论文研究融入粒子群与蚁群算法对XML群体概率搜索智能分析 .pdf

在群中通过其粗糙(正规)上子群构造了smooth(正规)子群;通过群及其正规子群诱导的smooth(正规)子群进一步构造了粗糙(正规)上子群,并给出它们之间的联系。

采用路径离散化规则 ,结合 XML半结构化的特点及概率知识 ,融合粒子群算法与蚁群算法 ,提出一种优化 XML数据查询的概率方法 ,采用粒子群算法快速生成信息素分布 ,利用蚁群算法精确求解 ,达到了优

提出了一种基于粒子进化的多粒子群优化算法。该算法采用局部版的粒子群优化方法，多个粒子群彼此独立地搜索解空间，从而增强了全局搜索能力；利用重置进化粒子位置的方法使陷入局部值的粒子摆脱局部最小，从而有效地

通过比较基于可能世界模型的概率数据在关系数据模型和XML数据模型中的表示方法，根据概率属性与普通属性的关系把概率关系模式分为1NF和3NF，根据分布节点与普通节点的关系把概率XML模式也分为1NF和3

dynamicmultiswarmoptimizationalgorithm

基于蚁群算法的LEACH协议研究，王静，胡彧，针对LEACH协议中簇头节点与汇聚节点之间采用单跳通信造成能量损耗过快的问题，提出了一种基于蚁群算法的LEACH协议，该算法利用蚁群��

机器学习的性能可以通过泛化误差表达,泛化误差越小,则该学习性能越好,反之则性能越差。为了进一步研究泛化误差的特性,通常采用泛化误差分解的方法。针对加权融合方法,并应用平方误差损失函数,给出了泛化误差的

螺旋粒子群优化算法的研究简报，滕弘飞，张英男，本文提出了一种螺旋粒子群优化（SPSO）算法。传统PSO算法的搜索路径，对于全局版PSO，以一只鸟（粒子i）的飞行来比喻，其空间的飞行

为了改进粒子群算法的性能，提出了融合其他算法优点的混合型粒子群算法。对三种主流的混合粒子群优化算法(基因粒子群、免疫粒子群、混沌粒子群)分别从混合目的、混合方式、实现步骤、算法优化性能等多个方面进行了

通过理论分析和一系列的对比模拟实验研究，来探讨蚁群算法中参数的最佳设定原则，以利于蚁群算法在实际中的应用和推广。