群算法进行,即搜索网络中所有的簇首和汇聚点,以寻找从各个簇首到汇聚点代价最小的多跳路由.仿真结果表明,所提算法在能耗和链路可靠性方面比非均匀分簇算法的性能更好,即在较长的时间内具有更多的存活节点,网络丢包率小.     

基于改进遗传算法的末端共同配送车辆路径优化

为解决共同配送路径优化问题,提出一个具有可操作性的共同配送策略,基于此构建了以考虑车辆使用成本、车辆行驶成本和碳排放成本最小化为目标的共同配送车辆路径模型,用K-means聚类方法对客户节点进行分区聚类,确定各末端配送网点所服务的客户,并在此基础上利用基于节约里程算法的遗传算法对该模型进行求解.通过利用公共数据集实验验证设计的CW-GA算法的优越性,发现相较于传统GA,本文算法具有良好的求解性能.利用本文算法仿真分析共同配送前后相关成本的变化以及不同配送模式下的燃料消耗、行驶距离变化,结果表明共同配送能够有效降低物流总成本.     

基于聚类非支配排序的电动物流车路径规划及充电策略

电动物流车电池容量有限、充电时间长以及配套设施不健全等问题制约着其在物流配送领域中有效推广.为此,提出基于聚类非支配排序算法(AP-NSGA-Ⅱ)来解决电动物流车的多目标路径优化问题,建立了一种充电策略,通过设计加权AP聚类划分配送簇,避免初始种群的随机性和盲目性,簇内配送点规模降低了非支配排序算法的运行时间和复杂度,根据充电站的分布和距离关系,电动物流车执行部分充电策略.最后,通过仿真实验证明该算法的有效性,比较了电动物流车满充和部分充电条件的差异.     

考虑优先级和时间窗约束的应急物资调配模型

突发公共卫生事件的不确定性和突发性特点,使得高效精准的应急物资调配方案显得尤为重要。构建突发公共卫生事件背景下生活物资配送中转站的选址模型,并考虑特殊事件的发生,改进优先级系数和时间窗的计算,以运输距离、违反车辆容量与时间窗约束的惩罚成本最小为多目标,构建物资配送路径规划模型,通过K-means聚类算法解决选址问题,设置遗传算法和大邻域搜索算法的混合遗传算法求解最优配送路径。最后以长春市朝阳区的物资配送为例进行实证分析,结果表明可以将200个小区聚类为60个物资需求站点进行配送,需要26辆车将物资从调配中心转运到需求站点,并得到4类最优的物资配送方案,为解决突发公共卫生事件下应急物资配置提供了新的思路。     

一种基于网格的层次聚类算法

传统的凝聚层次聚类算法的时间复杂度为O(n3),由于时间复杂度太高而无法应用到大的数据集.针对这一问题,提出了一种新的基于网格的层次聚类算法,先用基于网格的方法进行一次微聚类,然后再用凝聚的层次聚类算法进行聚类.在进行凝聚的层次聚类时,提出了一种新的簇间距离度量方法,该方法采用簇中权值最高的代表点的最小距离作为簇间的距离.理论分析和实验结果表明,基于网格的层次聚类算法比传统的凝聚层次算法具有更高的效率和正确性.     

一种基于密度的聚类算法实现

基于密度的聚类算法OPTICS是一种大规模数据库的聚类算法,它是基于核心对象和可达距离来实现的.对于每一个核心对象将其邻域内的所有对象按到该核心对象的可达距离进行排序,每次都选择1个到该核心对象具有最小的可达距离的对象进行信息更新.算法实现采用优先队列保存候选对象以加快处理速度,最后用UCI数据集对算法进行聚类效果测试,结果表明OPTICS算法对数据集产生一个基于密度的簇排序结构.     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

基于蚁群模糊聚类的协同过滤推荐算法

为解决传统协同过滤算法在产生推荐时实时性较差性问题,提出了一种基于蚁群模糊聚类的协同过滤推荐算法.该算法将分两个步骤产生推荐.离线时,应用蚁群模糊聚类技术,对基本用户进行聚类;在线时,利用已有的用户蚁群聚类寻找目标用户的最近邻居,并产生推荐.实验表明,基于蚁群模糊聚类的协同过滤推荐算法能提高推荐产生的速度,即实时性得到...     

基于云计算环境的蚁群优化计算资源分配算法

提出一种基于蚁群优化(Ant Colony Optimization)的计算资源分配算法.分配计算资源时,首先预测潜在可用节点的计算质量,然后根据云计算环境的特点,通过分析诸如带宽占用、线路质量和响应时间等因素对分配的影响,利用蚁群优化算法得到一组最优的计算资源.通过在Gridsim环境下的仿真分析和比较,这种算法能够在满足云计算环境要求的前提下,获得比其他一些针对网格的分配算法更短的响应时间和更好的运行质量,因而更加适合于云环境.     

Incremental Web Usage Mining Based on Active Ant Colony Clustering

To alleviate the scalability problem caused by the increasing Web using and changing users＇ interests, this paper presents a novel Web Usage Mining algorithm-Incremental Web Usage Mining algorithm based on Active Ant Colony Clustering. Firstly, an active movement strategy about direction selection and speed, different with the positive strategy employed by other Ant Colony Clustering algorithms, is proposed to construct an Active Ant Colony Clustering algorithm, which avoid the idle and ＂flying over the plane＂ moving phenomenon, effectively improve the quality and speed of clustering on large dataset. Then a mechanism of decomposing clusters based on above methods is introduced to form new clusters when users＇ interests change. Empirical studies on a real Web dataset show the active ant colony clustering algorithm has better performance than the previous algorithms, and the incremental approach based on the proposed mechanism can efficiently implement incremental Web usage mining.     

管道铺设问题的改进蚁群算法

首先把管道铺设问题转化为旅行商问题,然后利用蚁群算法来求解此问题。算法的分析和仿真实验表明,利用了城市间距离信息的改进蚁群算法是一种简单有效的算法。     

求解TSP问题的改进蚁群算法

通过引入免疫克隆算子提出1种新的蚁群算法,并应用于TSP问题求解。结果表明：算法具有较好性能。     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

基于距离和分布的无线传感器网络分簇算法

考虑随机分布节点的剩余能量以及节点相对基站的位置,针对基站位置的非均匀无线传感器网络,提出了一种基于节点位置和分布密度的多跳自组织分簇算法．该算法在分簇准备阶段,根据节点分布密度和相对基站的距离确定分簇的半径,均衡分簇能耗;在簇头选举阶段,利用节点的剩余能量和节点连接密度信息,选择最优的节点成为簇头;在分簇建立阶段,限制分簇跳数,有效降低簇内通信量．通过一系列的仿真实验,验证了算法在节点均匀和非均匀分布情况下均能取得较好的性能,建立更为均衡的分簇结构,显著提高网络生存周期．     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题(traveling salesman problem,TSP)求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

基于蚁群算法的最短路径搜索方法研究

最短路径问题是在给定的网络图中寻找出一条从起始点到目标点之间的最短路径。蚁群算法是一种用于求解优化问题的新型模拟进化算法,该算法在许多相当困难的优化问题的求解中体现了极强的寻优能力和较好的性质。提出了一种利用蚁群算法来解决网络最短路径问题的新方法,并用Matlab语言编程进行算法的实现和仿真。结果表明,蚁群算法在寻求网络最短路方面的应用是可行的。