共查询到18条相似文献,搜索用时 171 毫秒
1.
2.
3.
4.
介绍了一种求解复杂组合优化问题的新型的模拟进化算法——蚁群算法。阐述了该算法的基本原理、模型以及实现过程,并且介绍了蚁群算法在TSP问题、二次分配问题、车间作业调度问题、大规模集成电路综合布线以及车辆路径问题等组合优化问题中的应用思路。 相似文献
5.
蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法.基于群体的协作与学习,该算法已经成功地解决诸如TSP问题等多种组合优化问题.本文提出了一种改进蚁群算法.该算法根据人工蚂蚁所获得解的情况,应用一种选择策略,从而使得算法跳离局部最优解,并采用局部搜索,以获得更好的优化解.通过仿真实验获得的结果表明,该算法对于蚁群算法具有较好的改进效果. 相似文献
6.
研究了云计算环境下的任务调度问题,通过构造云计算环境下的任务调度模型,提出了一种混合调度算法,该算法是蚁群算法与遗传算法的有机融合。其中的遗传算法采用间接编码方式,结合由遗传算法衍生出的优化解,对蚁群信息素的分布进行初始化处理,使遗传算法的快速搜索能力得到充分利用,并通过克服蚁群算法的起始信息素不足问题,加快了求解速度。云计算环境下的仿真实验结果表明,该混合算法是一种行之有效的任务调度算法。 相似文献
7.
数据挖掘技术能从海量数据中发现潜在的有用的信息和知识,蚁群算法在处理组合优化问题方面也已取得了较好结果,这就使得将蚁群算法应用于数据挖掘中的前景非常广阔。本文主要讨论了蚁群算法在数据挖掘聚类分析中的研究现状,最后总结了蚁群算法在数据挖掘应用中尚待解决的问题。 相似文献
8.
《科技通报》2016,(6)
基于智能仿生计算的蚁群优化算法在路径规划问题中具有较好的应用前景,通过蚁群算法优化,实现机器人路径规划和应急救援的路径规划等。传统的基于蚁群算法的路径规划在信息素转换中容易导致信息丢失,产生局部收敛,提出一种基于信息素多目标Pareto支配的蚁群优化算法实现路径规划,利用信息素多目标Pareto集合序列的均匀遍历特性和逻辑差分变尺度特征,进行变尺度搜索,根据蚁群优化算法一次次地更新搜索空间,结合负反馈机制,通过蚂蚁的信息素转化进行路径分析,采用Pareto支配集记录下最优的食物源,蚁群在寻找食物过程中,避免了局部寻优和局部收敛,仿真结果表明,采用该算法进行蚁群优化后的路径规划避障效果较好,以较快的收敛速度和较少的迭代次数找到最优路径,收敛性好。 相似文献
9.
针对人脸识别问题,提出了一种新的算法。该算法利用融合的PCA和LDA算法进行特征提取,并使用蚁群优化的BP神经网络进行人脸识别。使用融合的PCA和LDA算法对特征向量进行提取压缩,为了提高BP神经网络对人脸的分类精度和减少训练时间,使用蚁群算法优化BP神经网络的初始参数,并使用优化后的BP神经网络进行训练和人脸识别。在ORL人脸数据库的仿真结果表明,该算法能有效提高人脸识别性能,具有较高识别率。 相似文献
10.
11.
移动网络优化问题是一个NP难问题,所以它并不能保证在合理的运行次数里就找到最优的方案。常用的人工智能求解优化问题有遗传算法、蚁群算法和禁忌算法。相对于这几种算法在离散对象的组合优化问题中优势比较明显,而禁忌算法更容易跳出局部极值从而能在更大的范围内寻找到一个较优解。我们开发的基于禁忌算法的长沙移动网络优化软件,通过科学分析采集的数据,从而解决话务阻塞和掉话问题,优化了网络,提高了长沙移动的网络质量。 相似文献
12.
13.
14.
15.
16.
高校教务管理工作中,课程安排是一项重要而又复杂的基本工作。排课问题是典型的多重约束和组合优化的问题,通过最优的排列组合合理分配教学资源。本文通过对排课问题基本要素及相互约束条件的分析,结合自身实践描述了课表的编排原则,同时对模拟退火算法、图论法、遗传算法、蚁群算法等主要排课算法的原理和特点进行了阐述。 相似文献
17.
18.
《Information processing & management》2023,60(2):103205
Personalized recommender systems have been extensively studied in human-centered intelligent systems. Existing recommendation techniques have achieved comparable performance in predictive accuracy; however, the trade-off between recommendation accuracy and diversity poses new challenges, as diversification may lead to accuracy loss, whereas it can solve the over-fitting problem and enhance the user experience. In this study, we propose a heuristic optimization-based recommendation model that jointly optimizes accuracy and diversity performance by obtaining a set of optimized solutions. To establish the best accuracy-diversity balance, a novel trajectory-reinforcement-based bacterial colony optimization algorithm was developed. The improved bacterial colony optimization algorithm was comprehensively evaluated by comparing it with eight popular and state-of-the-art algorithms on ten benchmark testing problems with different degrees of complexity. Furthermore, an optimization-based recommendation model was applied to a real-world recommendation dataset. The results demonstrate that the improved bacterial colony optimization algorithm achieves the best overall performance for benchmark problems in terms of convergence and diversity. In the real-world recommendation task, the proposed approach improved the diversity performance by 1.62% to 8.62% while maintaining superior (1.88% to 40.32%) accuracy performance. Additionally, the proposed personalized recommendation model can provide a set of nondominated solutions instead of a single solution to accommodate the ever-changing preferences of users and service providers. Therefore, this work demonstrates the excellence of an optimization-based recommendation approach for solving the accuracy-diversity trade-off. 相似文献