基于元胞遗传的无线传感器网络分簇规划方法

为了解决无线传感器网络中簇首节点规划的问题,基于元胞遗传提出了一种新的刻画模型CHCG(Cluster Header Planning model based on Cellular Genetic).该模型首先结合节点剩余能量和距离信息建立了最优目标函数,同时利用元胞遗传方法对该目标函数进行求解.最后,通过NS2和MATLAB进行仿真实验,对比分析了该模型与AESR以及LEACH之间的性能优劣.实验结果表明,该算法具有较好的适应性.     

基于非参数聚类和多尺度图像的目标跟踪

提出了一种基于非参数聚类和多尺度图像的目标跟踪算法.在利用改进的非参数颜色聚类进行自适应划分目标颜色空间的基础上,定义了目标模型和候选目标模型,该模型利用高斯函数建模颜色直方图中的每一个颜色特征位的空域分布; 根据Bhattacharyya系数的定义得到了目标模型和候选目标模型之间的相似性函数.跟踪算法利用高斯金字塔得到的多尺度图像进行从粗到细的目标空间定位;同时通过利用推导的核函数自动带宽选择公式,实现了目标尺度定位.实验结果表明该方法优于典型的均值漂移跟踪方法,从而验证了该方法的有效性.     

增强Ad hoc网络连通性的单节点移动算法

利用节点的移动特性,为在不破坏原有链路的基础上减少或消除Ad hoc网络中的分割节点,提出了一种基于接收信号强度的节点移动算法.该算法在网络中存在分割节点时,根据接收信号强度分别确定移动节点、目标连接节点以及节点移动的目标位置.文中还根据接收信号强度定义了链路的代价函数,节点的移动就是搜索该函数最小值的过程.仿真结果表...     

基于轨迹灵敏度的协同分布式模型预测电压控制

为克服集中式模型预测电压稳定控制的局限性,基于系统分区和预测电压控制模型分解提出了一种适于大型电力系统的协同分布式模型预测电压控制方法.该方法以所有子区域目标函数的凸组合来构建全局目标代价函数,利用轨迹灵敏度技术预测节点电压变化轨迹,将目标代价函数转化成与所有子区域控制变量有关的二次函数,从而避免了各子区域之间目标优化可能存在的冲突.在两个试验系统上的仿真结果表明,文中方法能获得与集中式模型预测电压控制相近的效果,且计算效率显著提高.     

撮合交易机制下的阻塞管理模型与算法

针对撮合交易运行规则的电力市场,建立了撮合交易机制下的阻塞管理模型.该模型以安全再调度调整购电费用最小为目标函数,以各发电机组对过载支路的灵敏度和功率修正量组成约束条件,利用拉格朗日乘子和松弛因子建立增广目标函数,把有约束非线性规划问题转化为无约束非线性规划问题.在求解方法上采用了拉格朗日求极值的方法.通过6节点系统分析计算,验证了所提算法的正确性和有效行.     

利用形函数性质产生直梁单元形函数的方法

利用形函数性质产生直梁单元形函数: 首先利用直梁单元形函数在其余节点上的性质构造在第j 个节点上包含待定常数的形函数表达式, 然后利用该形函数在第j 个节点上的性质, 求得在该节点上的所有形函数, 最后重复上述步骤可得到梁单元其余节点上的形函数. 以3 节点6 自由度直梁单元为例, 阐述了该方法产生形函数的应用, 同时也给出了2 节点6 自由度和2 节点8 自由度直梁单元的形函数. 与传统的方法相比, 该方法求解形函数的工作量显著减少.     

