网络教育资源浏览的导航模型及其挖掘算法

将Web使用挖掘应用到网络教育领域,分析了其挖掘过程,包括数据采集、数据预处理、模式发现和模式分析;通过建立网络教育资源导航模型,并利用蚁群算法对Web日志数据中使用者的浏览行为进行挖掘;提出一个新的导航路径挖掘算法,可以发现有价值的用户浏览模式,指导用户对教育资源作进一步的搜索,还可以将训练好的网络图用于用户的个性化定制服务。     

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。     

用户浏览偏爱模式挖掘算法的研究

针对当前的挖掘算法只是简单地把频繁访问路径作为用户浏览的兴趣路径的问题，充分地考虑了用户在页面上的浏览时间和在路径选择上表现出来的浏览偏爱，提出了基于远程代理数据收集的浏览偏爱模式挖掘算法。该算法先利用客户端的远程代理收集用户浏览信息，然后划分成用户事务，最后利用一个递归过程找出用户浏览偏爱模式。实验证明：该算法比当前的频繁访问路径算法在用户浏览兴趣度量上更准确。     

基于改进ACS算法的移动机器人路径规划研究

针对蚁群系统(Ant Colony System,ACS)算法存在收敛速度慢、路径不平滑、易陷入局部最优等缺点,提出了一种基于万有引力搜索策略的ACS算法.为了解决算法初期由于地图信息匮乏,导致蚁群寻路盲目性较大的问题,提出了简化ACS算法对初始信息素浓度进行更新.引入万有引力算法搜索策略,提升了算法收敛速度,且有效解决了局部最优问题.对每次迭代获取到的最优路径进行优化,减少了路径的转折点数量、提升了路径平滑性.仿真试验表明,改进算法能够有效提升算法的收敛速度、路径平滑性.将改进算法应用到实际的移动机器人导航试验中,试验结果表明,改进算法能够有效解决移动机器人的路径规划问题,且有效提升移动机器人的导航效率.     

基于三阶段蚁群算法的土地利用核查 路径规划与目标导航

针对当前土地利用监管外业核查难以快速、准确地遍历所有待核查地块等问题,进行了土地核查路径规划与目标导航定位技术研究。提出了基于改进蚁群算法的土地核查路径规划与目标导航问题的三阶段求解方法,即“先分群,再搜索阶段最优路径,最后实现全局最优路径规划”,将大区域的多辆车路径规划问题简化为小范围单辆车路径规划与目标导航,利用改进蚁群算法求解出土地核查全局最优路径和导航信息。在此基础上对扬州市面积约6 600 km²范围内580个待核查图斑开展土地核查,利用该算法将外业核查车辆行驶路程由2 250 km缩短为1 683.3 km,缩短了25.2%。精准的目标导航方法较采用商用导航仪提高了工作效率和核查目标导航的准确性。     

基于蚁群算法的用户导航模式挖掘的研究

Web使用挖掘是将数据挖掘技术应用于Web日志数据,从而发现用户行为模式的过程;在电子商务的发展进程中,Web使用挖掘的重要性与日俱增;用户导航模式的挖掘是Web使用挖掘的一个重要研究领域,是优化Web站点框架设计的根本方法;该文首先介绍了用户导航模式挖掘的现状,然后探讨了蚁群算法用于用户导航模式挖掘的可行性,最后对应用的步骤提出了构想。     

一种基于改进的AprioriAll算法的Web路径模式挖掘

对路径模式挖掘的原理做了详细的阐述,并且针对挖掘对象的特性,对AprioriAll算法中生成侯选序列的函数做了相应的改进。最后通过实例说明了改进的AprioriAll算法在路径模式挖掘中的有效性。     

一种基于预测信息的时间依赖网络路径规划算法

对时间依赖路网最短路径规划算法的研究是车辆动态导航技术领域研究的热点之一。针对最小时间规划算法存在的不足,在研究SPFA(Shortest Path Faster Algorithm)静态规划算法的基础上,结合两种算法的优点,提出了一种改进的基于路况预测信息的最小时间路径规划算法,并通过实例进行了验证。结果表明,新算法能够提供实时、高效、预测性强的规划路径,在城市交通中能较好满足用户需求。     

基于LBS的最优出行路径算法的研究与应用

文章是基于LBS移动二次定位位置服务平台进行最优出行路径的研究.研究的目的是在LBS移动定位平台上实现基于出行者决策的最优路径选取,对人们选择最佳出行路线进行导航;在最优出行路径方面将问题分为最短路径算法和路径的权值2个问题;在最短路径算法方面选取了Dijkstra算法,并采用分层搜索、动态限制搜索区域算法对Dijkstra进行辅助,提高算法响应速度;在路径权值的确定方面,采用基于出行者决策的理论模型,对该决策算法进行适当调整,对路径权值重新裁定.     

