改进的隐式空间映射算法的研究

介绍了一种快速收敛空间映射算法,改进了隐式空间映射算法中粗糙模型到精细模型之间参数映射。通过增加限定参数提取的方式,减少粗糙模型的参数空间而实现粗糙模型响应高效准确逼近精细模型响应。通过设计一个交叉耦合滤波器,与之前的隐式空间算法进行比较,更容易达到优化目标,证明了限定参数提取算法具有更快的逼近速度和更高的优化效率的优点。     

求解多目标资源分配问题的改进蚁群优化算法

多目标资源分配问题就是将有限资源分配到不同事件来获得预期目标.建立了多目标资源分配问题的数学模型,提出了一种有效求解该问题的改进蚁群优化算法：设计了一种多目标资源分配问题的可行方案构建机制,定义了蚁群优化算法中的信息素形式及其更新方式,提出了一种新的概率选择形式;通过以上改进有效地提高了蚁群优化方法的效率.为了验证此方法的有效性,将蚁群优化方法与混合遗传算法的实验结果进行了对比分析,证明此方法优于混合遗传算法.     

基于连续空间优化的蚁群算法

通过对蚁群算法基本理论的研究,从经典的蚁群算法模型中,抽象出解决问题的一般方法,提出了在连续空间优化问题中蚁群算法的模型,在算法中加入了自适应策略用以提高算法的性能,并通过实例分析了连续空间优化问题中蚁群算法的性能,通过仿真实验证明了算法的可行性与实用性。     

基于蚁群算法求解TSP问题的参数优化与仿真

蚁群算法是一种具有分布计算、信息正反馈的新型启发式优化算法,初步的研究表明该算法在求解复杂优化问题,尤其是离散优化问题中具有许多优越性.阐述了蚁群算法在TSP问题求解中的应用,通过实验对蚁群算法的参数选择进行了分析,确定了参数的选择原则以及对算法性能的影响.对该算法做了一些改进尝试,仿真研究表明这些改进能在一定程度上使得算法取得更优的值.     

粗粒度可重构密码逻辑阵列智能映射算法研究

针对粗粒度可重构密码逻辑阵列密码算法映射周期长且性能不高的问题,该文通过构建粗粒度可重构密码逻辑阵列参数化模型,以密码算法映射时间及实现性能为目标,结合本文构建的粗粒度可重构密码逻辑阵列结构特征,提出了一种算法数据流图划分算法.通过将密码算法数据流图中节点聚集成簇并以簇为最小映射粒度进行映射,降低算法映射复杂度;该文借鉴机器学习过程,构建了具备学习能力的智慧蚁群模型,提出了智慧蚁群优化算法,通过对训练样本的映射学习,持续优化初始化信息素浓度矩阵,提升算法映射收敛速度,以已知算法映射指导未知算法映射,实现密码算法映射的智能化.实验结果表明,本文提出的映射方法能够平均降低编译时间37.9%并实现密码算法映射性能最大,同时,以算法数据流图作为映射输入,自动化的生成密码算法映射流,提升了密码算法映射的直观性与便捷性.     

蚁群算法的几乎处处强收敛性分析

蚁群算法是一种新型的模拟进化算法,已在很多组合优化问题中得到成功应用,但其收敛性分析还比较缺乏.以TSP问题来描述一类蚁群算法的数学模型,并通过对状态空间的分解和反射壁的构筑,从鞅理论角度论证了该类蚁群算法的几乎处处强收敛性以及能在有限步内收敛到全局最优解集,试图为蚁群算法的研究探索一条新的思路.     

基于蚁群混沌遗传算法的片上网络映射

蚁群算法可以在兼顾功耗和负载平衡的情况下进行任务映射,但是由于传统蚁群算法对初始化参数的设置比较敏感,所以使用遗传算法来调整蚁群算法参数,在蚁群算法陷入局部最优时引入混沌模型来修改蚁群参数,修改后的算法在能耗方面相较于传统算法改善了11％,在负载平衡方面改善了1％,两者联合优化改善了4％.     

新型高收敛隐式空间映射算法设计微波滤波器

该文介绍了一种高收敛隐式空间映射算法,改进了隐式空间映射算法中粗糙模型到精细模型之间参数映射。它加入粗糙模型参数选择过程,避免了粗糙模型优化中的假收敛情况,加快精细模型与设计目标的逼近速度。参数选择过程不需要增加精细模型的计算次数,提高了优化效率。该文通过设计一个发卡形滤波器,并与以前的隐式空间映射算法计算结果进行比较,优化得到了比指标性能更优越的结果。同时证明了新算法比旧算法具有更快的逼近速度和更高的优化效率的优点。     

基于蚁群算法的面向服务软件的部署优化方法

面向服务软件的部署优化问题是典型的NP难题.本文构建了基于性能改善的软件部署优化模型,设计了一种蚁群优化算法ACO-DO进行近似最优解的快速求解.该算法通过设计基于部署优化问题的启发式、改进部署方案的构建顺序、增加局部搜索过程实现蚁群算法求解效率的提升.通过不同规模的实例实验,验证了ACO-DO算法能够取得比现有的混合整数线性规划算法、蚁群算法和遗传算法更好的性能.     

基于改进蚁群算法的移动机器人动态路径规划方法

 本文提出了基于改进蚁群算法的移动机器人动态路径规划方法.首先针对蚁群算法收敛速度慢,容易陷入局部最优的缺点,提出了根据目标点自适应调整启发函数,提高算法的收敛速度;借鉴狼群分配原则对信息素进行更新,避免搜索陷入局部最优.其次为了优化改进蚁群算法的性能,提出用粒子群算法对改进蚁群算法的重要参数进行优化选择.最后实现了基于改进蚁群算法的移动机器人动态路径规划并完成了仿真实验,实验结果证明了该方法的可行性和有效性.