无线传感器网络中基于双向分工蚁群的QoS路由算法

无线传感器网络中的Qos路由虽能提供有保证的差别服务,但却是一个NP完全问题,而蚁群算法能有效解决该类问题．针对基本蚁群算法在无线传感器网络QoS路由应用上收敛速度慢和易陷入局部最优解的不足,提出了一种基于双向分工蚁群的QoS路由算法．该算法通过采用局部更新与全局更新相结合的规则,并使用双向分工蚁群搜索机制有效提高收敛速度,从而获得全局最优解．仿真结果表明,该算法能快速获得有效的QoS路径．     

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。     

基于信息素改进的蚁群算法

蚁群算法是一种优秀的启发式算法,具有较强的鲁棒性。针对基本蚁群算法在求解过程中容易出现收敛时间过长以及容易陷入局部最优的不足。本文提出了一种改进的蚁群算法,该算法通过在信息素挥发系数上增加一个收敛函数,加快了收敛速度;通过信息素增量与优秀路径选择相结合,引导算法收敛到最优路径,实验结果表明,改进后的算法在收敛速度和全局寻优能力上有了较大的提高。     

蚁群算法求解离散最小约束去除问题

摘要： 引入蚁群算法解决最小约束去除运动规划问题,在求解过程中对蚁群算法的启发函数以及信息素更新策略进行改进,使其不再易于陷入局部极值并适合求解该问题.仿真实验结果表明,该算法在解的质量和收敛速度上优于精确搜索与贪心算法.     

采用序优化的改进蚁群算法

为了评价蚁群算法在有限时间内所得优解的质量,基于序优化方法提出了一种改进的蚁群算法:使用盲目挑选规则选择初始解,并对信息素进行相应的初始化;确定得到满足要求的优解所需要的迭代次数,将其作为算法的终止条件;为了更好地利用每次迭代中的优解,在算法开始阶段使用前l个迭代优解更新信息素,以增强探索能力;在算法结束阶段采用当前迭代最优解更新信息素,以加快收敛速度.改进算法在保证收敛的前提下,并没有增加算法的时间复杂度.对旅行商问题进行的仿真实验表明,改进算法在解的质量和收敛速度方面优于最大-最小蚂蚁系统.     

一种基于蚁群算法的多媒体网络多播路由算法

为了克服蚁群算法（Ant Colony Optimization,ACO）收敛速度慢，易限于局部最小点等缺陷，对ACO进行了改进，在每次循环结束时，保留最优解，自适应地改变挥发度系数，引入遗传算法的交叉算子，提出了一种基于ACO的有时延约束的多播路由算法模型。仿真结果表明，基于改进ACO的多播路由算法模型 可以稳定地获得优于现有启发式算法的解，是一种有效的多播路算法，该算法也适用于并行执行和应用。     

WDM网络中基于改进蚁群算法的受限组播路由算法

针对波分复用(WDM)光网络中动态选路和波长分配(RWA)问题,提出了一种基于改进蚁群算法的分布式动态RWA方法.在蚂蚁选路的概率中加入成本因素,并且只增加优秀路径上的信息素,从而对现有蚁群算法进行了改进,加快了其收敛速度.作者将改进的蚁群优化算法与分层图相结合,提出了一种构造时延受限的最小代价组播树的并行算法.仿真结果表明,与现有最短路经相比,该算法有效降低光路阻塞率,促进波长资源的合理分配,同时分布式的计算方法也降低了现代频繁变化的大型光网络的通信开销.     

解TSP问题的蚁群算法及其收敛性分析

研究和证明求解旅行商问题(TSP)的蚁群算法收敛性.针对蚁群算法搜索时间长、收敛速度慢、易陷入局部最优等缺陷,改进Dorigo提出的基本蚁群算法.最后,用典型的旅行商问题CHN144进行仿真实验,结果表明,改进蚁群算法在收敛速度及求解能力上都有较大改善.     

基于势场导向的对数蚁群算法的移动机器人路径规划

针对蚁群算法存在收敛速度慢,易陷入局部最优的问题,提出了一种将人工势场和对数蚁群算法相融合的新算法.该算法是在蚁群算法的基础上,将势场的影响因素引入到蚁群算法的状态转移概率函数和启发函数中,并通过对数函数模型对蚁群算法的信息素更新策略进行改进,使得路径算法搜索不再具有盲目性,并加快算法的收敛速度.为了验证改进算法的有效性,分别在不同环境的2维栅格地图中进行仿真.仿真结果表明,相比改进前的蚁群算法,改进后的蚁群算法在路径规划中收敛速度更快,规划效率更高.将基于势场导向的对数蚁群算法应用于Hokuyo激光建图的实际机器人上进行路径规划实验.实验结果表明,改进后的蚁群算法路径搜索效率较改进前提高了约52％.     

求解流水车间调度问题改进的蚁群算法研究

蚁群算法求解流水车间调度问题(FSP)容易陷入局部最优,为避免误差较大,提出一种改进的蚁群算法(IAACA).该算法融合最大最小蚂蚁系统的思想,改进了蚂蚁信息素挥发方式,在搜索初期,信息素挥发系数从较大的值呈线性递减趋势,利于算法跳出局部最优,在迭代后期,信息素挥发系数减小为较小的值,有利于精细寻优.对基准算例的仿真结果表明改进的蚁群算法的有效性.     

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。