PageRank算法的分析及其改进

在分析PageRank算法存在偏重旧网页、主题漂移、网页权值均分、忽视用户浏览兴趣现象的基础上,对其进行改进,考虑网页修改日期、网页文本信息、网站权威度、用户兴趣度等重要因素,重新计算网页PR值。实验结果表明,改进算法可提高搜索引擎对网页排序的准确度,以及用户对检索结果的满意度。     

基于用户反馈的PageRank改进算法

通过分析PageRank算法存在的偏重旧网页问题、主题偏移问题及网页欺骗问题,提出一种基于用户反馈的PageRank改进算法,该算法在原算法的基础上添加用户点击次数反馈和点击时间反馈及反馈权重,并结合基于网页内容的排序算法思想,加入网页内容权重,对PR值的计算公式进行改进,从而克服PageRank算法中存在的问题。     

基于多权重因子的PageRank算法改进

现有PageRank算法的多种改进研究,对新网页歧视、语言差异歧视、主题漂移、忽视用户浏览兴趣等问题仍然没有给出较好的解决方案。本文提出改进算法TWPR(PageRank based on Three Weights)。该算法将时间特性分析、语言链接结构分析和用户行为相结合,旨在提升更新较快、链接行为优良、用户感兴趣度高的中文网页PR值。实验证明,改进算法可有效提高网页检索的命中率,改善搜索质量。     

PageRank算法研究

深入剖析了著名搜索引擎Google的关键技术PageRank算法,介绍分析了该算法的当前发展现状。并针对PageRank算法容易出现主题漂移现象,利用提出的二阶相似度改进算法。实验表明,改进的算法有利于减少主题漂移现象,提高用户对检索结果的满意度。     

采用改进受欢迎度的PageRank优化算法

为了克服搜索引擎在搜索过程中经常重复性地把当前受欢迎的网页放在搜索结果的首要位置,而忽略那些不受大多数用户欢迎的网页的问题,文中提出一个采用改进受欢迎度的PageRank优化算法.该改进算法首先通过建立网页的真实质量函数来纠正搜索引擎的上述问题,然后再采用一个新的网页受欢迎度来消除内在的网页质量问题从而避免该问题.实验...     

一种改进的PageRank 算法

研究了现有的基于链接结构的PageRank算法。结合网页链接分析和网页内容相关性分析提出了一种改进的PageRank算法,从分析网页内容相关性的角度解决相关性需求,从网页链接分析的角度解决权威性需求,并且实验证明,改进的PageRank算法优于传统的PageRank算法的排序结果。     

基于用户兴趣的PageRank算法改进策略

随着互联网海量信息的不断涌现,根据用户的兴趣提供相关查询结果,是现有搜索引擎要考虑的一个问题,PageRank算法是基于链接的排序算法,已在Google搜索引擎广泛应用,但其忽略了用户个性化需求。采用网页预分类技术,来表示用户查询的兴趣度,进一步提出改进传统的PageRank算法,从而能适当提高用户在使用搜索引擎方面的个性化需求。     

基于PageRank的Web挖掘改进算法

针对Google使用的PageRank算法,提出一种改进的Web挖掘算法。实现该算法时,将网页使用信息和网页添加日期信息做成点击向量和日期向量,2个向量加权后标准化得到的一个向量作为常数加入到改进的迭代算法。实验结果证明,改进算法可以提高网页重要性判断的准确度。     

改进的增强型蚁群算法

针对传统增强型蚁群算法容易出现早熟和停滞现象的缺陷,提出了一种改进的增强型蚁群算法,该方法将传统的增强型蚁群算法和遗传算法中交叉操作和变异操作相结合,实验结果表明,该方法比传统的增强型蚁群算法具有更好的搜索全局最优解的能力。     

基于模糊集的蚁群聚类算法的改进

改进了LF算法,提出了一种基于模糊集理论的蚁群聚类新方法。首先定义了平均距离,其次在“相似”的概念上引入模糊集理论,定义了数据对象与其邻域内对象相似程度的隶属函数,最后该数据对象的拾起或放下由隶属度与置信水平λ相比较来决定。该算法避免了LF算法中不相似的数据对象本该被拾起而可能未被拾起,相似的数据对象本该被放下而可能未被放下的弊端,并简化了LF算法。     

