基于改进Chan算法和多元Taylor算法的室内定位方法

随着5G时代的到来,人们对更精确,拓展性更好的定位系统的需求开始变得越来越迫切.本文提出了一种改进的融合定位算法.本文提出了使用模拟退火最优化算法对近距离情况下的Chan算法第一次初始值估计做了优化,并融合多元Taylor算法,充分利用了定位目标之间的距离关系,使得定位精度得到提高.     

一种基于人工鱼群和文化算法的新型混合全局优化算法*

提出一种基于人工鱼群和文化算法的新型混合全局优化算法,该混合算法的思想是将人工鱼群嵌入文化算法框架中,作为种群空间的一个进化过程;通过从进化种群中获得的知识组成知识空间,两空间具有各自群体并独立并行演化,从而实现增加人工鱼群的群体多样性。最后通过数值实例仿真结果表明,本算法具有较高的计算精度和收敛速度。     

基于变异算子的人工鱼群混合算法

把Hooke-Jeeves 模式搜索方法作为人工鱼群算法的一个局部搜索算子,嵌入到带变异算子的人工鱼群算法中,提出一种基于变异算子的人工鱼群混合算法。其中,Hooke-Jeeves的强局部搜索能力提高了人工鱼群混合算法的局部收敛速度,变异算子的引入增加了群体的多样性,避免人工鱼群混合算法陷入局部最优。通过基准函数和实例测试验证,表明了该算法是高效可行的。     

基于混沌优化与人工鱼群算法的混合算法研究

针对人工鱼群算法和混沌优化算法的特点,将人工鱼群算法与混沌优化算法相结合提出一种混合算法。此混合算法是利用混沌变量敏感性来提高人工鱼群初始群体解的质量;然后利用混沌的遍历性和随机性扰动使鱼群算法摆脱局部极值点,提高全局收敛性。仿真实验结果表明了混合算法的有效性。最后,给出了在一定条件下提出的混合算法的收敛性证明。     

一种基于人工鱼群的混合聚类算法

聚类分析是数据挖掘的核心技术之一,它是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。文中通过分析K-平均算法的优缺点,提出了一种基于人工鱼群算法的聚类分析算法,并把它与传统的K-平均算法结合得到一种新的混合聚类算法。仿真实验表明,该算法是有效的,具有聚类速度快、精度高特点。     

PSO和AFSA混合优化算法

结合粒子群优化(PSO)算法和人工鱼群算法(AFSA)的优势,提出一种PSO-AFSA混合算法。将种群分为2个子群体,在每次迭代中,一个子群体利用PSO算法进化,另一个子群体利用AFSA进化,2个算法共享整个种群极值信息。通过混合算法对5个标准函数进行实验,并与标准PSO算法进行比较,结果表明混合算法具有更好的优化性能。     

基于改进的混合蛙跳算法机器人路径规划的研究

对于采用混合蛙跳算法进行机器人路径规划容易产生局部最优、收敛速度慢等问题,把人工鱼群算法融合到混合蛙跳算法。人工鱼群算法的追尾行为有利于加快收敛速度,群聚行为提高了跳出局部最优解的能力。把机器人路径规划问题转化为最小化问题,使用改进的算法对其进行优化,最终得到全局最优路径。仿真结果表明,与改进前的算法相比,改进后算法具有较强的全局寻优能力和较快的收敛速度。     

基于多元变量Taylor级数展开模型的定位算法*

为了进一步提高无线传感器网络的定位精度,通过考虑未知传感器之间的距离信息,构建了多元变量Taylor级数展开的定位模型。在对该模型求解过程中,首先利用三边测距法得到未知传感器的初始位置,再采用加权最小二乘法计算其最优值作为未知传感器的估计位置。为评价该算法的性能,对定位结果的Cramer-Rao下界(CRLB)进行了推导。仿真测试了不同距离测量误差和已知传感器数目对定位误差的影响,以及算法的累积分布函数(CDF)。仿真结果表明,该算法有效地提高了定位精度,且定位误差非常接近CRLB。     

