混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题，提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征，基于6种混沌映射对粒子群算法分别进行初始化，进而增加种群多样性和解的覆盖。引入动态惯性权重系数，提高算法收敛速度。通过6个测试函数进行仿真实验，对比不同混沌映射数据结果，实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。     

基于量子进化算法的固井方案优化设计

为获得油气田固并质量的几个主要相关因素的最优搭配,利用神经网络的非线性映射能力和量子进化算法的全局寻优能力,从大量历史固井数据中确定神经网络训练样本,建立了BP神经网络模型,然后用量子进化算法对所建立的神经网络模型寻优,找到最佳的施工方案.仿真结果表明,该优化设计方案具有较好的收敛速度和运算精度,能较好地解决实际问题.     

基于激光点云数据的室内路网构建方法

面对价格昂贵的专业级三维激光扫描仪,针对使用现有二维底图或人工建模可能使得在构建跨楼层路网的过程中出现准确性或效率性低等情况,且考虑如何对室内过道、走廊等区域进行抽象,提出一种基于激光点云数据的室内路网构建方法。该方法以消费级激光雷达扫描设备采集的建筑物内部点云为基础数据,结合直通滤波和投影滤波对点云进行预处理,得到去噪后的平面二维点云,进行栅格二值化处理,针对性填充点云孔洞,抽取骨架线,剔除毛刺并提取骨架线节点,将节点间的拓扑关系存储为邻接表形式的图模型,得到可利用Dijkstra算法寻径并将寻得的最短路径可视化的三维路网模型。     

基于车辆位置预测的可变情报板信息路由算法研究

当前高速公路可变情报板信息发布大多数为人工手动操作,且实时性较差。为了解决可变情报板信息发布定向性和实时性问题,提出了基于车辆位置预测的可变情报板信息路由算法。根据车辆的违法位置、时间、速度和方向等信息和实际路网数据建立局部路网模型,预测出违法车辆从违法时间开始到当前时间内的所有可能行驶路径、当前可能位置、行驶方向前方最近的可变情报板位置及其达到该位置的概率和时间。选择最大概率的可变情报板在估算时间到达时发布该车辆的交通违法信息;车辆驶过可变情报板时撤销交通违法信息显示。解决了在仅有车辆交通违法信息和少量实际路网数据的情况下可变情报板信息路由问题,同时也解决了高速车辆交通违法信息告知的定向性、实时性、可视性的问题。     

基于协作搜索策略的花粉算法

花粉算法是一种新型的元启发式智能算法,但存在陷入局部最优解、收敛速度慢、寻优精度低等缺陷.基于此本文提出一种基于协作搜索策略的花粉算法,该算法使得花粉个体能够在一定程度上跳出局部最优值,提高算法的全局寻优能力.最后,对8个标准测试函数进行测试,结果表明,改进后的算法在7个测试函数中能够找到理论最优值,收敛速度、寻优精度、鲁棒性均比花粉算法以及改进的花粉算法有较大的提高.     

一种针对多序列比对问题的混合遗传算法求解

针对生物信息学多序列比对问题,提出一个基于混合遗传算法的求解算法:在混合算法中,模拟退火算法用于局部寻优,提高算法的收敛速度,同时防止早熟收敛;禁忌搜索算法通过记忆能力避免进化过程出现循环,提高全局寻优能力;用遗传算法进行全局搜索.对基准序列比对库BAliBASE进行测试,结果表明该算法是有效的.     

Web使用挖掘中的数据预处理方法

对Web使用挖掘的数据预处理的数据清理、用户识别、会话识别、路径补充和事务识别5个主要步骤的最新研究进展进行综述.采用拓扑结构结合引用页的路径补充算法和采用最大向前引用的事务识别算法,识别特性单一、对训练数据集的要求较高,故离实际应用还有一定的距离.针对此,从Cookie技术和启发式规则相结合、动态时间阈值法以及多特性融合等方面对数据预处理的用户识别、会话识别和事务识别提出了优化建议.     

基于蜂群算法的作业车间调度优化

基于蜂群的自组织自适应特征,构造了作业车间调度算法:摇尾舞算法和觅食算法.该算法利用蜂群与环境的交互模型来实现作业车间的动态调度,利用群体智能技术解决作业车间生产调度问题.仿真结果表明:该算法性能与蚁群算法相当,但离禁忌算法还有差距;该方法还能够起到优化调度的作用.     

基于混沌检索的机器人路径自组织避障设计

以移动机器人的路径规划方法为问题点,提出障碍变化条件下的行车路线混沌检索自主规划方法。将原始环境数据存储在系统中,采用CCD摄像头采集实时图像信息,在遇到未知障碍时以混沌检索的方式对网络能量进行极值搜索,重新规划行车路径。通过能量函数中非线性项调节可实现候选路径的有效寻优。实验结果显示了所提方案的有效性,对移动机器人的路径自主规划有借鉴意义。     

基于花粉算法的K均值聚类算法

针对原始花粉算法寻优精度低,后期收敛速度慢等问题,提出加入高斯白噪声扰动改进花粉算法.利用改进后花粉算法强大的全局搜索能力优化K-means算法的初始聚类中心,通过基于距离的方法消弱孤立点对聚类的影响,并对该算法的性能进行验证和测试.实验结果表明该算法有效地避免了其陷入局部最优,改善了聚类性能.