利用MMAS算法求解交通导航系统中的最优路径

在智能交通导航系统中,高效的智能算法能够综合当前交通状况,通过对数据进行分析求解最优路径。在对智能算法进行深入研究的基础上,以MapX组件为平台,Visual C++作为开发工具,利用仿生优化算法——MMAS算法(Max Min Ant System)求解导航系统的最优路径,通过模拟接收到的实时交通信息,结合GIS技术,实现了最优路径的查询、显示等功能。实验证明MMAS算法在求解最优路径上是行之有效的。     

混合杂草遗传算法求解旅行商问题

针对旅行商问题,本文提出了一种混合杂草遗传算法,该算法分别引入入侵性杂草优化(IWO)算法的空间扩展思想和遗传算法(GA)的繁殖优化思想,提出城市节点邻序矩阵以及邻序选择概率矩阵对旅行上问题进行优化求解。仿真结果表明该算法具有更好的全局收敛性、收敛速度以及精度,对于杂草算法优化中易陷入局部收敛这一缺陷有明显改善。     

延时信道信息下一种新的AF中继选择算法

提出单源、多中继、单目的节点的放大转发中继系统中一种新的中继选择算法.考虑源端通过反馈获得第一跳链路过时(延时)的瞬时信道状态信息,推导了中继选择方案的中断概率闭式表达,并基于该表达式,以最小化条件中断概率为目标,提出利用信道相关性信息辅助的中继选择新方案.仿真验证了新方案相比于传统方案有明显的性能增益.     

基于人工免疫-蚁群混合算法的WSN路径优化研究

人工免疫算法（AIA）是借鉴人体免疫机制提出的一种智能算法,它具有快速随机的全局搜索能力,但不能有效利用系统的正反馈信息,往往会做大量的冗余迭代,降低了求解效率;而蚁群算法具有分布式并行全局搜索能力,但由于初期信息素匮乏,求解速度低。基于这两种智能算法的优劣势,提出的AIAC算法充分利用了AIA的快速性和全局收敛性产生初始解,再利用蚁群算法提高求解效率,在Matlab上取得了较好的仿真效果。     

一种烟花算法的优化

烟花算法是一种具有较强的全局搜索和局部搜索能力优点的智能算法,针对该算法存在爆炸火星聚集,算法迭代中缺少相互协作问题,本文通过遗传算法对烟花爆炸优化算法进行改进,首先增加了爆炸点管理策略以及对每一代的最优炸点进行自适应局部搜索策略,然后利用遗传算法中的交叉变异思想与最优炸点进行信息交换,直到找到满足条件的最优解。仿真实验说明本文算法在寻优能力和寻优精度上具有很好的性能。     

遗传-蚁群混合算法解决高校排课问题的研究

排课是高校教务部门的常务性工作,随着高校的发展,排课任务变得越发艰巨。因此,研究一套高效的自动排课系统,极具现实意义。文章首先建立排课数学模型,通过将遗传算法与蚁群算法融合,依靠遗传算法生成信息索分布,利用蚁群算法求精确解,优势互补,获得了良好的优化性能与时间性能。     

基于遗传算法的齿轮传动优化设计

将齿形系数与齿数之间的关系映射为径向基神经网络,并且利用遗传算法优化径向基神经网络隐层与输出层的权值,最后利用遗传算法合理选择交叉概率与变异概率对齿轮进行优化设计.利用本算法对二级斜齿圆柱齿轮减速器进行设计,结果表明本算法的性能优于原遗传算法且设计效率高,在机械优化设计中具有广泛的应用前景.     

基于求解TSP问题的ACA-GA-PSO算法

为了有效求解TSP问题,提出一种融合蚁群算法、遗传算法、粒子群优化算法思想的混合算法。该算法基于最大-最小蚁群系统框架,在选择下一个城市时采用局部搜索策略避免陷入局部最优,在每次循环结束时用演化交叉策略优化得到的全局最短路径,从而提高求解TSP问题的求解精度及收敛速度。TSPLIB中不同规模的TSP问题的仿真实验结果表明了该算法的有效性与可行性。     

基于分层遗传的新聚类算法应用于数据分类

针对FCM(模糊C均值聚类算法)对初始聚类中心的选取敏感以及梯度法易收敛到鞍点,在此基础上提出了一种分层遗传算法(HGA)优化的核模糊C均值聚类算法(HGA-KFCM)来提升聚类性能,首先用分层遗传算法(HGA)在全局筛选出高品质聚类中心以替代FCM的随机产生的聚类中心,再利用高斯径向核函数改变FCM中的距离函数并且重新定义目标函数,最终根据新参数进行迭代流程。在仿真实验中用两种数据集作为实验数据,利用FCM、HGA-KFCM以及其他三种聚类算法进行聚类测试,结果显示HGA-KFCM在一定程度上解决了FCM的缺陷,此外将新算法与另外三种性能不错的聚类算法在抗局部收敛能力,迭代次数和精度上比较,结果显示新算法具有良好的聚类性能。     

