基于蚁群智能和支持向量机的人脸性别分类方法

蚁群优化算法是根据自然界中蚂蚁能够将食物以最短路径搬回蚁巢这一智能行为而提出的一种新颖的进化算法,该算法不仅具有很好的鲁棒性,良好的正反馈特性,而且具有并行分布计算的特点。同时,支持向量机又是一种基于结构风险最小化原理的机器学习技术,具有很强的学习泛化能力,为此,文章提出了基于蚁群优化算法和支持向量机的人脸性别分类的方法。首先,通过KL变换降低人脸性别特征的维数,并根据特征值按照从大到小的顺序进行排列,然后采用10-交叉确认技术,用蚁群优化算法对人脸性别特征面进行选择,以对支持向量机进行学习、训练和测试。实验表明,与其他分类算法相比较,这种方法不仅图像处理简单,实用性强,而且正确识别率特别高。     

VIRTUAL PROCESSING OF LASER SURFACE HARDENING ON AUTOBODY DIES

A new method of collision-free path plan integrated in virtual processing is developed to improve the efficiency of laser surface hardening on dies. The path plan is based on the premise of no collision and the optimization object is the shortest path. The optimization model of collision-free path is built from traveling salesman problem (TSP). Collision-free path between two machining points is calculated in configuration space (C-Space). Ant colony optimization (ACO) algorithm is applied to TSP of all the machining points to fmd the shortest path, which is simulated in virtual environment set up by IGRIP software. Virtual machining time, no-collision report, etc, are put out after the simulation. An example on autobody die is processed in the virtual platform, the simulation results display that ACO has perfect optimization effect, and the method of virtual processing with integration of collision-free optimal path is practical.     

Fast Ant Colony Optimization on Runtime Reconfigurable Processor Arrays

Ant Colony Optimization (ACO) is a metaheuristic used to solve combinatorial optimization problems. As with other metaheuristics, like evolutionary methods, ACO algorithms often show good optimization behavior but are slow when compared to classical heuristics. Hence, there is a need to find fast implementations for ACO algorithms. In order to allow a fast parallel implementation, we propose several changes to a standard form of ACO algorithms. The main new features are the non-generational approach and the use of a threshold based decision function for the ants. We show that the new algorithm has a good optimization behavior and also allows a fast implementation on reconfigurable processor arrays. This is the first implementation of the ACO approach on a reconfigurable architecture. The running time of the algorithm is quasi-linear in the problem size n and the number of ants on a reconfigurable mesh with n ² processors, each provided with only a constant number of memory words.     

粗糙集多目标并行属性约简算法

粗糙集理论(RST)中,求解最小属性约简MAR (minimal attribute reduction)是一种NP-难(non-deterministic polynomialhard)组合优化问题.蚁群优化算法ACO(antcolonyoptimization)是进化算法中的一种启发式全局优化算法,粗糙集理论与ACO相结合,是求解属性约简的一种有效、可行的方式.针对蚁群优化算法易于陷入局部最优解、收敛速度慢等问题,首先以一种改进的信息增益率作为启发信息,提出了冗余检测机制,对每个被选属性和每代最优约简集合进行冗余检测,并提出了概率提前计算机制,可避免每只蚂蚁在搜索过程中相同路径上的信息反复计算;针对大数据集的属性约简问题,考虑到蚁群优化算法具有并行能力以及粗糙集中“等价类”计算的可并行性,提出一种将ACO与云计算相结合用于求解大数据集的属性约简算法,在此基础上,进一步提出一种多目标并行求解方案.该方案可以同时计算出其余属性相对于当前属性或约简集合的重要度.实验结果表明,该算法在处理大数据的情况下能够得到最小属性约简,计算属性重要度的时间复杂度由O(n2)降至O(|n|).     

