基于改进蜂群算法的神经网络及其应用

本文提出一种具有极强全局优化能力的改进蜂群算法,该算法对人工蜂群算法的更新公式进行改进,并对整个搜索策略进行简化.算法对多个高维多极值基准函数进行全局最优化测试,结果表明,改进的蜂群算法收敛精度大大提高;其次,将改进的蜂群算法应用于神经网络的权值训练;最后,作者将这种基于蜂群算法训练的神经网络应用于降水预报,其试验结果显示了这种训练方法的可行性.     

改进的动态粒子群算法

为更好的解决动态优化问题,提出改进的粒子群算法（Improved Partic le Swarm Optim ization,IP-SO）,在算法中对pBest替代策略引入了随机化算子,并且对群体中的gBest引入了局部搜索,对随时间变化的最优值进行了精确定位,试验证明该算法对动态优化问题的有效性.     

基于马氏链蒙特卡罗的WSN节点定位算法

未知节点的定位是无线传感器网络(WSN)研究中的重要内容,其中动态节点定位算法设计是当前的热点问题.针对传统动态节点定位算法采样成功率低或采样样本少等问题,本文基于蒙特卡洛(MCL)算法及蒙特卡洛盒子(MCB)算法,提出了一种基于马氏链蒙特卡洛方法的节点定位(MCMCB)算法,算法在粒子滤波过程用马氏链蒙特卡洛方法计算粒子的权重,加大了对样本的筛选,从而提高了定位精度并减少了采样次数.仿真结果表明,MCMCB算法的平均定位精度同MCL算法、MCB算法相比分别提高了57. 4%和59. 3%,而采样次数比MCL算法减少了16. 2%.     

基于改进的蚁群算法求解单点交叉口信号配时优化问题

蚁群算法是近几年优化领域中出现的一种启发式仿生类并行智能进化、通用型的随机优化算法,能够较好解决交通信号配时优化问题.由于交通信号分配不合理容易引发交通拥堵,基于传统的单点交叉口交通信号配时优化问题提出了改进的蚁群算法,即针对交通具有较强的实时性和动态性的特点,在蚁群算法更新的全局信息素中引入一个随着交叉口拥挤程度不同而变化的函数,并且在信息素变化量中引入一个交叉口通行能力权系数,从而提高算法对交通实时动态性的把控能力.通过实验仿真结果表明,该改进的蚁群算法优于传统的单点交叉口信号配时方法,从而为蚁群算法求解这类问题提供了一种可行有效的新方法.     

蚁群算法的改进方法

蚁群优化算法是一种新型的模拟进化算法。在通讯、交通、人工智能等领域广泛应用并取得了较好的效果。本文介绍了蚁群算法的基本原理及其优缺点。基于蚁群算法的缺点——需要较长的计算时间、收敛速度慢,总结了从不同方向进行改进的方法(基于蚁群算法自身模型的改进、蚁群算法与聚类思想结合进行改进、蚁群算法与其他算法结合的改进。     

基于DnCNN函数的分水岭算法

在日常生活中,由于系统和设备问题,图片经常会引入噪声,图像也会因此变得很模糊.而分水岭算法经常因为噪声的缘故使图像出现过分割.针对传统分水岭算法进行图像分割易受噪声影响的问题,研究了一种基于Dn CNN函数的分水岭算法.基于当下神经网络对于图像识别、归类、特征提取这一领域所做出的卓越成绩,利用神经网络的良好图像统计特性进行图像去噪,并改进传统的激活函数,图像经过神经网络去噪后图像细节更加明显和清晰,再利用改进的分水岭算法,使用最大相似性合并规则对去噪后的图像进行分割.并将该算法与K-means算法和噪声图片+分水岭算法这两个算法进行比较,基于Dn CNN函数的分水岭算法对图像的分割精度更高.     

小波变换在图像融合技术中的应用及探考

综合利用多模图像信息,进行融合处理,可以获得更多有用信息.本文提出了一种基于小波变换的图像融合方法,并对CT和MRI图像融合进行了仿真实验,结果证明了方法的可行性和有效性.并对其提出改进。     

基于Map-Reduce的XML前缀编码方案

该文档将XML文档前序编码思想和云计算相结合,提出Hadoop环境下基于Map-Reduce的并行编码方案,该方案提出PXPC算法,解决了非同一分片内节点的前序编码,实验结果表明:相对非并行前序编码,PXPC是一种并行的快速有效的编码方案。     

基于卷积的蒙文词语定位查找方法研究

由于历史文化和技术的原因,有大量的蒙古文文献资料是以图像的形式保存在图书馆的.图像格式的文档资料在进行检索和查阅时费时费力,极不方便.为了解决这个问题,提出了一种基于卷积的蒙古文词语定位查找方法.给出了二维离散傅立叶变换模型、二维离散卷积模型以及二者相互转换的数学模型.应用以上模型,在对蒙文文本图像和目标图像进行图像预处理的基础上,设计了基于卷积的蒙古文词语定位查找的具体实现算法.并对算法进行了仿真,通过快速连通区域查找法展示了定位查找到的蒙古文词语.实验表明基于卷积的蒙古文词语定位查找算法可以有效地解决蒙古文图像文本词语查找定位问题.     

非相同元件并联的S-P网络可靠性优化研究

研究非相同元件并联的单目标-单约束S-P网络系统可靠性优化问题。选择常用的群体智能算法,包括模拟退火算法、蚁群算法、遗传算法、粒子群优化算法对模型求解。通过模拟仿真发现:几种算法给出的最优解情况不尽相同,蚁群算法求解精度高、收敛率100%,但执行时间长、解的编码复杂、解空间搜索复杂;粒子群优化算法收敛性较好,最优解的收敛率比较高;遗传算法搜索到最优解数量较少,收敛率比较低;模拟退火算法也能收敛到最优解,但收敛率较低,优点是容易实现。选择算法时,要依据问题的规模、时间、收敛率与精度进行选择。