基于低能见度场景中退化图像的增强方法

研究了低能见度条件下的图像清晰化方法,在基于频率域与空间域的传统算法的基础上,提出了传统算法互相结合的新算法,包括POSHE算法、基于POSHE算法与传统算法相结合的算法、有限对比自适应直方图均衡化的算法、基于CLAHE算法和POSHE算法与传统算法相结合的算法。以上几种算法,都能对含沙尘的这类图像进行不同程度的增强,得到了较为满意的结果。     

基于恒模类的盲均衡算法的仿真研究

本文阐述了用于信道盲均衡的恒模算法的数学模型和基本原理。对近年来出现的恒模算法的改进算法——变步长恒模算法、修正恒模算法、多模算法、修正多模算法和双模式恒模算法进行了分析和仿真。仿真结果表明,与恒模算法相比,变步长恒模算法和多模算法有较小的剩余误差和较快收敛速度。修正恒模算法和修正多模算法则克服了信道传榆引起的相位偏移。     

入侵检测模式匹配算法研究

综述了入侵检测模式匹配算法,包括Brute Force算法、Knuth-Pratt-Morris算法、Boyer-Mooer算法、Aho-Corasick算法、Set-wise Boyer-Moore-Horspool算法和Aho-Corasick_Boyer-Moore算法。     

一种改进的FunkSVD算法

为了提高传统FunkSVD算法的准确率,提出了一种改进的FunkSVD算法。该算法以传统FunkSVD为基础,利用深度学习优化算法RMSProp对其进行改进。改进后的算法既能解决因迭代振荡而引起的准确率下降问题,又能缓解数据稀疏对算法准确率的影响,从而达到提高算法准确率的效果。实验结果表明,本文提出的算法有效提高了推荐算法的准确率,优于传统FunkSVD推荐算法以及其他改进的FunkSVD算法。     

自适应信道均衡器算法仿真与性能分析

使用自适应信道均衡器来抵消数字传输系统中噪声和信道造成的影响。采用两种自适应算法:LMS算法和RLS算法,并对算法进行了仿真,分析了系统参数对两种算法性能的影响,最后比较了LMS与RLS算法的收敛速度。仿真结果与理论分析相一致,验证了自适应算法的有效性。结果表明,虽然LMS算法不如RLS算法收敛速度快,但算法简单,易于实现。     

线性规划的宽邻域预估校正算法

提出了一种新的内点算法--宽邻域预估校正算法。该算法基于经典预估校正算法思想,把窄邻域拓展到宽邻域里,使算法更快地迭代。给出了算法的具体步骤,讨论了其计算复杂性,分析结果表明,所给算法是一多项式时间算法。通过数值实验验证算法的有效性。     

基于碰撞树的多周期RFID标签识别防碰撞算法研究

防碰撞算法是RFID多标签识别系统的关键技术之一。提出了一种高性能RFID多标签识别防碰撞算法,即多周期碰撞树算法（MCT）。该算法在降低算法的时间复杂度、通信复杂度以及系统能耗的同时,显著提高了多标签识别的效率。实验结果表明：与QT算法、BT算法、FSA算法等经典防碰撞算法相比,MCT算法在RFID多标签识别性能上具有明显优势。     

SLIP算法的几种变形算法

SLIP算法是目前在实际中应用较多的输入排队调度算法。本文描述了SLIP算法,并介绍了SLIP算法与多次迭代SLIP算法的几种变形算法,并对所述变形算法的进一步扩展提出了建议与展望。     

自适应局部增强微分进化改进算法

在分析微分进化算法基本原理基础上,为加快算法收敛速度,对其交叉概率和交叉因子进行自适应调整改进;为增强算法局部搜索能力,引入局部增强算子和扰动因子改进算法,即自适应局部增强微分进化算法。选取5个典型测试函数,将改进后算法与PSO算法、微分进化算法和局部增强微分进化算法仿真比较。仿真结果表明:自适应局部增强微分进化算法为收敛时间最短、迭代次数最少的优化算法,验证了算法改进的有效性。     

