智能优化算法在聚类分析中的应用

聚类分析是数据挖掘的重要技术,可根据数据间的相似程度,将数据进行分类,现已广泛应用于工程和技术等领域中。元胞蚁群算法是在将元胞自动机的邻居和规则引入传统蚁群算法的基础上,利用元胞在离散元胞空间的演化规律和蚁群寻优特点的新型优化算法。针对聚类分析的特点,利用元胞蚁群算法进行求解,经实验测试和验证,获得了较好的结果。     

蚁群元胞模型的应用研究

路径规划是移动机器人的重要研究课题之一,但过去的很多方法都存在一些不足.针对这些问题,一种新方法--蚁群元胞模型被提出,并将应用于移动机器人路径规划.蚁群算法是求解组合优化问题的有力工具,而元胞自动机是适合复杂大系统模拟的工具.将蚁群算法用元胞自动机来建立就产生了蚁群元胞模型.通过两组试验从不同角度考察了蚁群元胞模型应用的可行性.试验结果表明,改进的蚁群元胞模型能够解决路径规划问题,且模型中的相关参数也有一些的规律.     

TSP的元胞蚂蚁算法求解

元胞蚂蚁算法是利用元胞在离散元胞空间的演化规律和蚂蚁寻优的特点,为解决实际问题提供的一种优化方法。将元胞蚂蚁算法应用于TSP问题的研究,并用一系列数值实验说明有效性。     

求解非线性方程组的元胞自动机方法及其全局收敛性证明

为了求得非线性方程组所有精确解,根据元胞自动机的特点构造了求解非线性方程组的全局收敛算法。在该算法中,将非线性方程组解的理论搜索空间划分为离散搜索空间,将离散搜索空间定义为元胞空间;离散搜索空间的每个点就是一个元胞,而一个元胞对应着非线性方程组的一个试探解;元胞的状态由其空间位置及位置修正量构成。将元胞空间划分为若干个非空子集,所有元胞的状态从一个非空子集转移到另一个非空子集的状态演化过程实现了元胞空间对理论搜索空间的搜索。在元胞状态演化过程中,元胞从一个状态转移到另一个状态的状态转移概率可以计算出来;元胞演化过程中的每个状态对应于有限Markov链上的一个状态。利用可归约随机矩阵的稳定性条件证明了该算法具有全局收敛性。仿真实例表明该算法是高效的。     

多时间窗车辆路径问题的混合蚁群算法

研究了多时间窗车辆路径问题,建立了多时间窗车辆路径问题的数学模型,并基于蚁群算法设计了一种混合蚁群算法对问题进行了求解。该算法首先利用基本蚁群算法求解,然后采用2-opt算法和元胞自动算法对结果进行优化,同时加入变异算子。实验结果表明该算法可以有效地求解多时间窗车辆路径问题。     

元胞贝叶斯决策路径规划方法

提出了基于贝叶斯决策的元胞自动机局部路径规划方法.以元胞蚁群系统能够求取离散化地图的全局最优路径,但是该方法缺乏对局部环境变化的适应性.将元胞蚁群系统得出的状态先验概率数据,以贝叶斯决策理论求取最小条件风险用于最优路径识别,在此基础上运用提出一个新概念--超级风险,可以处理一类环境改变后的局部路径规划.实验结果显示该方法可行且具有一定的智能化.     

融合PSO与ACS的网格资源分配研究

资源分配和任务调度是网格计算的一个关键问题之一。提出一种融合离散粒子群优化算法和蚁群算法的新型算法来解决网格资源分配问题。该算法通过在粒子群算法中引入蚂蚁算法,可有效克服粒子群算法后期的局部搜索能力差和蚁群算法前期盲目搜索的缺陷。理论分析及模拟实验表明该算法具有良好的性能。     

一种结合二元蚁群和粗糙集的连续属性离散化算法

离散化是一个重要的数据预处理过程,在规则提取、知识发现、分类等研究领域都有广泛的应用。提出一种结合二元蚁群和粗糙集的连续属性离散化算法。该算法在多维连续属性候选断点集空间上构建二元蚁群网络,通过粗糙集近似分类精度建立蚁群算法适宜度评价函数,寻找全局最优离散化断点集。通过UCI数据集验证算法的有效性,实验结果表明,该算法具有较好的离散化性能。     

基于改进蚁群算法的CA的应用——以土地利用模拟为例

元胞自动机转换规则的获取对模拟至关重要。对蚁群分类规则挖掘算法进行改进,并将该算法挖掘的转换规则作为元胞自动机的转换规则,提供了一种利用元胞自动机进行模拟的方法,以武清区土地利用模拟为例进行实验,表明了方法的有效性。该方法可应用到其他分类规则和转换规则挖掘中,也可应用到元胞自动机模拟的其他研究中。     

蚁群算法中约束和边界搜索的研究

蚁群算法是一种仿生式算法,模拟蚂蚁寻径过程。尽管蚁群算法不像模拟退火等算法具有相对坚实的数学基础,但从应用效果来看,尤其在离散优化问题具有一定优势。本文研究参数变化对蚁群算法的影响进行蚁群优化。     

基于梯度算子的蚁群图像分割算法研究

提出了一种基于梯度算子的改进蚁群图像分割算法,解决了用传统分割方法很难将目标与背景灰度值相似图像分割的难题.该算法基于经典的梯度算子图像分割,从聚类的角度出发,综合像素的灰度、梯度特征进行特征分割.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法,通过设置不同的蚁群、聚类中心、启发式引导函数和信息激素来解决蚁群算法循环次数多,计算量大的模糊聚类问题.实验证明,该改进蚁群算法可以快速准确的分割出背景和目标灰度值极其相似图片的目标图像,是一种有效的图像分割方法.     

