基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低.根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略:为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中.利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量.为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的.     

一种改进的蚁群求解算法

为了提高蚁群算法的求解性能,对基本蚁群算法进行了改进.采用上三角的信息素存储形式、改禁忌表为可选表、遗传算法中的交叉及变异、全局更新信息素等做法对基本蚁群算法进行改进,并介绍了在Matlab环境下编程实现的方法及步骤,仿真实验求解了16个城市的TSP问题,得到最短距离为73.988,结果表明了编程思路的正确性及算法的高效性.此改进算法改善了随着求解空间的增加而导致的求解效率低下及因迭代次数的增加而造成的信息素量堆积导致的不成熟收敛,提高了搜索能力及速度,拓展了搜索空间.     

基于遗传-蚁群算法的云计算任务调度优化

为了找到最佳的云计算任务调度方案, 缩短云计算任务完成时间, 通过综合考虑遗传算法和蚁群算法的优势, 提出一种遗传 蚁群算法的云计算任务调度优化算法. 首先采用遗传算法快速搜索到云计算任务调度的可行方案, 然后采用可行方案初始化蚁群算法的信息素分布, 解决初始信息素匮乏的难题, 加快算法收敛速度和搜索能力, 提高云计算任务求解效率. 在CloudSim平台的实验结果表明, 相对于遗传算法, 遗传 蚁群算法更适合于大规模云计算任务问题的求解, 可缩短任务完成时间, 获得更高的用户满意度.     

基于遗传与蚁群混合算法的智能组卷研究

针对遗传组卷算法局部求解能力不足、容易早熟和退化对系统中的反馈信息利用不够的问题,以及蚁群组卷算法搜索初期信息素匮乏的缺点,充分利用遗传算法较好的全局搜索能力和蚁群算法较高的求解精度的优势,提出了一种遗传算法与蚁群混合算法的智能组卷策略。实验结果表明,与单一组卷算法相比,提出的混合组卷方法收敛速度更快,能更有效地解决智能组卷问题,具有更好的实用性。     

无线传感网络改进混合移动代理路由的研究

移动代理路由的本质是一个多约束条件下的优化问题,针对遗传算法快速随机的全局搜索能力,但对于系统中反馈信息却无法利用、求精确解效率低的问题,本文提出了一种遗传蚁群混合算法的WSN移动代理路由方法.利用遗传算法快速随机的全局搜索能力找到较优解,将较优解代换成蚁群算法的初始信息素,最后采用蚁群算法收敛速度的优点,找到移动代理路由全局最优解.仿真结果表明,该算法能在较短的时间找到最优移动代理路由,相对于其他的路由算法,减少了网络延时和平均能量消耗,提高了数据传输的速度和效率.     

求解Hadoop作业调度问题的混合遗传算法

将自适应遗传算法和改进的蚁群算法融合用以求解Hadoop作业调度问题。首先利用自适应遗传算法的全局搜素能力产生任务所分配的资源列表,在遗传算法的搜索速度逐渐降低时,适时切换到蚁群算法,由自遗传算法求解的最优解生成蚁群算法的初始信息素分布。改进蚁群算法的目标节点选择策略,考虑节点完成任务的成功率,加快蚁群算法求解最优解的速度。仿真结果表明,与遗传算法和蚁群算法相比,混合遗传算法用时较少,并且任务数越多,优势越明显。     

基于自主蚁群算法的认知网络多约束QoS路由算法

提出了一种基于自主蚁群算法的认知网络多约束QoS路由算法,该算法主要解决认知网络中具有多个参数约束的QoS路由优化问题。针对基本蚁群算法在收敛速度和全局搜索能力方面存在不足,本算法主要从信息素浓度初始化、信息素挥发因子调整、信息素更新规则、状态转移规则四方面改进,在收敛速度和全局搜索能力方面得到提高。实验结果表明,该算法具有较好的收敛速度和全局寻优能力,能够有效的解决认知网络所面临多约束QoS路由问题。     

基于改进蚁群算法的配电网优化规划

提出了一种基于改进蚁群算法的配电网优化规划算法．对于给定的配电网模型，该算法根据各配电网站点建立初始信息素矩阵，然后利用蚁群算法所特有的路径寻优功能来搜索配电网布局路径，并结合改进信息素刷新的方式和在蚁群搜索过程中引入曼哈顿距离以及弹性伸缩调节因子，使蚁群以较快的速度找到当前布局上的最优路径．通过具体的算例表明，该算法比一般蚁群优化规划算法具有更高的计算效率和优秀的全局搜索能力，同时有效地克服了在求解配电网规划问题时蚁群在局部最优解上的巡回而存在的效率不高以及未成熟收敛等现象．     

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。     

基于遗传自适应蚁群系统算法的中继路由方法

针对实际电力线载波抄表系统中现有中继路由算法的不足,提出一种基于遗传自适应蚁群系统算法的动态中继路由方法.利用遗传算法的快速全局搜索能力获得路径信息素的初始分布,再结合蚁群算法的正反馈收敛机制,同时依据搜索情况对状态转移概率因子、信息素挥发因子、信息素强度等参数进行自适应调整,最终获得最优路由线路.通过仿真实验验证该算法的收敛性、鲁棒性和抗毁性,算法能够根据电力线信道的变化情况以相对较少的迭代次数收敛到最优路径,提高整个抄表系统的时效性.     

