基于改进ISS特征点与人工蜂群算法的点云拼接方法

传统ICP算法在进行点云拼接时易陷入局部最优,利用群智能的优化方法可以解决这一问题,但同时会带来计算量较大的问题.为此,本文首先提出了一种新的基于人工蜂群(ABC)优化的点云拼接方法,通过引入邻域半径约束的改进固有形状特征点提取方法对初始模型进行简化,然后采用人工蜂群算法对简化后模型间对应点的欧几里德中值距离进行优化求解,得到空间变换矩阵T的参数,将变换矩阵作用于原始模型,从而完成对点云的高效拼接.通过对不同初始位置的理想点云库模型以及实际扫描的带有噪声的人体点云模型进行拼接实验,结果表明本文算法不仅对于理想模型具有很高的精度,对于实际获得的点云模型也有很好的抗噪性,而且计算效率比采用全部点计算的群智能算法提高了6倍.     

人工蜂群算法及其在组合优化中的应用研究

人工蜂群算法是一种启发式算法,通过模拟自然界蜂群觅食过程来解决现实中的优化问题。算法中将每只蜜蜂看做一个智能体,若干智能体间相互合作,高效地完成对目标的搜索、优化。总结人工蜂群算法用于解决组合优化问题的一般方法,以0-1背包问题为例对算法进行仿真测试,实验结果表明:人工蜂群算法有效且优于存在的蚁群算法。     

人工蜂群优化及其在资源管理中的应用

近年来,各种智能优化算法得到了广泛推广和应用,人工蜂群优化作为其中的一种典型算法被成功应用到工业界和制造业,譬如求解钢铁生产调度问题、供应链优化过程、交通问题等.本文首先对人工蜂群优化算法进行描述,并分析了该算法的收敛性.其次,对人工蜂群优化算法在各个领域的应用进行归类总结.最后,分析了讨论了人工蜂群优化如何应用于教学设计,以推动人工智能在教学改革中的应用.     

量子蜂群算法及其在认知频谱分配中的应用

基于人工蜂群理论和量子计算,提出一种新的离散组合优化算法——量子蜂群优化算法.该量子蜂群算法使用2种新的量子觅食行为完成整个量子蜂群的协同演进,快速找到最优的蜜源位置,通过对优化函数的测试验证其高效性.以该量子蜂群算法为基础,提出一种认知无线电频谱分配算法,与经典的遗传算法,量子遗传算法和粒子群算法等智能优化算法及敏感图论着色算法在不同的网络效益函数下进行仿真性能比较.仿真结果表明:本文提出的量子蜂群频谱分配算法均能够较好地找到最优解,优于经典的频谱分配算法和已有的智能频谱分配算法.     

改进的人工蜂群算法

人工蜂群算法是一种新兴的群智能优化算法,以其独特的寻优机制被广泛应用。然而,该算法存在着"早熟"收敛和进化后期搜索能力较差的缺点,针对这一问题,采用反向学习的种群初始化方法,并引入受差分进化算法思想启发的搜索方程,提出了一个改进的人工蜂群算法(简记为DEABC)。通过5个测试函数的仿真实验并与其他算法比较,结果表明DEABC算法具有更好的优化效率和优化性能。     

人工蜂群粒子滤波信道估计算法研究

人工蜂群算法是用以解决复杂优化问题的新方法,具有收敛速度快、优化性能高等特点.将人工蜂群算法与粒子滤波相结合应用于信道估计可以摆脱常规方法对线性高斯条件的束缚,具有理论依据和现实意义.结合2种算法的优势提出了人工蜂群粒子滤波,采用人工蜂群算法确定粒子滤波的建议分布.仿真将Alpha稳定分布作为非高斯噪声模型,实现了粒子滤波及其改进算法的信道估计研究.结果表明人工蜂群算法与其他智能算法相比具有更快的收敛速度,改进人工蜂群粒子滤波与无迹粒子滤波相比极大地提高了信道估计精度.     

基于人工蜂群算法的支持向量机优化

支持向量机的分类性能在很大程度上取决于其相关参数的选择,针对该问题提出基于人工蜂群算法的支持向量机参数优选方法并将其应用于电机轴承的智能故障诊断.该方法采用分类错误率的倒数作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子与核函数参数进行优化.通过在多个标准数据集上的测试证明,与遗传算法等传统优化算法相比,人工蜂群...     

