基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割

针对植物病害图像成分复杂、病斑排列无规则等特点,提出了基于改进型蚁群算法和Gauss-Markov随机场的自适应病斑分割算法。该算法采用自适应信息素更新策略,对信息量进行有差别的动态更新,克服了标准蚁群算法容易陷入局部最优造成的早熟、停滞现象。同时,利用Markov随机场的局部相关特性并结合Gauss分布组成线性平稳自回归模型,针对植物病斑特征建立分割模型。最后,采用改进型蚁群算法对其进行优化,并结合Gauss-Markov随机场最大后验概率估计,实现对植物病斑的自适应分割。仿真试验表明,改进后的算法能够针对植物病斑特性实现自适应分割,鲁棒性较好。然而,对于蚁群算法与Markov的最佳耦合方式及参数初始值的设置仍需作进一步研究。     

基于结构网格点的Euler方程无网格自适应求解算法

提出了一种自适应无网格Euler方程求解算法。构造了基于无网格点云结构的布点加密技术，实现了借助压力梯度变化准则的流场局部加密；借助流场结构化剖分技术，给出初始无网格节点分布，并采用四步显式Runge—Kutta时间格式推进计算，求解了绕翼型的典型流动问题。数值算例表明，本文提出的方法能有效地提高流场的分辨率，如捕捉激波等流动特征清晰明了。     

基于蚁群优化算法的图像边缘检测

图像边缘携带了图像的大部分主要信息。通过对图像进行边缘检测不仅能有效地提取图像信息降低计算的复杂度而且是图像测量、图像分割、图像压缩、模式识别等图像处理的基础。本文尝试将蚁群优化算法（Ant Colony Optimization, ACO）用于图像边缘检测,通过选取经典house图像和SAR机场图像设置阈值进行自适应边缘提取,实现了边缘的精确检测。实验结果显示,该算法能够有效地提取图像目标的轮廓信息,很好保持图像纹理,具有理想的抗干扰性能,保证了检测结果的准确性。     

蚁群优化算法研究

由传统的蚁群优化算法入手,介绍了蚁群优化算法的基本原理以及在TSP问题中的应用,分析并总结了蚁群算法在信息素更新、路径构造等方面的改进方法。     

基于K均值聚类改进的蚁群算法研究

蚁群优化算法(ACO)在求解TSP(traveling salesman problem)问题时,其算法的时间复杂度为O(m·n2·t)(其中t表示循环次数,n为城市数,m为蚂蚁数),搜索时间比较长。利用K-means聚类的方法得到多个类,每一个类都看作是一个小的TSP问题,然后在每个类内部和类之间利用改进的蚁群算法寻找最优路径,通过实验仿真,验证了此方法不但能提高解的精度,而且还加快了运行速度。     

基于改进蚁群算法的分类规则挖掘

数据分类是数据挖掘中的一个重要课题,研究各种高效的分类算法是数据挖掘的重要问题之一.本文将蚁群算法与分类规则抽取问题相结合,提出了一种基于蚁群算法的具有自适应和变异杂交特征的分类规则挖掘方法,自适应地调整信息素增量,在规则构造中进行杂交变异,有效地节省了计算时间,并优化了生成的分类规则.实验结果表明:该算法可以有效克服停滞,提高搜索效率,有效地挖掘出简洁分类规则.     

一种改进蚁群算法的研究

从基本蚁群算法出发,基于 TSP(traveling salesman problem)的邻域结构,提出了一种改进的优化算法,给出了具体的算法步骤。该算法采用2-opt 和3-opt 作为混合邻域结构,可以有效克服基本蚁群算法收敛速度慢和易于陷入局部最优解的弊病。针对 TSPLIB 中的 krob100,Elis51和 CHN144问题的计算结果表明,该改进算法具有良好的效果。     

基于改进蚁群算法的灭火机器人路径规划研究

提出一种适用于灭火机器人避障路径规划的改进蚁群优化算法,采用自适应更新策略的方法规划最佳避障路径,建立了简洁、严谨的蚁群优化算法函数,以达到对灭火机器人避障路径的优化.这种方法能够使灭火机器人在未知环境寻找火源时有效避开障碍物并且使机器人所走路径最短,所用时间最少.经实验证明了该方法的可行性和有效性.     