适于车辆路径规划的改进型粒子群优化算法

路径规划在车辆导航系统中具有举足轻重的作用,是配送车辆导航系统中的一个重要模块.为解决物流配送车辆导航中的路径规划问题,文章以点对点模型为基础,对基本粒子群优化算法在初始种群的产生方法和种群的进化策略进行改进,提出适于配送车辆导航中路径规划点到点模型的改进型粒子群优化算法,并通过仿真试验验证了算法的有效性和快速运算能力.     

柔性网络计划计算机仿真算法实现

在传统的网络计划技术中 ,网络边长是固定的 ,这种网络模型不能很好地适应建筑工程的实践。本文提出边长可变的柔性网络模型 ,用以反映施工工序自身的随机性。在统计分析的基础上 ,建立了施工过程中各主导工序的概率模型 ,确定了相应的概率分布参数。然后 ,用计算机仿真的手段确定柔性网络的主要指标。在一次仿真计算中 ,每条边的边长是由符合其自身概率模型的随机数发生器产生的一个随机数 ,但在同一次仿真计算中边长是唯一确定的。这相当于对各工序的一次取样。对大量仿真计算结果进行统计分析 ,可以得到总工期及关键路线的概率分布结果 ,为施工管理提供更多的信息     

一种用于FTTx网络规划的频繁序列挖掘算法FSM

针对光纤接入（fiber to the x,FTTx）网络规划中频繁路径挖掘问题,在经典算法FP-Growth,SPADE的基础上,结合格理论,利用频繁项集扩展枚举树作为搜索空间,并引入位图方便扩展运算和支持度计算,提出了一个改进的频繁序列挖掘算法FSM+。详细介绍了该算法的相关性质和基本理论,阐述了该算法的基本思想和实现伪码。在VC++6.0和单机的环境下,利用不同规模用户装机数据集和最小支持度比较了该算法与SPADE,FP-Growth算法的性能和准确性。实验证明,FSM+算法在小规模数据集下性能优势并不明显,但在大数据集下其计算性能分别是SPADE,FP-Growth的5倍和7倍多,挖掘结果与SPADE,FP-Growth算法相同。从而在实际网络规划过程中,快速计算信任度较高的频繁模式,并与人工经验干预相结合,来进一步保证预测路径准确有效。     

农用车辆视觉导航路径识别方法

为提高农用车辆视觉导航系统对不同环境的适应性,研究了田间地头、天空以及树木等复杂环境对路径识别的影响.提出用一种新的中心线检测算法来取代原有的细化算法;用腐蚀算法代替原有的中值滤波;据此设计了适合复杂环境的路径识别方法.大量的田间试验证明,该方法对普通环境和复杂环境均具有较好的适应性,能够快速、可靠、准确地提取导航路径特征.     

校园导航系统最短路径的实现

随着高校的发展,校园面积不断扩大,为适应数字化校园建设的要求,各高校开发设计了校园导航系统．查询最短路径的实现是校园导航系统主要功能之一,阐述了基于Flash技术开发平台,运用迪杰斯特拉（Dijkstra）算法实现校园导航系统最短路径的功能．     

Dijkstra改进算法在车辆导航系统中的应用与仿真

车辆导航系统的最基本功能是最短路径的搜索,车载导航是单源单目标的最短路径算法的重要应用之一.传统的Dijkstra算法是一种典型的单源最短路径算法,因为实际系统的实时要求,有必要改进Dijkstra算法.基于对时间和空间复杂度的分析,提出一种新型的Dijkstra改进算法,具有高效性.其改进分3个方面:采用邻接表作为道路网络拓扑的存储结构;利用二叉堆实现优先队列;根据节点的分布情况将搜索过程分为几个阶段,引入了动态限制搜索区域机制.最后在实际道路网络中的测试及仿真结果表明了改进算法的可行性和优越性.