云存储部署优化的进化算法设计

针对云计算环境下的云存储部署规划优化问题,全文研究和提出了一种进化算法并进行了求解.首先基于对象存储方法,设计了三层架构云存储模型.在建立的模型中,将云存储部署抽象为多目标优化调度问题,针对现有粒子群优化算法或遗传算法在解决这一优化调度问题过程中出现的收敛速度及调度效率等方面的不足,将2种算法进行有效融合,设计了混合进化算法来进行求解,讨论了进化算法的优化设计过程.同时,在云计算仿真平台CloudSim上,对所提出的优化算法进行仿真实验,并对云存储中负载均衡等性能指标的改善程度进行了检测.结果表明,所提出的混合进化算法有效实现了云存储的优化部署任务,与其他进化算法相比,能对性能指标实现更优配置.     

自适应贪婪搜索的人工蜂群算法

人工蜂群算法是受蜜蜂觅食行为启发提出的一种群体智能优化算法,为了增强人工蜂群算法的开采性能,本文更好地模拟了观察蜂的觅食行为,提出一种自适应贪婪搜索的改进人工蜂群算法,在观察蜂阶段,搜索半径自适应减小,成功搜索某食物源之后可以贪婪地再次搜索该食物源,以充分利用成功的搜索经验,减小搜索盲目性。在10个标准测试函数上的实验表明,改进算法的收敛精度超过ABC和最近提出的q ABC算法,而计算复杂度低于这两种算法。     

基于改进人工蜂群算法优化小波神经网络的短时交通流预测

为了提高城市道路短时交通流量的预测精度,克服小波神经网络预测过程中存在收敛速度较慢、容易陷入局部最优的缺点,提出改进的人工蜂群算法优化小波神经网络预测模型。该算法引入差分进化算法中的自适应变异操作和遗传算法中的选择算子、交叉算子与变异算子来优化传统的人工蜂群算法,改善人工蜂群算法后期收敛速度慢、局部搜索能力弱的缺点。本文使用该算法优化小波神经网络的参数并对短时交通流进行预测,模型的仿真结果表明,改进人工蜂群算法优化小波神经网络预测的结果误差更小,精确度更高,训练次数少,具有较高的实际应用价值。     

基于交叉的全局人工蜂群算法的研究

人工蜂群(Artificial Bee Colony,ABC)算法在求解函数最优值时,存在后期收敛速度慢、易于陷入局部最优、疏于开发等问题.为了解决这些问题,对算法进行了深入研究,结合其他仿生智能优化算法的机制,提出了一种能有效提高收敛速度,增强算法开发性和全局寻优能力,并能有效避免种群个体陷入局部最优的算法——基于交叉的全局人工蜂群算法.选取7个标准测试函数进行实验仿真,结果表明,与ABC算法、全局最优人工蜂群算法(GABC)相比,基于交叉的全局人工蜂群算法(CGABC)的收敛速度及精度均有明显提高.     

人工蜂群算法及其应用

为促进人工蜂群算法理论和应用的发展, 在分析人工蜂群算法的基本原理基础上, 针对算法的不足, 全面地归纳了国内外学者对算法的改进研究, 对算法的蜜源初始化、更新策略的改进、调整策略的改进、适应度函数的选择以及与其他算法的融合进行综述, 提出了更有效的改进策略。同时从多方面综述了人工蜂群算法的应用, 并对人工蜂群算法的发展方向进行了总结和展望。     

基于改进小波神经网络的短时交通流量预测研究

针对城市短时交通流量具有复杂性和非线性等特点,提出了基于人工蜂群算法(ABC)优化小波神经网络对短时交通流量预测分析模型。以小波神经网络(WNN)为基础,将以前城市采集的交通流量作为预测样本,通过人工蜂群算法优化WNN网络结构、权值和阈值,并建立城市短时交通流量预测数学模型。实验仿真表明,所提出的算法预测结果比仅使用WNN算法以及粒子群优化BP神经网络算法效率更高,是一种有效可靠的交通流量预测方法。     

基于智能搜索和特殊划分的人工蜂群算法

人工蜂群算法是一种具有强大搜索能力的全局搜索算法。传统的人工蜂群算法使用雇佣蜂、观察蜂和侦察蜂进行相互合作,每种蜜蜂有不同的分工,但不同类型的蜜蜂之间并没有差别。提出一种通过智能搜索和特殊划分来提升性能的人工蜂群算法。该算法中,不同的雇佣蜂和观察蜂会使用不同的搜索策略来寻找食物来源。该算法放弃了贪婪选择算法且在每次迭代时更新食物来源的位置。因此,该算法能够利用整个蜂群的经验来引导蜜蜂的搜索,通过一系列基准算法的性能分析证明了该算法的有效性。     