引入启发式函数蚁群算法的VRP研究

车辆路径问题是一个NP难题,蚁群算法是求解诸如车辆路径安排问题等组合优化问题的有效工具。分析了蚁群算法在VRP中的应用,提出启发式函数对传统的蚁群算法的改进,对传统蚁群算法进行优化。通过实验对该方法进行检验,实验结果显示,本文提出的算法性能优于传统的蚁群算法。     

一种改进蚁群算法的研究

从基本蚁群算法出发,基于TSP(travelingsalesmanproblem)的邻域结构,提出了一种改进的优化算法,给出了具体的算法步骤。该算法采用2-opt和3-opt作为混合邻域结构,可以有效克服基本蚁群算法收敛速度慢和易于陷入局部最优解的弊病。针对TSPLIB中的krob100,EIis51和CHN144问题的计算结果表明,该改进算法具有良好的效果。     

一种用于连续寻优的蚁群爬山算法

针对蚁群算法在连续寻优过程初期信息素匮乏、搜索时间长、收敛慢的弱点,对蚁群算法进行改进,并结合爬山算法提出了一种新的蚁群爬山算法.将新的蚁群爬山算法用于求解连续全局优化问题,数值实验证明该算法是可行的、有效的,并且精度和效率优于蚁群算法.     

基于优化蚁群算法在粮食运输车辆调度中的应用研究

为了有效地降低车辆在粮食运输中的成本,采用改进的蚁群算法对粮食物流配送路径进行优化。通过建立数学模型,提出改进的蚂蚁转移规则、优化信息素浓度、改进全局信息素更新策略。结果表明,改进的蚁群算法比基本蚁群算法可以更好地解决粮食运输车辆的路径问题,使得运输距离明显缩短。     

基于改进蚁群算法的农业运输车辆路径优化研究

针对农产品在运输过程中运输时间长易变质等问题,合理规划果蔬运输车辆的配送路径。在基本蚁群算法的基础上,提出适合求解路径规划的改进型算法,同时提出了自适应调整的方案,提高跳出局部优解的能力以及算法的全局收敛性。仿真试验结果验证了改进型算法的可行性和高效性,从而达到运输车辆路径优化的目的,为提高农产品的运输效率、降低成本、提高收益提供了理论依据。     

基于改进蚁群算法的服务组合研究

在服务计算过程中,服务组合问题是其中关键的技术之一。在原子候选服务数目巨大的情况下,经典的算法一般都是寻找问题的最优解,存在运算量大,运行时间长的缺点,蚁群算法并不是寻找服务组合问题的最优解,而是得到用户能够认同的可行解。为了能够更有效的为用户提供各种服务,在静态的服务组合建立过程中,以服务发现的候选原子服务集合中的服务质量为权重,将服务组合问题分解成一个有向无环图,在组合代价为最小的原则下,采用改进的蚁群算法为搜索方法,迭代一定的次数或者达到用户设定的服务质量为算法的终止条件,找到能够组合为用户需要的原子候选服务集合,进而快速、准确的得到用户期望的服务。     

自适应人工蚁群算法在水资源优化配置中的应用

为实现水资源合理调度,建立了水资源优化配置模型,针对该非线性模型求解较困难及其他方法求解精度不高的问题,提出了自适应人工蚁群算法(AACS)。以闻喜涑水灌区和陈村灌区水资源优化配置为实例,对涑水河陈村峪水库、紫家峪水库和杨家园水库给灌区供水调度进行优化,采用AACS法求解灌区水资源优化配置模型。结果表明:该模型可真实地反映灌区供需水平衡变化的总体趋势,所建模型是合理的,为判断时间序列数据的非线性提供了一种新方法。     

知识约简的多族蚁群算法

Rough集理论中知识约简是个NP-hard问题，已有的方法都有不同的局限性。受蚁群算法的启发，通过将条件属性集映射到有向图结构，并采用两族群蚂蚁协作共同完成求解，提出了知识约简的多族蚁群算法。采用多族群蚂蚁协作后，改善了一般蚁群算法收敛速度较慢的问题，提高了求解速度。通过实验验证，它是一种非常有效的方法。     

基于改进的粒子群和蚁群算法的高光谱森林聚类研究

高光谱图像分类可分为监督分类与非监督分类,聚类分析进行非监督分类是一种现今比较受研究者广泛关注的技术.粒子群算法具有自适应、自组织性、可同时进行局部和全局搜索等特点;蚁群算法通过智能个体间不断进行信息交流和传递,具有较强的发现最优解的能力.提出一种基于改进的粒子群和蚁群算法的高光谱图像聚类方法,设计其模型并将其应用在森林类型分类问题上,提高分类精度,减少人工干预.以吉林省汪清林业局为研究区,通过修改粒子群的惯性系数,得出最优解集,然后利用蚁群寻优的过程对阔叶林、针叶林、混交林、水体进行聚类分析,区分精度达到85％证明,该方法能较好地识别森林类型.