基于蚁群算法的电网拓扑研究

文章对电网拓扑结构的算法进行了研究,方法基于蚁群算法。该方法建立的是一个随机拓扑结构。首先是将N个节点随机的投放到一个区域内,然后按照区域聚类的思想把节点分类,按照在以最优路径为前提的条件下建立电网拓扑结构模型。该方法建立的电网拓扑模型能扩大到任意标准,而且节点是随机的,各项参数都可以根据需求来随机设置,电网分析运算速度快。     

一种快速收敛的蚁群算法

由于基本蚁群算法存在过早陷入局部最优、搜索速度慢的缺点,本文在分析产生这些缺点的基础上,对蚁群算法提出了一些改进措施。最后通过TSP仿真,表明改进算法不仅提高了算法的速度,而且提高了解得质量．     

一种可视外壳的快速拓扑生成算法

针对各种传统可视外壳生成算法中数据冗余及壮健性不足等问题，提出了一种新的从阴影图像中快速重构物体可视外壳的壮健的算法，即首先利用物体表面的拓扑结构直接生成外壳，然后使用改进的SurfaceNet算法光滑三维表面，从而在保留经典的体求交方法壮健性的基础上，克服了对于物体内部点的冗余计算和存储问题，不仅使得计算的时间复杂度降低到仅线性依赖于外壳上结点的数目，而且降低了像片数对算法复杂度产生的影响，实验结果表明，在算法复杂度和壮健性上优于诸如八叉树等传统可视外壳算法。     

微纳卫星网络的可信蚁群安全路由算法

微纳卫星节点能量受限,具有移动性,缺乏有效的安全路由算法保护,为此提出基于信任机制的可信蚁群安全路由算法。根据节点的行为结合剩余能量计算出节点的信任值,使用蚁群算法综合考虑节点信任值和移动性选择可信度高且能够形成稳定链路的节点传输数据。仿真结果表明,所提路由算法能够有效抵御微纳卫星网络中内部恶意节点对数据传输的影响,在平均端到端时延、丢包率和平均能耗等指标上都有改善。     

卫星网络中基于多QoS约束的蚁群优化路由算法

针对蚁群算法在求解多目标优化问题时存在收敛速度慢、容易陷入局部最优解等问题,提出一种面向卫星网络的多约束QoS路由算法。通过改进蚁群算法的启发函数,将链路QoS信息作为蚂蚁选择下一跳节点的重要依据,并结合排序思想与最大最小蚂蚁算法优化信息素更新规则,获取符合当前业务的最优QoS路径。实验结果表明,该算法在满足卫星网络业务多QoS需求的同时,具有良好的收敛速度和寻优能力。     

基于蚁群算法的时序电路测试生成研究

蚁群算法是一种新型进化算法,它提供了解决组合优化问题的框架,但存在着易陷入局部最优解的缺陷。在时序电路测试生成的应用中,通过限制信息素浓度变化范围以及自适应改变信息素挥发因子,在保证算法收敛速度的条件下,提高了算法的全局搜索能力,克服了上述缺陷。实验结果表明,基于该算法的测试生成取得了较高的故障覆盖率和较快的测试生成速度,能够满足实际应用需求。     

改进信息素蚁群算法测试用例生成技术

软件测试用例的设计和生成是整个测试工作的重点和难点,往往需要耗费大量的时间,为了减少测试工作量,防止测试用例数目过多而导致爆炸,在传统蚁群算法的基础上,针对传统蚁群算法初期搜索效率低、搜索信息素相对匮乏、搜索模型过于简单、正反馈机制容易产生停滞早熟现象等问题,对蚁群算法进行系统化改进,建立蚁群搜索路径,改进信息素挥发系数,并将其用于软件测试用例的自动生成,提高软件测试效率,降低测试代价.     

一种动态网格Overlay Network拓扑优化蚁群算法

如何提供丰富的通信交互是高级网格应用的关键问题，但是目前的网格技术还不能满足这一需求，提出了一种基于Overlay Network的网格架构来弥补这一不足，如何优化Overlay Network拓扑结构是该架构必须首先解决的重要问题，给出了一种动态环境中拉各朗日蚁群优化算法DLagrAnt，计算的结果显示该算法具有更快的适应性和更小的开销。     

蚁群算法的收敛速度分析

蚁群算法(ACO)作为一类新型的机器学习技术,已经广泛用于组合优化问题的求解,同时也应用于工业工程的优化设计.相对于遗传算法(GA),蚁群算法的理论研究在国内外均起步较晚,特别是收敛速度的分析理论是该领域急待解决的第一大公开问题.文中的研究内容主要是针对这一公开问题而开展的.根据蚁群算法的特性,该研究基于吸收态Markov过程的数学模型,提出了蚁群算法的收敛速度分析理论.作者给出了估算蚁群算法期望收敛时间的几个理论方法,以分析蚁群算法的收敛速度,并结合著名的ACS算法作了具体的案例研究.基于该文提出的收敛速度分析理论,作者还提出ACO-难和ACO-易两类问题的界定方法;最后,利用ACS算法求解TSP问题的实验数据,验证了文中提出的分析结论,得出了初步的算法设计指导原则.     