新的混合优化算法及其应用

针对基本人工鱼群算法中人工鱼漫无目的随机游动或在非全局极值点的大量聚集和（1+1）-ES的不足,充分利用公告板中的历史最优鱼和（1+1）-ES的优点,提出了一种新的混合优化算法。通过测试函数和应用实例测试验证,结果表明新算法显著提高了基本AFSA和（1+1）-ES的求解质量和运行效率,该算法是可行的和有效的。     

基于最小二乘与Taylor级数展开的新型混合定位方法

针对广播式自动相关监视系统中的虚假目标识别问题,采用一种到达时间差与到达时间和2种定位方法相结合的新型混合定位方法,获取目标真实空间位置,将其与自动相关监视报文中的位置数据进行比对来判断虚假目标。为使混合定位更加精确与快速,利用最小二乘法对目标初始定位,再将其作为Taylor级数展开迭代的初值,精确估计目标位置。模拟仿真结果表明,混合定位方法解决了Taylor级数展开算法中结果可能不收敛的问题,且在相同地面站布局条件下,其精度和稳定性较传统到达时间差定位方法更高。     

基于人工鱼群算法的混杂FMS优化调度

针对已有的调度方法难以找到混杂柔性制造系统调度全局最优解的问题,根据一阶混杂Petri网模型提出了一种基于人工鱼群算法的混杂柔性制造系统调度方法.利用混杂Petri网不变行为状态序列与时间序列的对应关系把寻找最优解转换成寻找最优时间序列.首先给出了合法时间序列的定义及其基于人工鱼群算法的判定方法;然后给出了最优时间序列求解的人工鱼群算法,同时提出基于最优解视野变异的人工鱼群算法以解决多次优化过程中只会得到某个局部最优解的问题.最后基于这些算法给出混杂柔性制造系统的最优调度求解方法.实验结果表明所提出方法正确有效.     

基于改进鱼群算法的多阈值图像分割

为了实现图像的有效分割,提出了一种基于改进鱼群算法的多阈值图像分割方法。引入领域搜索的思想对基本人工鱼群算法做了进一步改进;然后对最大熵函数进行全局优化,改进后的算法能够根据人工鱼的个体适应度大小和种群的分散程度自动调整鱼群控制参数,在保证群体多样性的同时加快了算法的收敛速度;最后得到分割图像的最佳阈值,克服了基本鱼群算法后期收敛性差、易陷入局部最优等问题。实验结果表明,所提算法能够获得较稳定、快速和准确的图像分割。     

基于人工鱼群算法的贝叶斯网络参数学习方法

研究算法改进,提高计算性能,贝叶斯网络是解决不确定性问题的一种有效方法,在很多领域得到了广泛应用。参数学习是贝叶斯网络构建的重要环节,但含隐变量、连续变量的参数学习是非常困难的。为解决上述问题,提出了一种人工鱼群算法的贝叶斯网络参数学习方法,并进一步通过调整人工鱼随机移动速度的方法提高了算法的收敛性能和速度。最后,将参数学习方法在由Noisy-Or和Noisy-And节点组成的贝叶斯网络中进行了仿真,仿真结果表明了参数学习方法,特别是改进后方法的可行性和优越性。     

一种改进的人工鱼群算法

人工鱼群算法是一种基于动物行为的群体智能优化算法。该文提出一种改进的人工鱼群算法,在觅食行为中让人工鱼直接移动到较优位置,以加快算法的搜索速度,动态调整人工鱼的视野和步长,使其在算法运行初期保持最大值,并逐渐由大变小。该算法较好地 平衡了全局搜索能力和局部搜索能力,提高了算法运行效率和精度。仿真结果表明,改进的人工鱼群算法收敛性能比原有算法提高了1倍 以上。     

基于混沌遗传算子的人工鱼群算法

为提高人工鱼群算法的计算精度和收敛速度,在全局版人工鱼群算法的基础上,利用混沌遗传算子,增加鱼群迭代的混沌扰动以避免局部极值陷阱的同时较大提高了鱼群整体的优化效果和计算精度,加快了算法收敛速度.仿真结果表明,该算法有效可行.     

