灰度梯度感知人工蚁群的数字图像边缘检测

基于D.R.Chialvoetal.提出的原始模型和V.Ramosetal.的扩展模型,提出了一种用于数字图像边缘检测的基于灰度梯度感知的人工蚁群模型(ACGGP)。模型利用灰度梯度启发信息和信息素轨迹信息共同来指导蚂蚁的行为,这种策略能够有效地减小群体规模进而提高算法的时间性能。此外,还对模型体现出类似于某些人类视觉感知的机制,包括群体短暂记忆、图像主要特征敏感特别是能够良好抑制噪声的自发侧抑制机制等特征进行了阐述。模型在若干幅8bit灰度图像上进行了测试,并和Ramos模型以及经典数字图像边缘检测算法(canny算法)进行了客观比较。     

基于AQ覆盖框架的蚁群规则集学习算法

针对规则集学习问题,提出一种遵循典型AQ覆盖算法框架（AQ Covering Algorithm）的蚁群规则集学习算法（Ant-AQ）。在Ant-AQ算法中,AQ覆盖框架中的柱状搜索特化过程被蚁群搜索特化过程替代,从某种程度上减少了陷入局优的情况。在对照测试中,Ant-AQ算法分别和已有的经典规则集学习算法（CN2、AQ-15）以及R.S.Parpinelli等提出的另一种基于蚁群优化的规则学习算法 Ant-Miner在若干典型规则学习问题数据集上进行了比较。实验结果表明：首先,Ant-AQ算法在总体性能比较上要优于经典规则学习算法,其次,Ant-AQ算法在预测准确度这样关键的评价指标上优于Ant-Miner算法。     

一种新的蚁群优化算法信息素更新策略及其性能分析*

针对蚁群优化算法的关键步骤--信息素轨迹更新过程进行了深入分析.通过理论上的证明和实验验证,提出了信息素轨迹更新中存在着一个利用-探索困境;在此基础上针对这个现象提出了一种基于Metropolis接受准则的信息素更新策略,并通过在不同规模的TSP上的实验,证明了这种新策略的有效性.     

类基于蚁群优化的贝叶斯置信网结构学习策略及性能分析*

针对贝叶斯置信网的结构学习问题,提出一种遵循典型ACO算法框架(ACO-TSP)的贝叶斯网结构学习算法（ACO-BN）,并拓展为包括EAS-BN、ACS-BN和MMAS-BN在内的一类算法。用这类算法在若干典型贝叶斯网络结构学习问题上分别与经典贝叶斯网学习算法(K2、B)、用于贝叶斯网学习的通用优化算法（simulated annealing、Tabu searching和genetic searching）以及L. M. de Campos等人提出的基于蚁群优化的贝叶斯网络结构学习算法 Ant-K2SN     

一种网络爬虫的带缓存非阻塞异步域名解析器模型及其性能分析

网络爬虫是搜索引擎的一个基本组件,网络爬虫抓取页面的效率直接影响搜索引擎提供的服务质量。除了可以通过改进网络爬虫的爬行策略来提高网络爬虫效率之外,也可以通过优化网络爬虫程序某方面的设计来消除特定的效率瓶颈。通过对网络爬虫结构和实际运行数据的分析,针对爬虫的DNS解析瓶颈,设计了一种带缓存异步域名解析器模型,并通过实验和一般DNS解析器模型进行了比较,实验结果证明这种模型对于减少程序等待解析域名的这一操作时间十分有效,显然也能够提高爬虫的整体效率。