基于蚁群优化分类规则挖掘的遥感图像分类研究

蚁群优化算法作为群智能理论的主要算法之一,已经成功应用在众多研究领域的优化问题上,但是在遥感数据处理领域还是一个新的研究课题。蚁群优化具有自组织、合作、通信等智能化优点,对数据无需统计分布参数的先验知识,因此在遥感数据处理领域具有很大的潜在优势。介绍了将蚁群优化分类规则挖掘算法应用到遥感图像分类研究领域的理论与算法流程。并采用北京地区的CBERS遥感数据作为实验数据,通过蚁群优化算法构造分类规则,对选择的遥感数据进行了分类实验,并和最大似然分类方法进行对比,实验结果表明,蚁群优化分类规则挖掘算法为遥感图像的分类提供了一种新方法。     

一种基于蚁群算法的分类规则挖掘算法

Parepinelli等提出了基于ACO的分类算法。文中提出了一种基于自适应蚁群算法的分类规则挖掘算法，该算法采用了与Parepinelli算法不同的启发式函数及信息素改变方法．引入了自适应机制与变异策略，从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

一种基于蚁群算法的分类规则挖掘算法

Parepinelli等提出了基于ACO的分类算法。文中提出了一种基于自适应蚁群算法的分类规则挖掘算法,该算法采用了与Parepinelli算法不同的启发式函数及信息素改变方法,引入了自适应机制与变异策略,从而达到缩短蚁群算法计算时间、加快算法收敛速度、提高预测准确率的目的。实验结果验证了该算法的有效性。     

基于蚁群算法的分类规则挖掘算法

提出了一种基于蚁群算法的分类规则挖掘算法。算法实质上是一种序列覆盖算法:蚁群搜索一个规则,移去它覆盖的样例,再重复这一过程,从而得到共同覆盖样例的一组规则。针对蚁群算法计算时间长的缺点,提出了一种变异算子。对两个公用数据的实验及其与C4.5和Ant-Miner的对比表明,算法能够发现更好的分类规则,包括预测能力更强,有更少规则的规则集,以及形式更简单的规则。实验同时显示变异算子有效节省了计算时间。     

基于人工蚁群优化算法的遥感图像自动分类

将人工蚁群优化算法(AACO)尝试性地引入遥感图像分类,并进行了探索性研究。作为计算智能新的分支,人工蚁群优化算法具有很强的自组织性和自适应性。因此,自然成为科学工程领域一种强有力的信息处理和解决问题的手段;AACO算法利用蚂蚁的生物特性来实现遥感图像分类等非线性操作,具有并行性、鲁棒性。初步试验分析,此方法用于遥感图像分类是有效的,在一定程度上克服传统统计分类方法与ANN方法的某些不足。本文也推动人类利用群智能在遥感图像处理及相关领域的深入研究。     

一种基于变异蚁群算法的分类规则挖掘算法

Parepinelli等人提出了基于ACO的分类算法。算法实质上是一种序列覆盖算法：蚁群搜索一个规则,移去它覆盖的样例,再重复这一过程．从而得到共同覆盖样例的一组规则。针对蚁群算法计算时间长的缺点,文章采用了新的启发函数及信息素更斯方法,并引入了精英群交叉变异策略。对两个功用数据的实验及其和Ant—Miner的对比表明,该算法有更强的预测分析能力,能够发现更好的分类规则集？以及形式更简单的规则。实验同时显示该算法有效节约了时间。     

一种基于变异蚁群算法的分类规则挖掘算法

Parepinelli等人提出了基于ACO的分类算法。算法实质上是一种序列覆盖算法:蚁群搜索一个规则,移去它覆盖的样例,再重复这一过程,从而得到共同覆盖样例的一组规则。针对蚁群算法计算时间长的缺点,文章采用了新的启发函数及信息素更新方法,并引入了精英群交叉变异策略。对两个功用数据的实验及其和Ant-Miner的对比表明,该算法有更强的预测分析能力,能够发现更好的分类规则集。以及形式更简单的规则。实验同时显示该算法有效节约了时间。     

基于二元蚁群优化算法的分类规则挖掘

提出一种基于二元蚁群算法的分类规则挖掘算法.针对蚁群算法计算时间长的缺点,引入一种变异算子,同时为了避免蚁群算法陷入局部最优,又引入灾变算子.通过对美国加州大学机器学习数据集中的测试集进行测试表明,该算法的预测准确率能较大提高.实验同时显示引入变异算子和灾变算子能有效节省计算时间和防止陷入局部最优.     

蚁群算法在网页内容分类中的应用研究

研究各种高效的分类算法是数据挖掘的重要问题之一[1]。蚁群算法作为一种新型的模拟进化算法,在求解复杂的组合优化问题中表现出了良好的性能[2]。文章介绍了蚁群算法在网页内容分类数据挖掘任务中的一种应用方案,阐述了算法的基本原理及特性,并使用少量类别的网页进行了分类实验,实验结果验证了该算法在应用中的有效性。     

基于蚁群优化的分类算法的研究

蚁群优化是人工智能领域中群体智能分支之一,已经成功地应用于旅行推销员,作业调度,路由选择等优化问题上,但用它解决数据挖掘问题还是一个新的研究课题.对Parepinelli等人提出的基于ACO分类算法进行了改进,采用了不同的启发函数和不同的分类条件选择方法,提高了分类准确率及时间效率,并进行了理论分析及实验证明.     

