一种新的混合蚁群聚类算法

针对蚁群聚类算法存在收敛速度慢、易陷入局部最优等缺陷,通过在蚁群聚类算法的每次迭代过程中引入遗传算法,提出一种混合蚁群聚类算法.它利用遗传算法全局快速收敛的特性,提升了蚁群聚类算法的收敛速度,同时,遗传算法中的交叉、变异操作扩大了解空间的搜索,帮助蚁群算法跳出局部最优.仿真试验验证了算法的性能.     

基于密度和最优聚类数的入侵检测方法

针对聚类算法在入侵检测应用中存在的参数预设、聚类有效性评价、未知攻击类型检测等问题,提出了一种基于密度和最优聚类数的改进算法,根据样本的分布情况启发式地确定初始聚类中心,从样本的几何结构角度提出一种新的内部评价指标,给出了最优聚类数确定方法,在此基础上,设计了一个增量式的入侵检测模型,实现了聚类中心和聚类数目的动态调整.实验结果表明,与K-means及其他两种改进聚类算法相比,新算法收敛速度更快、聚类准确率更高,能够对未知网络行为进行有效聚类,具有较好的入侵检测效果.     

基于遗传的改进模糊C均值入侵检测方法

为了克服模糊C均值(FCM)算法对初始化极为敏感且容易陷入局部最优的缺点,将遗传算法和改进的模糊C均值聚类算法相结合,并且以检测率和误检测率作为入侵检测算法性能评价的指标,对FCM、改进的FCM和基于遗传的改进FCM三种聚类算法的入侵检测性能进行仿真分析.结果表明:基于遗传的改进FCM算法(GIFCM),检测率有所提高,而误检测率有所下降.该算法应用于异常入侵检测是可行而有效的.     

改进k均值聚类算法在网络入侵检测中的应用研究

针对k-means算法事先必须获知聚类数目以及难以确定初始中心的缺点, 提出了一种改进的k-means聚类算法.改进后的算法首先使用了复合形和粒子群算法来选取聚类的初始中心点,然后使用k-means算法快速收敛获取聚类结果.实验表明:把改进后的算法用于网络入侵检测系统中,可以提高不需指导的异常检测的检测率,降低误检率.     

基于粒子群优化的异常入侵检测算法的研究

提出了一种基于粒子群优化的异常入侵检测算法．首先,对基于动态聚类分析的异常入侵检测系统进行了建模和关键模块分析,对聚类算法区别正常和异常数据记录的过程,进行了详细的介绍,然后针对基本PSO算法存在的局部早熟收敛问题,利用改进的粒子属性进行了算法改进,增加了粒子多样性．通过初始化种群、更新速度、更新位置、计算每个粒子的适应度值、更新pgd、循环迭代,得到最优解．最后,利用该算法对基于聚类的入侵检测系统进行实验,结果显示该算法明显提升了入侵检测系统的正确率．     

改进蚁群算法结合BP网络用于入侵检测

针对用BP神经网络进行入侵检测时权值难以确定的问题,提出一种基于改进蚁群算法与BP网络的入侵检测方法。基于蚁群算法构建解特点,正反馈自催化机制和分布式计算机制和BP网络局部精确搜索的特性,将蚁群算法和BP算法有机结合,利用蚁群算法优化BP网络,并对蚁群算法进行改进。通过KDD99CUP数据集分别对基于不同算法集合的BP神经网络进行了仿真实验,结果表明:改进算法收敛速度快,迭代次数较少,可在一定程度上提高入侵检测系统的准确率。     

求解车辆路径问题的改进蚁群算法

为解决基本蚁群算法的过早收敛的缺陷,提出一种将遗传算法和蚁群算法融合的改进的蚁群算法.即使用蚁群算法求解出完成所有配送任务的车辆行驶路径,并将其作为局部最优解;然后,使用遗传算法的交叉变异算子对第一步搜索出来的局部最优解进行优化,筛选出全局更优解.仿真实验证明:改进后的蚁群算法与现有的求解车辆路径优化问题的蚁群算法相比,具有更快的运行速度,找到最优解的概率更高,且避免了基本蚁群算法的过早收敛.     

