蚁群算法(ACS)是一种新型的分布式模拟进化算法,它有较强的解搜索能力、很好的适应性和鲁棒性等,但如果算法中各参数选择不当,则会使算法的运行时间变长,或者陷于局部最优,达到停滞状态。恰当的参数选择,可
Python粒子群和遗传解决函数最值,模拟退火和蚁群解决TSP。
景区多点路径规划问题是一个NP-hard问题,相当于寻找经过起始点和特定节点的最短路径。针对多点路径规划问题,提出了回溯蚁群-粒子群混合算法,该算法运用弗洛伊德(Floyd-Warshall)算法将图
蚁群算法是一种应用广泛、性能优良的智能优化算法, 其求解效果与参数选取息息相关. 鉴于此, 针对现有 基于粒子群参数优化的改进蚁群算法耗时较大的问题, 提出一种新的解决方案. 该方案给出一种全局异步与
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��
0-1背包问题是组合优化中经典的NP难题,在蚁群算法的基础上结合量子计算提出一种求解0-1背包问题的量子蚁群算法。算法采用量子比特表示信息素,用量子旋转门来更新信息素。大量数据实例的比较测试表明,算法
针对基本粒子群算法具有后期收敛速度慢、容易陷入局部极值等缺陷,通过考虑粒子的位置之间的加权作用,对基本粒子群算法进行了改进,提出了一种位置加权的粒子群算法以减小搜索过程中的盲目性。测试函数结果表明,算
为进一步缓解粒子群优化算法在后期收敛速度慢、早熟等问题,提出了一种挂载式的、依赖自适应阈值和已知全局最优解的压缩搜索空间策略。在此基础上对粒子重新分配初始位置、调整速度权值来提升算法的后期探索能力。实
聚类分析是数据挖掘的重要技术之一,它能够通过无监督的学习过程发现隐藏的模式,具有独立发现知识的能力。对现有文献中基于粒子群优化算法的聚类分析技术作了全面的介绍,对几种主要的粒子群聚类算法的基本原理及其
提出退火熵、生长函数和VC维等概念,构建基于VC维的学习过程一致收敛速度的界。以这些界为基础,给出基于双重随机样本的结构风险最小化原则。最后证明该原则是一致的并且推导出了关于渐近收敛速度的界。