无线传感器网络中能量均衡参数可控覆盖算法

针对目标节点进行k度覆盖的过程中会出现大量数据冗余迫使网络出现拥塞并导致网络通信能力和覆盖能力降低、网络能量快速消耗等问题,提出了一种能量均衡参数可控的覆盖算法(energy balance parameters-controlled coverage,EBPCC)。该算法利用节点之间的位置关系构造出覆盖网络模型,通过分析网络模型给出监测区域内节点覆盖期望值及对整个监测区域覆盖所需最少节点数的求解过程;在能耗方面给出了工作节点和邻居节点之间的能量转换函数比例关系,利用函数比例关系完成低能量节点的调度,进而达到全网能量平衡。实验结果表明:该算法不仅可以提高网络覆盖质量,还可以有效抑制网络节点能量快速消耗,在相同的监测环境下,该算法的网络生存周期比能量有效的目标覆盖ETCA算法延长了12.91%,覆盖率比事件概率驱动机制EPDM算法提高了7.06%。     

一种信号强度感知的Ad Hoc网络节点移动控制算法

针对Ad Hoc网络节点具有的可移动的特点,提出了一种基于接收信号功率的移动控制算法.该算法是在无法获取节点位置信息的情况下,对网络拓扑进行优化配置.文中定义了基于接收信号强度的性能函数,当节点位于该函数的最小值点时,传输数据所需的能量消耗最小.可将该函数取得最优解的位置作为节点移动的目标位置,并根据检测到的接收信号强度逐步搜索到该位置.实验结果表明,在位置信息未知的情况下,可通过该算法找到节点移动的目标位置从而减少传输能量的消耗.     

基于自适应特征融合的均值迁移目标跟踪

提出了一种基于自适应多特征融合的目标跟踪算法.分别利用RGB颜色和LBP纹理特征建立目标模型,通过线性加权将两类目标子特征模型代入目标相似性函数并用均值迁移算法进行目标位置优化计算.在跟踪过程中,引入S igmoid函数动态调整两类子特征权重,并利用子特征相关系数和可靠性指数对目标特征模型选择性自适应更新.实验结果表明,该算法能在跟踪场景和目标外观变化时自适应调整两种子特征权重,避免了特征失效导致的跟踪失败;特征模型选择性更新策略有效抑制了模型漂移.与单一特征和模型直接更新的跟踪方法相比,该算法在复杂跟踪环境更具有鲁棒性,能进行准确稳定的实时跟踪.     

基于双层多粒子群算法的HDEHR系统资源分配

为解决集中式区域医疗信息集成系统存在的访问瓶颈问题,设计了一种层次化分布式EHR集成模型HDEHR(hierarchical distributed EHR).介绍了HDEHR模型的总体架构,指出了该模型中的系统资源分配问题.为HDEHR系统资源分配问题进行了形式化定义,提出一种采用平均等待时间和网络与节点资源利用均衡度的调和模型作为最优化目标函数.根据HDEHR模型层次化的特点设计了一种双层多粒子群算法BLMSPSO(bi-level multi-swarm PSO),并用其解决了模型资源的最优化分配问题.采用HDEHR-Sim仿真平台进行了试验,对HDEHR算法和集中式EHR模型进行了比较.结果表明,该系统具备线性响应能力,能很好地解决集中式EHR集成模型存在访问瓶颈的问题.     

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％.     

基于蚁群算法的炼钢-连铸作业计划编制方法

为提高炼钢-连铸作业计划编制中资源配置的有效性,提出了一种面向生产流程动态网络的自组织资源配置蚁群算法.炼钢-连铸作业计划以最小化炉次作业冲突时间和作业前等待时间、尽早安排连铸机开浇时间为目标,以连铸机连浇等工艺要求为约束条件建立模型,按生产流程网络结构的时空逆序关系设计了蚁群求解算法.利用某钢厂实际生产作业计划数据进行的算法验证结果表明:模型及算法能迅速得到高质量的可执行炼钢-连铸生产作业计划.     