基于改进鱼群算法的无线传感器网络覆盖优化

为了改善传感器节点在网络中随机部署时的不合理分布和提高节点的网络覆盖率,以网络覆盖率、节点利用率和能耗均衡程度为优化目标,提出了改进人工鱼群的无线传感器网络覆盖优化算法.该改进的算法利用混沌运动的遍历性,克服了人工鱼群算法陷入局部最优的缺点,提高了算法的全局搜索能力,同时结合反馈策略,优化了求解效率.仿真结果表明,在全局范围内,新算法可以求解得到更优的解,能以较少的工作点达到更好的网络覆盖优化效果,而且网络能耗也比较均衡.     

一种采用动态游动模式的鱼群算法

在鱼群算法优化的研究中,针对人工鱼群算法(AFSA)存在的速度慢、精度差、早熟收敛等问题,提出一种新的改进人工鱼群算法,即一种采用动态游动模式的鱼群算法(DSMFSA).上述算法让每条“鱼”具有多种搜索模式,让每条“鱼”具有机动搜索食物的能力,并可根据群体信息的反馈和自身状态随时调整搜索方式.在数值实验中选择了几个比较典型的基准函数,用来测试上述算法的性能.实验结果表明:DSMFSA算法大大改善了人工鱼群算法(AFSA)存在的易陷入局部最优、优化精度不高之不足,明显具有比AFSA好得多的优化性能.说明改进算法具有跳出局部最优的能力,可用于求解高维的复杂优化问题.     

基于人工鱼群的优化K-means聚类算法

针对K-means算法全局搜索能力不足,提出基于人工鱼群的优化K-means聚类算法(AFS-KM),该算法克服了Kmeans聚类算法对初始聚类中心选择的敏感问题,能够获得全局最优的聚类划分。在聚类过程中,采用一种基于信息增益的属性加权的实体之间距离计算方法进行聚类划分时,对于球形数据和椭球形数据都能够获得理想的聚类划分结果。对KDD-99数据集的仿真实验结果表明,该算法在网络入侵检测时获得了理想的检测率和误报率。     

基于改进鱼群算法与张量分解的社会化标签推荐模型

基于大众分类法(folksonomy)的标签应用已逐渐成为一种重要的互联网内容组织方式,但随着数据规模的海量增长,产生了严重的信息过载问题,而传统的基于“用户-项目”二元关系的个性化推荐算法难以有效应对由“用户-项目-标签”所构成的三元关系。通过对基本人工鱼群算法进行改进,提出一种对标签推荐系统初始数据集进行聚类分析的方法,用以降低标签推荐系统的数据分析规模。在此基础上,综合考虑标签推荐系统中的元素权重以及反映用户偏好的评分信息,将元素权重和评分等级进行加权处理,以处理结果作为张量中的元素,建立了一种新的加权张量模型,并利用动态增量更新的张量分解算法进行模型求解,进而完成个性化的推荐。最后在两个真实的实验数据集上对比分析了所提算法(FTA)与另外两个经典标签推荐算法的推荐性能,实验结果表明FTA算法在准确率和召回率上均具有较好的表现。     

基于黎曼流型度量的人工鱼群算法视觉跟踪

针对经典的基于协方差算子的跟踪方法不能适应目标的遮挡及其全局搜索造成的过多计算消耗问题,提出了一种在黎曼流型度量上的人工鱼群算法的视觉跟踪方法。该方法将融合了目标的位置、颜色、梯度等特征区域的协方差算子作为目标的表观模型,以提高它对姿态变化以及亮度变化的适应性。利用人工鱼群算法搜寻目标与候选目标之间最优的匹配,其并行运算机制提高了跟踪算法的效率,其全局搜索的能力则提高了算法对遮挡问题的鲁棒性。实验结果表明,该算法在复杂背景情况下具有目标跟踪的鲁棒性。