基于蜂群理论的机场噪声监测点布局优化方法

蜂群理论是一种新型的群体智能算法,也是一种新型的随机优化算法。论文提出了一种基于蜂群理论泛网格化机场噪声监测点布局优化方法,以网络覆盖率为目标函数,将噪声监测节点部署问题形式化为组合优化问题,构造人工蜂群算法求解算法,并通过国内某大型机场噪声数据实验和其他算法对比验证,所提出的算法在覆盖率和求解速度方面优于其他算法。     

语义关系算子在群智能算法中的研究

在传统群智能算法框架的基础上,提出基于语义关系算子的群智能算法。与传统的群智能算法不同,该算法采用了一个语义关系算子进行关键参数的更新操作,并基于群体的历史状态对语义关系可进行更新。在语义关系库更新过程中,通过分析群体之前的历史状态信息,进行基于本体的语义关系挖掘,从而找到全局语义关系。以粒子群算法解组合优化问题为例,提出了基于语义关系算子的蚁群算法和粒子群算法。实验表明,基于该算子的群智能算法寻优能力有了一定程度的改进。     

基于群体智能的0/1背包问题求解研究进展

0/1背包问题是运筹学中一个经典组合优化NP问题。在简要介绍0/1背包问题基础上,分析展望了0/1背包问题的应用前景。结合已有研究成果,总结并详细分析了蚁群算法、微粒群算法等群体智能算法在0/1背包问题求解方面具有的较好收敛速度、健壮性、稳定性、算法简单等优点。最后,针对群体智能算法在求解0/1背包问题过程中所出现的缺陷,提出了群体智能算法在0/1背包问题求解需要进一步解决的几个问题。     

群体智能算法在图像分割中的应用综述

图像分割的通用方法一直是图像处理领域中的热点和难点。随着人工智能的兴起和发展,群体智能算法成为当下热点研究的方向,将图像分割技术结合群体智能算法成为一种新型有效的改进方法。群智能算法通过模拟自然界的事物或生物的行动规律,将传统的人工智能和群体生物结合,在解空间中搜索最优解,为解决复杂问题提供了新的解决思路。阐述群体智能算法的研究现状和发展过程,将早期的蚁群算法（Ant Colony Optimization,ACO）、经典的粒子群算法（Particle Swarm Optimization Algorithm,PSO）以及较新的麻雀搜索算法（Sparrow Search Algorithm,SSA）为例详细介绍其算法原理方法,并简要表述蝙蝠算法（Bat Algorithm,BA）、鲸鱼优化算法（Whale Optimization Algorithm,WOA）、人工蜂群算法（Artificial Bee Colony Algorithm,ABC）、萤火虫算法（Firefly Algorithm,FA）、布谷鸟搜索法（Cuckoo Search,CS）、细菌觅食算法（Bacterial Foraging Optimization,BFO）和最新的蜉蝣算法（Mayfly Algorithm,MA）的原理,在此基础上,结合国内外文献对上述算法的改进方法和结合图像分割技术的综合改进及应用进行分析总结。将群体智能算法结合图像分割技术的代表性算法提取出来进行列表分析总结,随后概述总结群体智能算法的统一框架、共同特性、不同的差异并提出存在的问题,最后对未来趋势做出展望。     

基于MCS的SVM参数优化研究

由于优化杜鹃算法是利用了鸟类特殊的利维飞行模式的群体智能算法,并且增加了粒子间的信息交流,故将该算法引入支持向量机惩罚系数和核参数的自动寻优中。给出了实现方式,并讨论了概率参数的设置对收敛性的影响。通过与传统的GA/PSO-SVM对比验证,MCS-SVM方法使得分类精确率平均提高2.28%,既能显著提高分类效率,又表现出很好的泛化性能。     

测试用例集的约简方法研究

蚁群算法是一种群体智能算法,能有效解决复杂的组合优化问题.在测试用例约简的问题上,该算法能在速度和精确度上寻求到一个平衡点.与传统的最小化算法不同,这个算法不仅考虑了每个测试用例覆盖度,还考虑了用例的运行代价,实验给出了这个算法与经典算法的比较结果,结论表明,此算法能快速有效缩减测试用例集的数量并降低测试运行代价,以提...     