移动机器人路径规划的一种改进蚁群算法

提出了一种复杂静态环境下的移动机器人避碰路径规划的改进蚁群算法。基于栅格法的工作空间模型,模拟蚂蚁觅食行为,并针对移动机器人的路径规划的需要,将一些特殊功能赋予常规的蚁群算法。为了避免移动机器人的路径死锁,在路径搜索过程中,当蚂蚁探索到一个死角时,建立了相应的死角表,同时用惩罚函数来更新轨迹强度。仿真研究表明:该算法能明显改善路径规划性能,并且算法简单有效。     

面向工艺分工规划的多目标蚁群算法

为解决计算机辅助工艺规划中工艺分工的优化问题,提出一种基于多目标蚁群算法的工艺分工路线优化算法.在引入逻辑加工路线、逻辑制造单元、物理制造单元、可执行加工路线等概念基础上建立工艺分工规划过程模型.在过程模型中,运用多目标蚁群算法对物理制造单元集合实现优化.在求解过程中,以加工时间和所耗成本为目标函数,在求解空间中对物理制造单元进行遍历,最终寻找到最优化的可执行加工路线.通过实例验证了该方法的可行性和有效性.     

基于四叉树和改进蚁群算法的全局路径规划

为解决机器人在大范围二维平面区域内的路径规划问题,提出一种四叉树和改进蚁群算法相结合的路径规划方法.基于四叉树分解法,对路径规划的二维区域进行环境建模,在环境建模的基础上,采用改进蚁群算法进行高效的路径规划.四叉树在完整地记录环境信息的同时对环境信息进行了高效地压缩,改进蚁群算法可以规划出与障碍物保持一定安全距离的路径,提高了规划出的路径的实用性.仿真实验表明,提出的路径规划方法在执行效率和路径的实用性上取得了良好的平衡,可以高效地对大区域进行路径规划.     

蚁群算法在医药物品配送路径优化中的应用

在分析医药物流特点的基础上,提出了医药物流数学模型的合理假设和约束条件,构建了医药物流配送路径优化的目标函数.鉴于蚁群算法具有较强的发现较好解的能力,运用蚁群算法对目标函数进行寻优.仿真实验结果验证了该算法的有效性.     

改进蚁群算法的云计算资源调度模型

针对当前云计算系统资源调度算法的资源利用率低、浪费严重等缺陷,提出一种基于改进蚁群算法的云计算资源调度优化模型,以获得更理想的云计算资源调度方案.首先对云计算资源调度的工作原理进行分析,建立云计算资源调度优化目标函数;然后利用蚁群优化算法模拟蚁群找到一条从起点到目的地的路径,即云计算资源调度目标函数的最优解,并结合目标函数对蚁群算法进行相应地改进;最后采用MATLAB2014R编程实现云计算资源调度优化模型.实验结果表明,该模型在短时间内可找到云计算资源调度的最优解,使资源利用率得到了改善.     

云模型蚁群算法在无人机航迹规划中的应用

为中高空飞行的无人机提出了一种新型航路规划算法。该方法基于云模型蚁群算法。基本蚁群算法有着突出的缺陷:易陷入局部最优解而且需要计算时间长。提出的改进型蚁群算法,通过云模型来控制信息素强度Q和挥发系数ρ的大小,从而得到更好的收敛性与避免陷入局部最优解,并进行了TSP问题的仿真计算。通过将无人机任务地图网格离散化,运用云模型蚁群算法进行航迹规划。     

基于自适应多态融合蚁群算法的无人机航迹规划

为解决传统航迹规划最短路径算法易陷入局部最优及复杂地形情况下的无人机航迹规划问题,提出了一种基于自适应多态融合蚁群算法的航迹规划方法。通过对航迹规划问题进行描述,建立数学模型,将自适应和蚁群算法相结合,与多态蚁群形成了全局、局部并行搜索模式,以提高算法寻找全局最优值的能力;提出自适应并行策略和自适应信息更新策略,以提升其全局搜寻能力。仿真结果表明,自适应多态融合蚁群算法较传统蚁群算法和多态蚁群算法具备更好的性能,能有效地提高搜索路径的长度和收敛速度,从而避免在求解过程中陷入局部最优,因此在求解最优航迹规划问题上有很好的应用前景。