基于蚁群算法的多字符聚类识别

本文采用蚁群算法对聚类数目已知的多字符进行聚类识别,在分析了基本蚁群算法的基础上,提出了一种改进的蚁群算法,该算法结合分布式计算、正反馈机制、贪婪式搜索算法等.对每只蚂蚁构造一个可行解,利用信息素矩阵,经过若干次的选代,找寻包含最优解的蚂蚁.通过与K-means和遗传算法比较,最后得出结论,该蚁群算法识别效果好,执行效率高.     

一种改进的蚁群算法及其在旅行商问题中的应用

分析了基本蚁群算法易出现早熟停滞现象的原因.对基本蚁群算法进行改进,在原有算法的基础上引入最优最差信息素更新策略和局部最优搜索策略,从而扩大可行解的的范围,避免了算法过早停滞,同时加快算法的收敛速度,使得改进后的蚁群算法解的性能得到较大的提高.最后,以三种旅行商问题为例进行仿真,结果表明该算法能较快地收敛到全局最优解而且具有较好的发现解的能力.     

基于遗传算法的改进模糊C均值算法在入侵检测中的应用

 为克服模糊C均值（FCM）算法对初始化极为敏感且容易陷入局部最优的缺点,将遗传算法和改进的模糊C均值聚类算法相结合,并以检测率和误检测率作为入侵检测算法性能评价的指标,对FCM、改进的FCM、基于遗传的改进FCM 3种聚类算法的入侵检测性能进行仿真分析。仿真实验表明,结合遗传和FCM两种算法的混合算法能够实现优势互补。由于该算法结合了遗传算法,使整个算法的复杂度增加。从入侵检测看,通过增加处理时间而提高了入侵检测率。     

基于优化蚁群算法的机器人路径规划

路径规划是移动机器人设计中的关键环节,蚁群算法能高效解决路径规划问题,但它也存在一些弊端,如收敛速度慢、容易陷入局部最优解等.针对这些问题,本研究提出一种改进蚁群算法,在传统蚁群算法的基础上,改进状态转移规则,增加周围障碍物数量影响因子,令蚂蚁尽量避开障碍物;增加角度影响因子,使得蚂蚁行走的路径更加平滑;同时运用精英蚁群策略,来改进蚁群算法易陷入局部最优解的问题.仿真实验结果表明,该算法在多种环境下,都能找到最优路径,且有较快的收敛速度,本研究提出的优化蚁群算法具有一定的可靠性和高效性.     

改进蚁群算法实现医药配送的最佳方案

以蚁群算法为核心,建立了蚁群算法的数学模型。为提高算法收敛速度和全局搜索能力,提出了改进算法思想并用计算机加以实现。通过实验和仿真计算,证明了改进的蚁群算法能更加有效且快速地求得问题最优解或近似最优解,从而说明了蚁群算法实现优化医药配送路线的可行性。     

改进蚁群算法优化SVM参数的网络入侵检测模型研究

基于支持向量机(support vector machine,SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法(modified ant colony optimization algorithm-support vector machine,MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数,建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

改进蚁群算法优化SVM参数的网络入侵检测模型研究收

基于支持向量机（support vector machine, SVM)的网络入侵检测模型泛化能力与其参数选取密切相关,因此 SVM参数优化是一个难题。为进一步提高网络入侵检测率,提出一种改进蚁群优化SVM参数算法（modified ant colony optimization algorithm-support vector machine, MACO-SVM)的网络入侵检测模型。首先采用蚁群搜索路径节点代表支持向量机参数,将网络入侵检测率做为目标函数,然后通过蚁群算法的全局寻优能力和反馈机制寻找最优 参数,并对蚂蚁进行高斯变异,克服蚁群陷入局部极值,最后将最优路径上的节点连接起来得到SVM的最优参数, 建立最优网络入侵检测模型。采用KDD99数据集对模型进行仿真实验,仿真结果表明,MACO-SVM不仅提高了网络入侵的检测效率,而且获得了更高的检测率。     

一种求解TSP的混合型蚁群算法

针对基本蚁群算法存在的过早收敛问题,提出一种采用混合模式调整信息素的改进蚁群算法,当陷入局部最优解时便启用新的信息素调整规则,从而使算法跳出局部解.计算机仿真结果表明,这种混合型蚁群算法对求解TSP难题有较好的改进效果.     

