渐变式路径优化在GIS中的应用

为了解决传统算法收敛速度慢、搜索区域盲目等问题,提出了一种新的算法——渐变式路径优化算法.该算法是结合D ijkstra算法和遗传算法的优点,采用启发式搜索和自适应禁忌等策略进行优化而形成的一种混合算法.对新算法和传统算法进行了比较,同时将该算法应用于G IS路径规划中,对新算法中的关健参数σ、β因子进行了测试.仿真结果表明该算法极大地加快了搜索速度,提高了搜索效率,取得了良好的效果.     

一类混合HS和DY共轭梯度法及其全局收敛性

为了寻找同时具有良好的收敛性和数值效果的共轭梯度法.本文将HS方法和DY方法结合,选用Wolfe线搜索,构造出了一类新的混合共轭梯度法.并在Wolfe线搜索的条件下证明了该算法全局收敛性.对新算法进行数值实验,并与HS方法和DY方法的数值结果进行了比较,结果表明新算法是有效的.     

渐变式路径优化在GIS中的应用

为了解决传统算法收敛速度慢、搜索区域盲目等问题，提出了一种新的算法——渐变式路径优化算法该算法是结合Dijkstra算法和遗传算法的优点，采用启发式搜索和自适应禁忌等策略进行优化而形成的一种混合算法对新算法和传统算法进行了比较，同时将该算法应用于GIS路径规划中，对新算法中的关健参数σ、β因子进行了测试仿真结果表明该算法极大地加快了搜索速度，提高了搜索效率，取得了良好的效果     

改进人工蜂群算法求解多目标连续优化问题

多目标连续优化问题是实际应用和科研中最普遍的问题之一,也是学术界研究重点之一.根据人工蜂群算法求解过程,修正算法中的不足之处,改进算法中存在的盲目搜索,减少丢失算法中的优秀个体,以人工蜂群算法作为进化策略,整理改进方案.改进方案包括有:第一,针对基本人工蜂群算法中变异算子对整体基因搜索的不足,提出基于人工蜂群算法算子和变异算子相融合的自适应搜索算子,在一定程度上可以根据基因优良程度自动调整搜索范围,提高人工蜂群算法搜索行为的准确性.第二,利用搜索数据结果形成新的基因个体,在一代搜索结束后,剩余的个体与新个体的组合成新的种群,使得人工蜂群算法在进行过程中最大程度的保存下优良的基因.通过研究比较发现,改进的人工蜂群算法在求解多目标连续优化问题中具有比较好的收敛性和分布性.     

高性能自适应调整参数的遗传算法

分析了适应值选择算子中参数对遗传算法的个体选择和搜索性能的影响,提出了一种高性能自适应调整选择算子参数的遗传算法,修正了交叉概率和变异概率的自适应形式,并讨论了它们的变化机理.实验证明,该算法提高了算法搜索能力和解的精度,能有效地避免局部极小.     

一种改进变步长ELMS算法及其在自适应消噪中的应用

在简单讨论LM S算法的基础上,引入了ELM S算法,分析说明了该算法能达到更小的稳态M SE.改进的变步长ELM S算法是在对有用信号的预测中采用了自适应NLM S预测估计器,步长迭代中引入遗忘因子iλ,利用其与误差信号的加权和产生新的步长参与迭代.不仅对所提算法的收敛性及性能进行了分析,并将其用于自适应噪声对消中获得了成功.仿真结果表明,该算法有较好的收敛性能和较小的稳态失调.     

利用基于分区搜索的自适应遗传算法求解TSP问题

为了提高用遗传算法求解旅行商问题（TSP）的收敛速度，结合自适应算子和父子竞争策略等优化思想．提出了基于分区搜索的自适应遗传算法．该算法将整个搜索区域分成若干个较小的搜索区域，先进行局部搜索．在得到局部较优的基因组合后，再进行全区域搜索，不但提高了遗传算法的收敛速度，而且改进了变异算子的操作性能．通过TSP问题的求解表明，基于分区搜索的自适应遗传算法是一种稳定、高效的优化算法。     

一种新的非线性共轭梯度法及其全局收敛性

根据陈继宏等人给出的βk的新取值,结合田亚娟等提出的线搜索方法,提出一种新的混合算法,并对其充分下降性和收敛性做出了证明.     

面向全容量的高性能彩色图像可逆信息隐藏算法

可逆信息隐藏主流算法通常基于经验给出各种固定的边信息(峰值点和零点对)搜索方案用于直方图平移过程,使得算法性能受到较大限制.为进一步提高算法效率,该文给出一种面向全容量(从小容量到大容量)的自适应嵌入方案,根据给定的嵌入容量选择近似最优的边信息.所提出的基于多特征排序的嵌入位置优选策略,能够搜索到更光滑的区域进行信息嵌入,从而提高算法性能;基于给定的嵌入容量,给出了一种基于智能优化算法的自适应边信息优选方案.实验结果表明,该算法可以实现全容量下的信息嵌入,并且获得的算法性能更好.     