基于遗传算法的数字曲线多边形逼近的实现

平面曲线的多边形逼近是模式识别和计算机舰觉研究中的常用算法,为克服顶点的检测只依靠局部区域、缺乏全局信息的弱点。提出了一种利用遗传算法的最优多边形逼近算法。     

启发式云计算多源资源访问特征最小方差估计

提出一种基于启发式云计算的多源资源访问特征最小方差估计算法,构建多源资源访问的云计算Cloud-P2P融合模型,采用遗传算法对Cloud-P2P融合模型中多源资源访问特征进行信息提取,给出多源资源信息访问特征状态,采用自适应全局概率搜索,自主对整个所需搜索范围进行搜索以及优化,实现对多源资源访问特征的最小方差估计,提高访问性能。仿真结果表明,算法特征信息提取精度高,方差估计准确,通过启发式云计算对多源资源信息系统访问特征的最小方差准确估计,利用了众多闲置的普通用户终端节点上蕴含的巨大的计算和存储资源,可灵活设置备份规模,鲁棒性高,性能优越。     

一种改进蚂蚁算法在TSP问题中的应用

蚂蚁算法是一种模仿蚂蚁群体行为的智能化算法.正反馈机制是蚂蚁算法的特点,它使得蚂蚁算法能够较快收敛到问题的最优解,但同时也是蚂蚁算法的缺陷,它使得蚂蚁算法容易陷入局部最优解.ACS和MMAS是两种典型的改进蚂蚁算法,通过引入伪随机概率选择规则和信息素最大、最小限制规则来加快蚂蚁算法收敛速度同时避免陷入局部最优解.目前,针对启发信息的影响进行改进的蚂蚁算法还没有.提出一种基于方向启发信息的改进蚂蚁算法,为蚂蚁算法的改进研究提供了新的思路.     

遗传算法与蚂蚁算法的融合在神经网络中的研究

为了克服和改进传统BP算法的不足,发挥神经网络、遗传算法和蚂蚁算法各自的优势,本文提出了一种遗传算法和蚂蚁算法的融合在神经网络中二次训练的方法,并将融合算法应用于神经网络的权值训练中,采用遗传算法生成信息素分布,同时利用蚂蚁算法求精确解,并用神经网络二次训练得到最终结果,优势互补,获得了一种优化性能与时间性能共赢的有效算法。     

遗传算法在TSP问题中的应用

遗传算法是借鉴生物界自然选择和进化机制发展起来的全局的概率搜索算法,旅行商问题(TSP)是著名的NP问题,也是组合优化、计算机科学界经典的问题之一。本文简介了遗传算法的原理、设计方法和基本步骤,并着重用遗传算法对TSP问题进行近似求解。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法(ACA)与遗传算法(GA)都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题(TSP)中.本文将两种算法进行融合,并给出了新的融合方式.实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度.     

基于显隐式反馈的个人信息隐私保护方法

【目的/意义】针对现有个人信息隐私保护方法未考虑隐式反馈数据,造成隐私保护效果低的问题,研究基于显隐式反馈的个人信息隐私保护方法,通过利用显隐式反馈信息,有效解决网络中包含个人信息的隐私保护问题。【方法/过程】首先根据提取规则提取个人信息,并将其保存至数据库中。然后,建立融合显隐式反馈数据的矩阵分解模型,利用EifSVD算法对隐式反馈矩阵进行分解。将特征向与显式反馈模型结合,实现了矩阵分解的模型求解。最后,利用个人隐私保护方案,完成矩阵分解模型求解结果的加密保护,利用基于差分隐私算法的目标函数扰动策略对个人隐私信息进行保护。【结果/结论】实验结果表明,该方法充分考虑了用户的隐式反馈数据,具有较高的安全性与可靠性,提升了个人信息隐私保护性能,可以保证个人信息隐私数据在服务端传输信息时的安全性,同时不影响网络传输性能以及数据查询效率。【创新/局限】但因本文中的实验案例较单一,因此研究结果仍存在一定局限性,后期将结合不同案例对所提出的个人信息隐私保护方法进行验证,保证方法的准确性。     

求解TSP问题的一种改进遗传算法

TSP问题是典型的NP完全问题,遗传算法是基于生物进化论的一种全局优化搜索算法。文中针对TSP问题传统遗传算法的缺点,提出了一种改进的遗传算法,并且给出选择、交叉和变异操作的设计。最后,以该算法求解中国旅行商问题(C-TSP)为例,表明该改进遗传算法具有更好的收敛性,可以得到更好的最优解。     

整箱货物的混合装箱问题的遗传解法

整箱货物的混合装箱问题在采用传统的算法时,当货物种类规模较大,通常会出现计算时间的"维数灾难"。而遗传算法在搜索过程中不容易陷于局部最优,并能以很大的概率找到整体最优解,具有较快的全局最优解的求解能力。本文以一实例说明了遗传算法在求解混合装箱问题的适用性。     

遗传算法在优化求解中的应用

遗传算法是一种通过模拟自然界的生物演化过程搜索最优解的方法,用于求解优化问题有其独特的优势。系统介绍了遗传算法特点、算法框架、以及遗传算法求解优化问题的应用过程。     

基于改进的遗传算法的后非线性盲源分离

针对后非线性盲源分离中非线性参数估计中存在的问题,提出一种基于改进的自适应遗传算法的后非线性盲源分离方法.该方法给出一种新的适应度函数,利用适应度函数值反馈调节交叉概率和变异概率的选取,并将优先进化策略和模拟退火机制引入遗传算法中,再通过线性分离算法得到分离矩阵.仿真验证表明,该方法较传统方法具有更快的收敛速度和较高的分离精度.