一种快速自适应蜂群算法及其应用

人工蜂群算法(Artificial Bee Colony,ABC)具有操作简单、控制参数少及鲁棒性强等特点,已成为群体智能领域的研究热点之一,但其仍然存在收敛速度慢、易陷入局部最优的问题。针对这些问题,提出了一种改进的人工蜂群算法(Quick Self-Adaptive Artificial Bee Colony,QAABC)。首先,对人工蜂群算法的选择策略和搜索策略进行改进,以提高算法的收敛速度和优化精度;其次,对超边界的个体进行一次有效变异,增强种群的多样性。最后,将本文算法与其他两种算法(标准ABC、ABCP)对5个测试函数在低维和高维进行了对比实验,并将之运用于压力容器设计中成本最小化问题的研究,所得结果均验证了改进算法的有效性。     

一种改进的人工蜂群算法

人工蜂群算法是一种模拟蜜蜂群智能搜索行为的随机优化算法,已被成功用于解决许多优化问题。该文针对基本人工蜂群算法在收敛速度和局部寻优方面存在的缺点,提出了一种具有平衡能力的改进算法。此算法在观察蜂阶段引入惯性权重,使用随着迭代次数动态变化的惯性权重因子来平衡种群的局部搜索和全局探测能力,防止算法陷入局部最优和加快寻优速度;在侦察蜂阶段(scout bees),则利用正弦函数搜索操作,正弦函数服从均匀分布,能很好地搜索全部范围,以提高种群多样性。通过对5个基准测试函数进行仿真实验,并与原算法进行比较,结果表明,改进的算法在收敛速度和搜索精度上基本优于人工蜂群算法。     

人工蜂群算法在飞机舵机电液伺服系统的应用

针对飞机舵机电液伺服系统运行过程中存在的多余力干扰问题,提出结合改进人工蜂群算法和比例-积分-微分(proportion integration differentiation,简称PID )控制器的复合控制方法。该方法在建立系统数学模型的基础上,利用云模型和变邻域搜索对传统人工蜂群算法的选择策略和选择方式进行改进,增强算法开采能力,获得最优食物源,提高系统的加载精度和响应速度。再由PID控制器根据所得最优食物源进行控制参数在线自适应调整,提高系统的稳定性和抗干扰性。仿真结果表明：该方法能够达到飞机舵机电液伺服系统控制性能指标要求,且相较于采用传统人工蜂群算法,具有更良好的跟踪能力和多余力抑制效果,验证了该方法的可行性和有效性。     

混沌人工蜂群算法

针对人工蜂群算法搜索精度较低、容易陷入局部最优的缺陷,将混沌搜索机制融入了人工蜂群算法,利用混沌机制重置个体,以保持个体的多样性;同时加入全局最优个体信息和惯性调整因子对个体位置进行更新,提出了混沌人工蜂群算法,并将该算法应用于水电站经济调度问题.实验结果显示,混沌人工蜂群算法搜索精度高、速度快,鲁棒性强,是一种较实用的优化算法.     

终端区飞机排序的人工蜂群算法

摘 要：为缓解终端区空中交通压力,研究了人工蜂群算法在终端区飞机降落排序中的应用。建立以航班总延误时间最小为目标函数的规划模型,运用人工蜂群算法,对着陆飞机排序问题进行了仿真计算,并与先到先服务算法、模拟退火算法、蚁群算法进行了对比研究。仿真结果表明：在双跑道模型下,人工蜂群算法比先到先服务算法,延误减少了48%。与模拟退火算法和蚁群算法相比,人工蜂群算法求解的结果最优且用时最少。说明应用人工蜂群算法求解终端区飞机排序问题是可行的。     

选煤厂配煤调度中的云模型改进遗传算法

针对传统遗传算法求解最优值存在搜索速度慢、容易陷入局部最优解的问题,基于传统遗传算法和云模型,提出了云自适应遗传算法和云遗传算法,建立了选煤厂三产品配煤调度模型,并分别采用改进算法和传统遗传算法求解。实例表明,两种改进算法优于传统遗传算法,为选煤厂配煤调度优化提供了技术途径。