基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

粒子群遗传融合算法

提出一种融合粒子群算法和遗传算法改进优化算法,该算法首先采用一种自适应弹性粒子群算法,弹性地修正粒子速度的幅值,有效地避免了粒子群算法的早熟收敛问题。再与遗传算法融合,模仿自然界的个体成熟过程,对遗传算法中的每一代群体中的优秀个体,先采用自适应弹性粒子群算法获得进一步的提高。再经过提高、交叉、变异三步,获得最优解。以动态系统FCRNN的设计为例,改进算法收敛速度快,误差精度高。     

蚁群算法与免疫算法的混合算法

蚁群算法是近些年来启发式算法研究的一个热点,在求解复杂组合优化问题上具有强大的优势.作为一种全局搜索的方法,它具有正反馈性、并行性、分布性、自组织性等特点.但是,蚁群算法也存在一些不足之处:例如,算法需要较长的搜索时间、容易出现早熟、停滞现象.针对上述不足,在深入研究蚁群算法的同时,又对免疫算法进行了一定的研究和分析后,针对蚁群算法中的个体蚂蚁缺乏识别问题特征信息的能力,将免疫算法中疫苗的思想引入到蚁群算法中,提出了蚁群算法与免疫算法的混合算法.将问题的特征信息作为疫苗注射给蚂蚁,使蚂蚁具有"免疫"的能力,旨在借鉴其他仿生算法的长处,利用其优点弥补蚁群算法的不足,从而提高蚁群算法的求解性能.     

基于遗传算法和BP算法的混合算法

结合神经网络的优化问题,提出一种新的混合算法.该算法是在遗传操作中嵌入BP算子,有效地结合了遗传算法全局寻优与BP算法快速收敛的特点,同时采用二进制编码和实数编码将神经网络的结构与权值混合编码到串中,实现了结构与权值的同步优化.仿真结果表明,新算法既能够快速地收敛到全局最优解,又能够在简化网络结构复杂度的同时得到网络权值的最佳逼近.     

加密算法之RSA算法

RSA算法是使用最广泛的一种非对称密码体制.在对RSA算法的理论基础、原理、算法描述等进行研究的基础上,近一步研究了RSA算法在实现时应注意的问题以及它在数字签名、密钥交换等方面的应用.最后提出了一种对私有密钥进行幂模运算的改进方案,提高了RSA算法在解密时的运算速度.     

模幂运算的一个递归算法

模幂算法广泛应用于公开密钥加密技术。在分析已有模幂算法基础上,提出模幂算法的递归实现,省去了模幂算法中指数的二进制化过程已经对指数的扫描过程,简化了算法。     

基于IN算法的剪枝优化算法

提出一种基于IN算法构造分类器的剪枝优化算法C IN.针对IN算法利用对数似然比统计量进行假设检验存在的统计意义不明确的问题,本文算法在给定层每一节点引入了样本数阈值和属性值阈值的计算,从而保证检验的有效性.给出了算法的理论依据,并且推导出了对数似然比统计量计算公式成立条件.实验表明,该算法能够消减数据维数并且可以从大规模数据集中提取简明的规则.     

基于蝙蝠算法的K均值聚类算法

为解决传统 K-means 算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题, 采用蝙蝠算法搜寻 K-means 算法的初始聚类中心, 并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中, 以克服原始蝙蝠算法存在后期收敛速度慢、 搜索力不强等问题。 同时, 通过测试函数验证了其有效性。 最后利用改进后的蝙蝠算法优化 K-means 算法的初始聚类中心, 并将该改进的算法与传统的 K-means 算法的聚类结果进行了对比。 实验结果表明, 改进后的算法的聚类性能比传统的 K-means 算法有很大提高。     

Apriori算法与FP-tree算法的探讨

在关联规则挖掘中,Apriori和FP-tree是两种最基本的算法.文章讨论这两种算法的基本思想、数据挖掘步骤、优缺点并以具体的实例描述两种算法的实现过程.深入分析这两种算法为关联规则挖掘算法的扩展和改进奠定了基础.     

基于遗传算法的改进GLA算法

提出了基于遗传算法的改进广义Ｌｌｏｙｄ算法（ＧＬＡ）。它以种群为基础,使用选择算子对种群进行有针对性的操作,通过变异算子以提高种群的平均适应值,使其逃离局部最小点,最后采用交叉算子以增加个体的多样性,又降低了该算法对初始码书的敏感程度。高斯－马尔科夫序列实验表明,该算法较好地实现了全局最优,并有助于克服对初始码书较为敏感的缺点。