群智能算法优化SVR预测模型的应用与分析

群体智能是基于生物群体行为规律的智能计算技术,常用以解决参数寻优等问题;作为群体智能的两种典型算法,蚁群算法和粒子群算法应用极为广泛;文章分析了标准蚁群算法和粒子群算法的不足,分别采用改进的蚁群算法和粒子群算法对支持向量机回归模型参数进行优化,并以钕铁硼吸氢阶段合金氢含量预测为例,通过MATLAB对改进后的预测模型进行了仿真验证,最终给出了两种方法优化后,模型的预测效果及性能对比;仿真结果表明,改进的群体智能算法对工艺优化控制有着重要的意义。     

浅谈几种智能优化算法

该文首先介绍介绍了几种典型的群体智能算法,具体包括遗传算法、蚁群算法和粒子群算法,并对它们进行了详细的分析。     

基于群体智能框架理念的遗传算法总体模式描述

在各类群体智能算法中，不同的智能体群往往具有不同的外在表现形式，但他们所表现出来的智能计算模式具有相对的统一性．为了验证这一理念并从宏观的视角来研究群体智能理论，对群体智能中各类智能计算模式进行总结提炼，提出了群体智能计算的一种内在统一的总体框架模型，并以遗传算法为例加以具体论述与验证，给出了基于群体智能框架理念的遗传算法总体模式描述．     

工作流集成中基于代数表达式的语义匹配机制

针对现阶段工作流集成研究中功能匹配查准率和查全率低的问题,给出了基于软件功能形式化语义的匹配机制的实现。在前、后条件pre/post的完全匹配模式下,以高级程序设计语言中的代数表达式为基础,提出了匹配原则,并给出了具体的算法,并且用实例进行分析说明。该算法适用于工作流集成中的功能匹配,同时基于严格的形式化方法,便于分析和验证。该算法局限于初等代数性的前提。     

一种活动目录树的实现与应用

活动目录树(Active Directory Tree,ADT)是精品课程网站建设中组织课件、教学内容等的有效方式.首先介绍了活动目录树的一种存储结构--双亲兄长表示法,然后阐述了活动目录树的一种生成算法,讨论了算法的原理,给出了算法的形式化描述,最后给出了该算法在《数据结构》课程网站建设中的一个应用.     

一种水下群机器人路径规划算法的形式化研究

为了增强基于遗传算法的水下群机器人路径规划算法正确性的说服力,使用定理证明对其进行形式化研究,给出算法在定理证明器HOL4中的形式化模型。基于算法形式化的一般步骤,首先对算法的设计进行了详细的分析,指出算法设计的核心步骤与建模难点。在此基础上建立了总体形式化建模框架,然后对其进行化简,得到种群初始化、选择、交叉三个核心模块。接着给出模型中要用到的基本数据类型的形式化描述,并分别对三个模块进行形式化描述,最终得到算法的形式化模型。通过证明与模型相关的97条性质,说明了模型的合理性及有效性,在此模型的基础上,可以完成对算法的形式化验证,同时还能拓展HOL4的应用范围。     

基于扩展的Granott相互作用模式的移动协同学习模型研究

传统的移动协同学习模型的研究和架构都是从技术的角度提出,而忽略了协同过程中学习者相互作用的社会性对其的影响程度。首先在经典Granott模型的基础上研究了一种扩展的Granott相互作用模式,然后提出了一种基于扩展的Granott相互作用模式的移动协同学习模型,并对其中的Granott驱动逻辑对象进行了形式化算法描述,最后通过原型系统对模型进行了验证和实现。模型支持移动学习者基于扩展的Granott相互作用模式获取协同过程中同伴的协同行为,从而有效地完成协同学习工作。     

基于形式化描述的逻辑分层延迟PSO 算法及应用

在对微粒群优化信息传播模式进行定义的基础上,提出一种改进型PSO算法.该算法从提高算法运算效率,防止局部最优的角度出发,采用了一种用于微粒群算法最优值通讯的逻辑分层延迟传播模式.在该种传播模式下,其优化信息的传播范围具有逻辑分组延迟和随计算进行逐渐扩大的传播特征,从而保证了算法的遍历性和全局收敛特征.计算机仿真结果证明了所提出算法的有效性.     