基于改进粒子群算法的配电网重构策略

针对有源配电网对安全可靠性的要求较高,而现有的配电网重构算法精度低、速度低的问题,提出了基于蛙跳分组思想的自适应惯性权重的全信息简化粒子群算法。首先,从降低网络有功功率损耗、提高电压稳定性、均衡馈线负荷三个角度考虑,建立配电网多目标数学模型;然后,通过基于Pareto支配原则,采用模糊隶属函数的标准化满意度将多目标转化为相同量纲、同一属性、相同数量级的单目标,弥补加权法带有主观性、量纲不统一的弊端;最后,为保证种群多样性,避免随机初始化产生大量不可行解,结合蚁群优化（ACO）算法随机生成树和改进粒子群算法制定出一种针对含分布式电源（DG）的多目标配电网重构策略。通过对含DG的IEEE33节点配电网系统仿真验证,实验结果表明,与标准粒子群优化（PSO）算法相比,该重构策略寻优效率提高了41.0%,与重构前相比,该重构策略降低配电网有功损耗41.47%,降低电压偏移指数57.0%,改善系统负荷均衡度31.25%。该重构策略有效提高了寻优精度,提高了寻优速度,从而提高了配电网运行的安全可靠性。     

基于智能感知网的物料配送动态优化方法

针对动态环境下的车间物料配送准确性和及时性需求,在车间部署智能感知设备组建智能感知网。以工位实时生产状态为依据,动态调整各工位配送时间窗,以最小物料配送成本为优化目标,建立基于智能感知网的物料配送动态优化模型,并设计一种基于禁忌搜索的改进蚁群算法。该算法将禁忌搜索的记忆功能融进蚁群算法,引入2-opt局部优化方法,并设置最大最小信息素浓度,以提高算法的搜索速率和求解稳定性。最后通过案例和算法对比验证了该模型和算法的可行性和有效性。     

基于 ACO 优化 BP 神经网络的变压器热点温度预测

针对变压器热点温度预测精度问题,提出一种蚁群算法( ant colony algorithm,ACO)结合改进主成分分析法( improved principal component analysis,IPCA)优化 BP 神经网络的热点温度预测模型。 首先采用 IPCA 去除数据冗余信息,并解决参数间 相关性问题,提高网络泛化能力。 为了避免 BP 神经网络容易陷入局部最优和收敛速度慢,利用 ACO 优化网络权值和与阈值, 加快算法速率,提高预测精度。 通过变压器温度实测数据验证,预测结果中的 mae、mse、mape 指标分别为 0. 065 7、0. 006 7、 0. 44%,预测精度和网络性能优于 IEEE、BP、IPCA-BP 模型,从而验证所提模型的有效性和可行性。     

考虑多种运输方式的第四方物流路径优化算法

综合运用不同运输方式的技术和经济特点实施联合运输,是满足货主降低运输费用和时间要求的有效措施。为此,针对不同运输主体,提出多种运输方式的优化组合算法,以实现在满足客户运输要求的前提下,综合选择运输方式、第三方物流服务商及运输路径。将不同第三方物流服务商多种运输方式的优化选择与路径选择相结合,建立单源点到单目地点完成多项任务的第四方物流路径优化模型,设计模型求解的最大最小蚂蚁系统。实例计算结果表明,该算法能方便有效地求解考虑多种运输方式的第四方物流路径问题,为第四方物流企业决策提供参考。     

基于蚁群算法优化SA的WMN路由设计与仿真

针对现有的无线网状网(WMN)路由协议在实际无线信道环境下性能降低的问题,提出了一种基于蚁群模拟退火(ASA)算法的WMN的路由算法.该算法吸收了蚁群算法的适应性、鲁棒性及本质上并行性的优点,并利用模拟退火(SA)算法调整路由的搜索方向,使蚁群算法的早熟现象和收敛速度得到了改善.对该算法进行仿真研究,结果表明:该算法在数据包的转发率、端到端延时数据丢失率和归一化路由开销等方面要比常规路由协议优秀很多,大大提高了系统的可靠性、鲁棒性,增强了通信网络的自适应能力.该算法用于WMN路由协议是可行的、有效的.     

基于MapReduce的动态自适应蚁群算法设计与实现

针对基本蚁群算法( ACO)在处理中等规模旅行商问题( TSP)上消耗时间过长的问题,提出一种基于MapReduce的动态自适应蚁群算法( MDACO)。该算法在信息素更新策略方面动态地调整信息素挥发系数,使蚁群能够自适应地寻找较优的路径结果,而且采用MapReduce计算模型将蚁群算法中循环迭代部分并行化,最终将其部署在Hadoop云计算平台上运行。当TSP节点数为150及以上时,该算法比基本蚁群算法的运行时间平均减少43.2%,路径寻优结果也得到进一步改善。仿真结果表明,该算法在保证问题求解质量以及提高求解速度方面具有优越性。