基于蚁群算法求路径规划问题的新方法及仿真

该文提出了一种基于蚁群算法求解路径规划问题的新方法及其仿真,蚁群算法就是对自然界中蚂蚁的寻食过程进行模拟而得出的一种模拟进化算法。与传统的算法相比,该算法的主要特点是正反馈和并行性,正反馈使得该算法能很快发现较好解,并行性使得该算法易于实现并行计算。虽然蚁群算法在时间复杂度上可能不如传统的算法,但是理论研究表明该方法是一种基于种群的鲁棒性较强的模拟进化算法。最后,利用Java语言对蚁群算法和改进的Dijkstra算法进行了仿真,并进行了比较。     

多目标优化问题的蚁群算法研究

将离散空间问题求解的蚁群算法引入连续空间,针对多目标优化问题的特点,提出一种用于求解带有约束条件的多目标函数优化问题的蚁群算法.该方法定义了连续空间中信息量的留存方式和蚂蚁的行走策略,并将信息素交流和基于全局最优经验指导两种寻优方式相结合,用以加速算法收敛和维持群体的多样性.通过3组基准函数来测试算法性能,并与NSGAII算法进行了仿真比较.实验表明该方法搜索效率高,向真实Pareto前沿逼近的效果好,获得的解的散布范围广,是一种求解多目标优化问题的有效方法.     

基于动态自适应蚁群算法的MRI图像分割

MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像.     

带有单亲遗传特征的蚁群算法

蚁群算法是一种新型的模拟进化算法,具有许多优良的性质,但同时也存在着计算时间过长和易导致早熟收敛等缺点.单亲遗传算法不使用基本遗传算法常用的交叉算子,简化了遗传操作过程,且不要求初始群体具有广泛多样性,计算速度较快,不存在早熟收敛现象.将这两种算法结合,提出一种具有单亲遗传特征的蚁群算法.将蚁群算法每次搜索结果作为初始种群,进行单亲遗传优化改良,求得最短路由.在旅行商问题上的实验证明了该算法的有效性.     

Acceleration of cellular automata algorithms using genetic algorithms

The following problem is solved: Given a Cellular Automaton with continuous state space which simulates a physical system or process, use a Genetic Algorithm in order to find a Cellular Automaton with discrete state space, having the smallest possible lattice size and the smallest possible number of discrete states, the results of which are as close as possible to the results of the Cellular Automaton with continuous state space. The Cellular Automaton with discrete state space evolves much faster than the Cellular Automaton with continuous state space. The state spaces of two Cellular Automata have been discretized using a Genetic Algorithm. The first Cellular Automaton simulates the two-dimensional photoresist etching process in integrated circuit fabrication and the second is used to predict forest fire spreading. A general method for the discretization of the state space of Cellular Automata using a Genetic Algorithm is also presented. The aim of this work is to provide a method for accelerating the execution of algorithms based on Cellular Automata (Cellular Automata algorithms) and to build a bridge between Cellular Automata as models for physical systems and processes and Cellular Automata as a VLSI architecture.     

改进型蚁群算法的多处理机任务调度研究

蚁群算法是一种新型的模拟进化算法,具有正反馈、分布式计算等特点,是一种解决组合优化问题的有效算法。在介绍蚁群算法基本原理以及探讨该算法的缺陷基础上,针对多处理器任务调度问题,提出了一种基于改进型蚁群算法的调度策略。仿真研究表明,该算法具有优良的全局优化性能,效果令人满意。     

基于混合蚁群算法的物流配送路径优化

基本蚁群算法在优化过程中存在搜索时间长、易陷入局部最优解的缺点.研究构造了一种基于蚁群算法的混合算法,利用蚁群算法首先求出问题的基本可行解,采用遗传变异中的单亲逆转算子进行再次优化,求得问题最优解.对物流配送路径优化的仿真试验表明,相对于基本蚁群算法和遗传算法,混合算法的优化质量和效率更优.     

基于局部优化策略求解TSP的蚁群算法*

为了克服基本蚁群算法收敛速度慢、易于停滞的缺陷,提出了一种基于局部优化策略的蚁群算法（LOACA）。该算法根据TSP的特点,采用了三种局部优化算子来交换搜索路径中城市的位置,以改进解的质量。以TSP为例进行的实验结果表明,该算法优于ACA和ACAGA。     

双参数交叉影响的连续域蚁群算法设计*

针对土木工程领域中的复杂参数反分析问题,基于常规蚁群算法进行了数学模型的构建、算法结构分析,并采用残留信息素数量限制、信息素的持久性系数自适应控制和全局更新规则对算法进行了加强设计,提出了双参数交叉影响的连续域组合优化蚁群算法;同时通过选取五个比较敏感的控制因子：蚁群数量、算法收敛标准、最小信息素持久性系数、循环次数和信息素强度常量进行了数字仿真实验,提出了算法的优化组合参数。通过实例对这种参数识别方法进行了验证,理论结果与实测数据吻合较好,表明了算法的有效性,实现了蚁群算法在土木工程连续域问题方面的应用,丰富了蚁群算法的内涵。