状态定义粒子群算法在非线性方程组中的应用

提出了一种新颖的状态定义粒子群优化算法。该算法针对粒子群算法容易陷入局部最优和搜索精度不高的缺点,结合爬山算法和粒子群算法的特点,根据粒子状态的实时更新采用不同的搜索方法,在迭代过程中搜索到尽可能多的局部最优解,从而使算法可以更容易地跳出局部最优,更高效地搜索到全局最优解。对测试函数和非线性方程组求解问题进行实例仿真,仿真结果验证了算法的有效性,具有一定的实际应用价值。     

具有预测能力的BDI Agent模型研究

BDI模型缺乏对思维过程及预测能力进行形式化描述。为此,通过引入预测因素,对BDI模型进行扩展,给出BDIP模型结构及其扩展公理、语义及决策行为,证明模型的可靠性和完备性,并形式化表示决策过程及决策算法。应急疏散决策的应用实例表明,与BDI模型相比,该模型能够准确表示Agent的意图形成过程,为意图确定提供依据。     

基于与或树的柔性BOM结构及其产品配置算法

形式化定义和描述了一种基于与或树的产品结构及其相关特性，基于该结构的BOM设计具有更好的产品配置柔性。在此基础上，还提出了一种面向任务的产品配置算法，能使产品的结构配置适应企业的特定生产任务要求。     

基于多元模糊规划的微粒群优化算法

在微粒群的静态多元规划模式的基础上,考虑到多元最优值对群体寻优的引导因子间的比例在寻优过程中不能进行动态自适应调整,因而将模糊逻辑引入对微粒群的多元规划引导,提出了一种用于自适应动态规划的模糊微粒群算法模式,并以最优和次最优分布信息的模糊规划为例,进行了微粒群多元模糊规划模式的设计和数值仿真.仿真结果表明,该算法模式较静态多元规划模式具有更好的总体收敛性能.     

具有群活性感知的自适应微粒群算法

算法结构和对信息的利用能力是影响算法性能的重要因素.标准微粒群算法简洁易用,然而在其寻优过程中,每个粒子仅仅向自身历史最优经验和种群历史最优经验学习,未能有效利用寻优过程中其他粒子的经验和状态信息;另外,单纯的基于二阶差分方程的迭代寻优方式在算法结构上增大了算法陷入局部最优的概率.为了从算法结构上减少微粒群算法早熟收敛和陷入局部最优的情况,本文提出了一种具有群活性感知的自适应微粒群算法:通过引入群活性对当前的寻优状态进行描述,然后根据群活性自适应地改变粒子的拓扑结构和搜索模式,在一定程度上增强了微粒群算法的全局收敛能力.基准函数测试结果证明了本算法的有效性和特点.     

基于粒子群优化的分数阶PID滑模控制参数整定

为了提高系统的控制性能,解决单一控制方法不足,将分数阶PID算法与滑模变结构算法相结合,同时为了规避分数阶PID的滑模变结构算法手动调节参数的复杂性以及不确定性,采用粒子群算法对其参数进行优化,完善分数阶PID的滑模变结构控制器,提高其控制精度.并将新型算法应用于单相全桥逆变器,通过Matlab仿真并与分数阶PID滑模变结构控制函数(PID-SMC)及滑模变结构控制(SMC)方法相比较,研究结果表明,粒子群算法整定参数收敛速度快,较短时间内可以找出最优解,整定后的算法静态误差小,上升速度快,抑制系统抖振能力强,具有较强的鲁棒性.