快速蚁群算法求解圆排列问题

圆排列问题属于NP-完全问题,且蚁群算法已成功地解决了许多组合优化的难题。介绍一种基于蚁群算法求解圆排列问题的算法,并对此算法进行优化,提出一种求解圆排列问题的快速蚁群算法。它大大减少了蚁群算法的搜索时间,有效改善了蚁群算法易于过早地收敛于非最优解的缺陷。仿真实验取得了较好的结果。     

一种基于蚁群聚类的快速算法

从模仿蚂蚁堆积的尸体的基本模型出发，引入了相似因子和相异因子的概念，通过重新定义接受分数的计算公式，能够使聚类结果更纯，聚类速度更快。实验结果表明新算法明显改善了聚类质量。     

蚁群算法的BP网络优化算法

利用蚁群算法和BP网络训练算法相结合的方法对无线传感网络节点路由路径搜索展开了分析研究,简单分析了蚁群算法实现的基本原理,在此基础上重点给出了基于蚁群算法的BP网络优化算法的基本原理及其实现步骤,并对该优化算法与传统的BP网络训练算法的性能进行了对比仿真测试。     

基于并行蚁群算法的多机器人联盟组成

多机器人联盟组成是多机器人协作的重要方法,如何快速高效的组成最优联盟是工作策略,结合多机器人的协作机制组成多机器人任务最优动态联盟,避免了联盟的死锁问题和资源的浪费,减少联盟组成的计算量和通讯量.     

基于改进型蚁群算法的多任务联盟形成算法

联盟形成是多Agent系统研究的关键问题之一,基于蚁群算法的联盟形成是一种有效的研究方法.创新地把能力互补性原则引入到下一个Agent的选择判断中,引导蚂蚁沿着能生成具有较大联盟值的联盟的方向前进;引入一种带有"调节剂"的扰动策略来预防算法陷入局部最优和出现停滞;在每一轮的任务分配中尽可能多地分配任务,使得联盟在执行任务时具有一定的并行性.算法能更早地搜索到最优解或次优解,在时间复杂度和全局搜索能力等方面均优于相关算法.     

图切割快速生成扇区的蚁群算法

扇区划分是平衡管制员工作负荷、提升空域通行能力的有效技术措施.采用Voronoi图自顶向下切割空域的方法具有自动保证扇区凸性、连通性和压缩性的特性,但计算时间过长.根据航迹状态计算工作负荷,构建了Voronoi图自顶向下切割空域模型,设计了动态步长蚁群搜索算法.测试结果表明,在太原高空划分成4个扇区的情况下,与MC-C...     

一种QoS平面蚁群路由算法的设计与实现

提高网络服务质量的关键在于寻找出高性能路由,然而传统的路由算法却很难解决此类NP C问题。基于此,本文提出一种基于改进后的自适应蚁群算法的路由解决方案,将路由问题假设为平面路由,并建立相应的网络模型。针对该网络模型,建立特定的平面QoS蚁群路由算法,并在MATLAB上对其进行模拟仿真,从而验证了它的性能。仿真实验结果表明,该路由选择方案在求解实际网络路由问题时具有一定的优越性,能够有效地解决QoS平面网络路由问题。     

改进启发式蚁群算法求解电网规划优化问题

研究了电网规划的优化问题。针对传统电网规划问题在计算过程中,由于物理参数和特定参数取值的广泛性,使得对整个电网网络全局搜索能力较差,收敛速度较慢,易出现陷入局部最优和停滞现象。为了解决上述问题,提出一种改进启发式蚁群算法求解电网线路规划问题。改进算法先建立电网网络体系模型,利用启发式蚁群算法对全局进行搜索,并通过信息素挥发因子的动态参数调节以提高路径的搜索能力和搜索概率,提高了对全局搜索精度,并要求对搜索路径进行求解并反复迭代,对局部更新方式进行重新组合,从而确定了电网网络线路规划问题的最优解。仿真结果表明,在求解过程中可以有效地提高计算精度,加快全局收敛速度,降低了计算的复杂度,增强了电网网络的鲁棒性和稳定性。     

一种新的P2P网络拓扑生成算法

根据对等(P2P)网络的连接特点,提出一种基于邻居集合优先附着原则的有向加权网络拓扑生成算法。分析有向加权网络的生成及演变过程,通过合理选择接入节点的连接区域使生成的拓扑网络具有较高的聚类特性。仿真实验表明,该算法生成的拓扑结构符合P2P网络环境下具有幂率特性的拓扑结构,聚集度较高。