微粒群算法在生产调度领域的应用研究

介绍了微粒群优化算法的原理、算法流程、算法参数及算法特点。围绕微粒群算法的改进形式、算法应用等方面对微粒群算法的研究现状进行了全面综述,并指出了微粒群算法的发展趋势及未来研究方向。     

模糊蚁群优化算法在交通导航系统中的应用

为了能处理交通导航系统中的模糊信息,并且能快速的综合多种信息求解最优导航路径,将模糊逻辑推理技术与改进的蚁群算法相结合提出了一种新的算法——模糊蚁群混合优化算法。实验表明,该算法不仅能够处理导航系统中的各种模糊信息,并且能利用改进的蚁群算法快速求解最优导航路径。     

立体仓库固定货架拣选路径优化的蚁群算法研究

本文详细分析了各类蚁群算法及其参数,将这些算法结合立体仓库固定货架拣选路径问题,选取出适合实际情况的算法模块;根据算法特性提出了根据迭代次数自适应调整q0参数和使用精英策略更新信息素两项优化等策略并通过仿真试验证实其优化性。在分析基础之上提出新蚁群算法的数学模型,通过大量仿真试验,得证新算法可以在较短的时间内找到较优的拣选路径,应用到实际操作中极大提高了立体仓库的使用效率。     

用分层蚁群算法求解优化问题

提出了一种改进的群算法用于求解优化问题,首先建立N个低层子种群,用一定数量的蚂蚁在这N个解空间中先随机搜索,然后模拟蚂蚁寻食的方式通过信息素来指引搜索,得到N个结果后在用蚁群算法求解,并给出了具体的算法。     

混沌蚁群算法在回归分析中的应用

混沌蚁群优化算法将混沌搜索与蚁群算法相结合，在蚁群搜索完成后，利用混沌进行细搜索，以提高搜索精度，避免陷入局部最小点．将其用于线性回归分析，仿真结果表明，混沌蚁群算法能够有效地解决回归分析问题，为回归问题提供了一个新的解决方法．     

蚁群算法优化车辆路径问题的研究

通过引入蚁群算法来解决物流中的车辆路径问题。针对具体实例运用计算机编程得出系统的最优解,并与优化前进行对比,指出优化比率,从而减少物流配送成本,提高效益。     

管道铺设问题的改进蚁群算法

首先把管道铺设问题转化为旅行商问题,然后利用蚁群算法来求解此问题。算法的分析和仿真实验表明,利用了城市间距离信息的改进蚁群算法是一种简单有效的算法。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题(traveling salesman problem,TSP)求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

蚂蚁算法在TSP问题求解的应用

蚂蚁算法是目前解决大规模复杂问题比较有效的算法。同时TSP问题是经典的NP-C问题,已被广泛应用于在VLSI芯片设计、网络路由和车辆选路等领域,对TSP问题的求解的突破意味着大量NPC问题的求解可以迎刃而解,因而有着重要的实际价值和理论意义。文章系统地介绍了TSP问题,并在此基础上对蚂蚁算法求解TSP问题做了相关探讨。实验结果表明,蚂蚁算法对参数的初始值也具有敏感性,对于一个好的初始值的确定,需要建立在大量试验的基础上。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷。针对这一问题,提出一种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围。将该算法应用于旅行商问题（traveling salesman problem,TSP）求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量。     

Incremental Web Usage Mining Based on Active Ant Colony Clustering

To alleviate the scalability problem caused by the increasing Web using and changing users＇ interests, this paper presents a novel Web Usage Mining algorithm-Incremental Web Usage Mining algorithm based on Active Ant Colony Clustering. Firstly, an active movement strategy about direction selection and speed, different with the positive strategy employed by other Ant Colony Clustering algorithms, is proposed to construct an Active Ant Colony Clustering algorithm, which avoid the idle and ＂flying over the plane＂ moving phenomenon, effectively improve the quality and speed of clustering on large dataset. Then a mechanism of decomposing clusters based on above methods is introduced to form new clusters when users＇ interests change. Empirical studies on a real Web dataset show the active ant colony clustering algorithm has better performance than the previous algorithms, and the incremental approach based on the proposed mechanism can efficiently implement incremental Web usage mining.