改进的蚁群算法在图像边缘检测中的应用研究

针对传统的蚁群边缘检测算法耗时长的问题,提出基于邻域中节点梯度计算启发式信息值的方法。该方法能够更快更好地引导蚂蚁向边缘节点进行移动,减少耗时。同时,还引入模糊C均值算法,用以确定蚁群算法中信息素阈值,使其更加准确合理,更精确地判断边缘节点。实验表明,该改进算法能够减少耗时,有效地抑制噪声,并能更加有效、精确地检测出图像的边缘。     

基于蚁群遗传算法的中文文本分类中的特征提取

针对文本分类中特征提取准确度的问题,分析了中文文本中词长对于表征文本类别的影响,改进了传统的中文文本词条权重计算方法;由于遗传算法用于特征提取时搜索随机性强,没有方向性,故将蚁群算法应用到遗传算法的选择操作中,提出了一种蚁群算法和遗传算法相结合的特征提取方法。实验结果表明,该方法不但可以提高分类的准确率,而且可以减少分类时间,是一种有效的方法。     

基于启发式规则和蚁群算法的车间作业调度方法

车间作业调度问题是一个典型的NP-hard问题,也是一个前沿性的研究课题,已受到学术界和工业界的广泛关注。提出了一种基于启发式规则和蚁群算法的车间作业调度方法。该方法首先采用蚁群算法得到车间作业调度问题的一组可行解,然后采用一些启发式规则进一步优化这些可行解。通过将启发式规则有效地融入到蚁群算法中,使得该混合方法的优化效率得到极大的改进。仿真实例表明,方法是可行的、正确的和有效的。     

一种基于蚁群算法的Snake模型与MRI分割

Snake模型以其收敛快速、精确度可达到亚像素等优点,被广泛地应用于医学图像分割,但该模型依赖于初始曲线的选取,易于收敛到局部最优且难以达到凹陷区域。为此提出一种基于蚁群算法的Snake模型,首先利用区域内灰度统计特征自动进行Snake初始化,然后在Snake演化过程中加入一向心力,使其能进入凹陷区域,最后用蚁群算法对演化结果进行优化,使其收敛到全局最优,获得最终的分割结果。实验结果表明,改进的模型在MRI分割中可以得到较好的分割结果。     

基于蚁群算法优化软件测试策略

提高软件测试的缺陷检测能力,有效降低测试成本是软件测试优化研究中的关键问题。基于软件测试的Markov决策模型,以降低软件测试成本,提高测试的缺陷检测能力为目标,运用蚁群算法给出一种优化测试剖面的学习策略,将所得到的最优测试剖面用于优化软件测试。实验结果表明运用蚁群算法的学习策略要远优于随机测试策略,能显著降低测试成本和提高缺陷检测能力,是软件测试优化启发式方法的一个重要补充。     

一种基于Bayesian的图像分类算法

提出了一种基于Bayesian的图像分类算法,该算法首先从原始数字图像出发,通过分析图像的特征分布特点,对图像的局部区域扫描分析,然后抽取目标图像的特征元素,得到其颜色、纹理、形状等特征,最后利用Bayesian分类器来实现图像的快速自动分类.实验结果表明,该算法能够有效提取图像的局部特征,从而快速、准确地实现图像分类.     

蚁群优化算法NDLACO

ACO算法在解NP-hard问题上虽然取得了广泛应用,但在解同一类型的不同问题时,需要更改α,β,ρ等参数的值才能取得相应问题的最优解或更接近最优解的解.通过使用最近邻居选择、信息素动态更新和局部启发搜索法对MMAS算法进行优化,得出NDLACO算法.此算法运用于解CVRP问题时,取得了较好的效果.在关于参数值的问题上取得了一定的成效,也有效地解决了蚁群算法的收敛过快和早熟、停滞问题.     

基于遗传学的改进蚁群算法研究

为了进一步提高蚁群算法的收敛性能和搜索能力,利用遗传学的交叉和变异操作提出了一种改进的蚁群算法—G-蚁群算法,在每一代的搜索中对当前解和最优解进行交叉变异,以扩大解的搜索空间。通过对解决TSP(Traveling Salesman Problem)问题的实验表明,G-蚁群算法在收敛速度和解的全局性上有更优的性能。     

用于求解对称旅行商问题的粒子群算法和蚂蚁算法的融合

近年来,基于仿生学的随机优化技术成为学术界研究的重点问题之一,并在许多领域得到应用。粒子群优化（PSO）算法和蚂蚁算法ACO（Ant Colong Optimization）是随机全局优化的两个重要方法。PSO算法初始收敛速度较快,但在接近最优解时,收敛速度较慢,而ACO正好相反。结合二者的优势,先利用粒子群算法,再结合蚂蚁算法,以对称旅行商问题为例进行了仿真实现。实验结果表明,先利用PSO算法进行初步求解,在利用蚂蚁算法进行精细求解,可以得到较好的效果。