一种参数动态调整的自适应微粒群优化算法

提出了一种参数动态调整的自适应微粒群优化算法.针对微粒群算法中不同适应度值的微粒所需要的搜索能力不同,引入微粒相对优秀度概念,通过相对优秀度来动态调整惯性权重和加速因子,有效地调节算法的全局和局部搜索能力,保持了微粒的个性.利用三个Benchmark函数进行数值试验,仿真结果表明,算法稳定,具有较好的收敛性能.     

求解无约束最优化问题的一类新共轭下降算法

提出了求解无约束化问题的一类新共轭下降算法,并在非精确线搜索下证明了该算法的全局收敛性,数值结果表有,这一算法是有效的。     

基于疯狂自适应鱼群算法的认知无线电频谱分配

针对目前认知无线电网络中频谱利用无法满足指数级增长的通信需求、人工鱼群算法保持种群多样性差、全局搜索能力弱的问题,对图论频谱分配模型的人工鱼群算法进行了改进,得到了网络效益函数最优情况下的频谱分配.首先自适应调整视野和步长,保证算法前期较强的全局搜索能力和后期的收敛精度;然后在随机行为模式下引入疯狂算子,产生扰动以增加种群多样性.仿真实验对比了4种不同算法在相同模型参数下的系统总效益,同时对可用频谱和认知用户分别设置控制变量法测试算法性能.结果表明：改进后的人工鱼群算法全局搜索能力较强,具有较强的鲁棒性.     

一个新的修正HS共轭梯度法及全局收敛性

提出了一个新的修正HS共轭梯度算法解决无约束优化问题,该算法的特点是,搜索方向总是目标函数的下降方向,且不依赖于使用何种线搜索;特别是,若使用精确线搜索,该算法退化成标准的HS共轭梯度法。且在适当的假设条件下,证明了文章提出的算法具有全局收敛性,最后数值实验表明,文章提出的算法是可行的。     

引入动量因子的双自适应自然梯度算法

为克服自然梯度算法收敛速度和稳态误差之间的矛盾,提出了一种引入动量因子的双自适应自然梯度算法,该算法将动量因子分别引入到自然梯度算法的步长因子和分离矩阵中,并根据实时分离度自适应调整动量因子,从而在加快算法收敛速度的同时,降低稳态误差.仿真实验证明,提出的新算法的性能明显优越与固定步长和自适应步长自然梯度算法.     

基于自适应权重的粒子群和K均值混合聚类算法研究

针对K均值聚类算法存在的缺点,提出了一种基于自适应权重的粒子群优化(PSO)和K均值混合聚类算法.该算法在运行过程中通过引入非线性动态惯性权重系数,提高了混合聚类算法全局搜索能力和局部改良能力,并根据群体的适应度方差来确定K均值算法操作时机,增强算法局部搜索能力的同时缩短了收敛时间.将该算法与K均值聚类算法、基本PSO聚类算法和基于传统的粒子群K均值聚类算法进行比较,表明该算法不仅能有效地克服陷入局部最优,而且全局收敛能力和收敛速度都有所提高.     

贪婪随机自适应搜索算法婪随机自适应搜索算法(GRASP)研究

贪婪随机自适应搜索算法(GRASP)是近几年提出的一种新兴的算法框架,由Feo和Resend在1989年提出,分成构造阶段和局部搜索阶段两个部分。首先在第一阶段构造一个初始解,随后对初始解进行局部搜索。该算法普遍应用于生活、经济、医疗、工业等方面的各种组合优化问题。本文从贪婪随机自适应搜索算法为出发点,详细分析了该算法框架的基本内容,并运用在0-1背包问题上,加深对此算法框架的理解和运用。     

一种归一化快速盲自适应波束形成算法

提出了一种具有快速跟踪能力和允许大输入动态范围的归一化盲自适应波束形成新算法.计算机仿真计算表明,该算法的性能优于LSSCORE算法.     

基于非精确信息的QoS组播路由遗传算法

提出了一种新的启发式遗传算法以求解基于非精确状态信息的QoS组播路由选择问题.该算法以基于非精确状态信息的单播QoS路由算法PC-ISI (premise-controlled,inaccurate state information)为基础,将基于非精确状态信息的QoS组播路由问题与遗传算法有机结合,通过初始群体的筛选、自适应罚函数的运用以及启发式交叉和变异等一系列策略,能有效地提高算法的搜索能力和收敛速度.仿真实验也说明该算法性能良好.     

基于改进遗传算法的Volterra核辨识研究

本研究提出了一种基于改进遗传算法辨识Volterra级数模型的方法.该方法根据Volterra核与系统输出的相关程度来调整模型结构,利用重启策略与自适应搜索范围解决进化停滞与算法早熟收敛等问题.通过仿真试验将改进遗传算法与标准遗传算法、量子粒子群算法进行比较.结果表明,该方法在辨识精度、收敛速度及抗噪性能等方面明显优于...     

一种无约束优化的非单调自适应锥模型信赖域算法

针对无约束优化问题,提出一种新的锥模型信赖域算法。该方法组合了线搜索技术、截断拟牛顿法和锥信赖域法。当试探步不被接受时,采用非单调线搜索原则产生下一次迭代点,无需重解锥信赖域子问题。在适当的条件下,证明算法的全局收敛性和超线性收敛性,数值结果表明算法是可行的和有效的。