遗传算法和蚁群算法在水库优化调动中的联合应用

为了更好地解决水库优化调度问题,将遗传算法和蚁群算法融合应用于水库调度,指出遗传蚁群混合算法的收敛率更高,具有更好的全局收敛性能,遗传蚁群混合算法在更少的迭代次数迭到全局最优解,具有更高的收敛速度.     

基于改进蚁群算法与遗传算法组合的网络入侵检测

为提高网络入侵检测的检测效果,提出一种基于改进蚁群算法与遗传算法组合的网络入侵检测方法.该方法采用遗传算法(genetic algorithm,GA)对网络入侵的特征集进行快速选取,为后续特征提取打下基础;对传统蚁群算法(ant colony optimization,ACO)的节点选择策略和信息素更新策略进行改进,提出一种改进的蚁群算法,提高对最优特征的选择效果,采用改进的蚁群算法对特征进一步选择;采用支持向量机(support vector machine,SVM)统计机器学习方法建立各类网络入侵的检测分类器.仿真实验结果表明,新的网络入侵检测方法综合GA和改进蚁群算法的优势,能够获得更好的入侵特征,从检测正确率、误报率和漏报率3个方面综合比较,新的网络入侵检测方法具有更好的网络入侵检测效果,且提高了检测速率.     

蚁群神经网络在变压器故障诊断中的应用

针对蚁群算法收敛速度慢的问题, 提出了一种改进方法, 通过为蚁群算法增加一种收敛因子, 使其在信息素的全局更新中为每次迭代产生的最优路径赋予额外的信息素增量, 降低了算法陷入局部最优解的可能性。分析了改进蚁群算法的收敛性, 并对其寻优能力进行了测试, 结果表明, 改进蚁群算法具有较强的寻优能力和较快的收敛速度。用改进蚁群算法优化神经网络并将其应用于变压器的故障诊断, 与BP神经网络诊断结果对比, 蚁群算法优化神经网络具有更快的收敛速度和更高的诊断精度。     

改进FCMS算法及其在颅内肿瘤图像分割的研究

为了提高脑部肿瘤的磁共振成像(MRI)在肿瘤分割方面的精度和分割效率,提出了自适应阈值蚁群模糊聚类算法(TSAG_PnFCMS)。针对传统的模糊c均值聚类(FCMS)算法对噪声敏感,以及MRI图像中存在属性不同的样本点,在聚类过程中,将不同属性样本点的相关系数作为权重融入到欧氏距离的计算,提高聚类精度;针对蚁群算法容易陷入局部最优,提出一种自适应阈值蚁群算法,提高算法的全局搜索能力,将自适应阈值蚁群算法与改进的模糊聚类算法相结合,提高系统的分割精度和抗噪声性能,使得最终的分割效果达到最优。通过轮廓系数、目标函数收敛结果以及迭代时间进行实验仿真对比,表明改进算法的有效性,可见算法为颅内肿瘤图像的分割提供了可靠的技术手段。     

基于终距指数的机器人路径规划方法研究

传统蚁群算法在生成信息素浓度时，由于算法生成的路径可能存在冗余成分，信息素浓度可能无法正确反应路径各节点的优劣，蚂蚁无法根据信息素浓度来迅速找出最优路径，导致算法寻优缓慢.基于传统蚁群算法思想，提出了一种新改进蚁群算法，即通过引入终距指数这一概念，取代信息素浓度的标记功能，蚂蚁可以依赖该指数进行决策选择优良节点.以20×20的栅格环境地图对改进蚁群算法进行案例仿真，实验结果表明，传统蚁群算法及其他改进蚁群算法分别需要43代及34代才能收敛到最优值，而利用改进蚁群算法仅需要进化3代即可收敛到最优解；为了进一步验证改进蚁群算法的优越性，在对更为复杂的30×30栅格模型仿真，利用传统蚁群算法与其他改进蚁群算法的收敛代数分别为52代与28代，而利用新改进蚁群算法的收敛代数仅为4代；另外，为了进一步验证改进算法的稳定性，对30×30环境模型进行连续运行30次仿真，所需平均收敛代数仅为4.97代.