蚁群聚类算法中确定相邻对象方法的改进

基本蚁群聚类算法在计算相似度时,由于没有考虑相邻对象之间方向的影响,往往造成聚类速度缓慢甚至算法不收敛。通过引入相邻对象方向角和屏蔽角,对方向接近的相邻对象进行屏蔽,实现对确定相邻对象方法的改进。并以矿山实际测量数据为数据源,采用基本的蚁群聚类算法和改进后的算法分别对其进行聚类。通过对这两种算法的实验结果进行分析比较,证明改进后的算法提高了聚类效果。     

基于云模型的自适应蚁群算法改进研究

为了解决蚁群算法易早熟于局部最优及收敛速度慢的问题,采用云模型理论来合理调控蚁群算法的随机性程度,分别提出针对蚁群算法参数、云模型参数以及较优路径判定的自适应调整策略,同时提出信息素分布状态的评价算法。针对多个TSP问题进行仿真实验,结果验证了提出的算法的高效性与稳定性。     

遗传融合蚁群算法的改进与仿真

原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足,优化效果得到了改善,能够克服收敛速度较慢,易出现停滞,以及全局搜索能力较低的缺陷。但是还不够,因此,在原有的遗传融合蚁群算法的基础上进行了许多改进以扩大解的搜索空间,更加提高其全局优化寻优速度。并将遗传融合蚁群算法和改进的遗传融合蚁群算法分别应用于TSPLIB中的Att532TSP问题进行了仿真实验。仿真研究表明,改进后的算法具有更优良的全局优化性能,效果令人满意。     

蚁群算法实现的图像边缘连接

针对金相晶界重建问题,提出了一种基于蚁群算法的图像边缘断点连接方法。以原图像和传统边缘获取方法得到的边缘为基础,进行边缘的端点分析,并在端点处建立信息素的高斯分布模型,从而促使蚂蚁向端点方向移动;综合考虑了像素间相似性、邻域差和边缘走向三个因素来确定启发式引导函数,使蚂蚁沿着真正的边缘行走。实验表明该算法速度较快,补偿的边缘能够反映原图像边缘信息,是一种有效的边缘断点连接方法。     

简化蚁群算法

针对最大最小蚂蚁系统中信息素下界难以确定以及算法性能易受同构问题影响的缺点,提出一种简化蚁群算法.信息素的上下界被限制在一个固定的区间内,不随目标函数值的更新而改变;信息素的更新量是一个与具体目标函数值无关的常数.所提出的简化算法不仅具有强不变性和平移不变性,而且算法的性能不受信息素下界的影响.针对旅行商问题的仿真实验验证了改进算法的可行性和有效性.     

一种基于格的蚁群算法

针对蚁群算法容易陷入局部搜索的问题,提出了一种基于格的蚁群算法。将问题空间划分为n块格子,基于随机策略,将m只蚂蚁分别放在n块格子中,对于每个格子,再次基于随机策略,将格子内的蚂蚁放置在不同的节点上。仿真结果显示,在不影响最优解的情况下,基于格的策略加速了算法的收敛性。     

用改进蚁群算法确定无功补偿分级容量

传统确定无功分级补偿容量的方法不能有效利用负荷历史信息,容易出现过补或欠补现象.建立了有效利用历史无功负荷来求解无功补偿分级容量的优化模型,采用蚁群算法求解,对蚁群算法进行了改进.通过设定信息素的修正阈值,适时对信息素进行修正;通过纵向和横行的搜索方式,提高蚂蚁搜索的效率;算法能更好地避免陷入局部最优,执行效率数倍提高.     

改进蚁群算法求解有时间窗的物流配送路径问题

物流配送车辆路径优化问题已被证明是一个NP难题,很难得到最优解。应用蚁群算法对带时间窗的物流车辆路径优化问题进行了算法设计,建立了车辆路径优化问题的蚁群算法数学模型及解决方案。通过对蚁群算法的分析,提出了改进的蚁群算法,并结合实例对该算法进行测试和分析,检验其有效性,结果表明了改进蚁群算法的可行性,符合实际的需要。     

新型的双种群蚁群算法

基于对蚂蚁种群中兵蚁和工蚁在觅食过程中合作关系的仿生,提出了一种改进型蚁群算法。在该算法中同时存在着兵蚁子种群与工蚁子种群两个种群,两个子种群并行搜索,通过兵蚁的分布来影响到工蚁的移动选择,以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。基于旅行商问题的实验证明,算法具有较好的全局搜索能力和收敛速度。