基于蚁群算法的二维最大熵分割算法

由于二维最大熵分割法不仅考虑了像素的灰度信息,而且还充分利用了像素的空间邻域信息,因此能够取得较好的分割效果.但是,该方法的计算量巨大,不利于红外图像的快速处理.蚁群算法于20世纪90年代初提出,是受到蚁群集体行为的启发而提出的一种基于种群的模拟进化算法,属于随机搜索算法.该算法已经成功应用于旅行商等离散问题.将蚁群算法应用于二维最大熵法,提出了基于蚁群算法的二维最大熵分割算法.与传统的穷尽搜索法相比,求解速度提高了60倍左右.仿真实验表明,该方法快速、简单、有效.     

基于改进蚁群算法的无线传感器网络路由的优化

为了延长无线传感器网络(Wireless Sensor Network ,WSN)的生命周期,均衡各个节点间能量消耗,针对现有的WSN路由优化算法存在的问题,提出了一种基于改进蚁群算法的路由优化算法。首先通过对蚁群算法和遗传算法的优劣性比较,在蚁群算法的基础上,结合遗传算法的选择、交叉和变异的操作,从而提高蚁群算法的搜索速度和寻优能力。最优路径评价函数综合考虑节点能耗及节点的剩余能量,使剩余能量多的节点优先参与数据转发,均衡节点间的能量消耗。通过与经典蚁群算法及遗传算法的对比实验表明,随着数据转发轮数增加,改进的蚁群算法能耗小,剩余能量多,网络生命周期明显延长;随着整个网络运行时间的增长,改进的蚁群算法,节点均衡能耗性好,最优路径搜索的成功率也明显优于其他两种算法。     

蚁群算法在近红外光谱定量分析中的应用研究

蚁群算法是新近发展的基于群体智能的仿生优化算法,它模拟蚂蚁的觅食行为来解决复杂的组合优化问题。蚁群算法的优点是智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等。近红外光谱定量分析技术在很多领域得到广泛的应用,而其关键技术环节之一是建立近红外光谱测量数据的多元校正模型。文章将蚁群算法应用于近红外光谱定量分析中,建立了谷物样品的傅里叶变换近红外漫反射光谱和谷物中蛋白质含量的定量分析模型,得到了较好的结果。校准集的相关系数与相对标准偏差分别为0.943和3.41％,预测集的相关系数与相对标准偏差分别为0.913和4.67%。     

自适应混沌蚁群径向分析算法求解重力辅助导航匹配问题

针对现有重力导航匹配算法的匹配精度、匹配率受惯导初始位置误差影响较大以及实时性较差等不足,提出了一种基于自适应混沌蚁群径向分析的实时重力辅助导航匹配算法,新算法引入改进的连续域蚁群算法进行优化模型求解,通过进行连续域蚁群算法的信息素的自适应调整,同时对蚁群算法的搜索策略、计算参数、局部信息素进行混沌自适应处理,最终达到提高算法搜索效率、匹配率、抗噪性能的效果,实验结果表明,新算法对惯导初始误差不敏感,匹配率高,实时性强。     

基于蚁群优化与神经网络的坦克目标识别算法

为了对成像引信探测得到的变形严重的图像进行识别,提出了基于蚁群优化与人工神经网络相结合的坦克目标识别算法.采用SUSAN特征检测原则提取目标图像的角点特征,作为神经网络模式分类器的输入.针对BP网络收敛速度慢,易于陷入局部极小点等问题,利用蚁群优化算法训练网络权值,可兼有ANN的广泛映射能力和蚁群算法的全局收敛以及启发式学习等特点.仿真实验表明,新算法能够有效缩短网络训练时间,提高目标识别精度.     

应用理性优化蚁群算法提高激光三维复制的重现度

三维复制人工耳和打印手枪把激光三维复制技术推向新的一页。激光三维扫描是激光应用中一个新兴的重要领域,在三维复制中扮演着无可替代的角色,其复制精度在目前所有复制技术中是最高的。而重现度标志着复制结果与复制对象几何形状上的一致程度,是激光三维复制最重要的指标。分析了激光三维复制的误差,得出激光扫描的点云数据处理是减小误差、提高重现度的关键所在的结论。主要创新点在于,在传统蚁群算法的基础上,将提出理性优化蚁群算法应用于激光三维复制中的数据处理。经计算对比发现,有效减小了复制的误差,提高了复制的重现度。     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。     

基于蚁群算法的二元光学优化设计

为了提高二元光学优化的速度,进一步提高衍射效率,提出一种采用蚁群算法直接设计二元衍射光学元件(BOE) 的方法, 构造出了用蚁群算法对具体的二元光学元件——矩形孔径多阶相位调制型光栅优化设计的有向图, 用Matlab对其结果进行仿真,缩短了运行时间,并使元件的衍射效率得到进一步提高。     

智能优化算法应用于近红外光谱波长选择的比较研究

近红外光谱(NIRS)是一种间接分析技术,其应用需建立相应的校正模型。为了提高模型的解释能力、预测准确度和建模效率,需要对NIRS进行波长选择,优选最小化冗余信息。智能优化算法是以生物的行为方式或物质的运动形态为背景,经过数学抽象建立算法模型,通过迭代计算来求解组合最优化问题,其核心策略是以某种目标函数为标准,基于多元校正建模并以逐步逼近的方法筛选出有效的波长点。选用蚁群优化(ACO)、遗传优化(GA)、粒子群优化(PSO)、随机青蛙(RF)和模拟退火(SA)5种智能优化算法对烟叶总氮和烟碱近红外光谱数据进行特征波长选择,结合偏最小二乘(PLS)算法,构建了多个烟叶总氮和烟碱的校正模型,结果显示：所选用两个数据集的总氮最优模型分别为PSO-PLS和GA-PLS模型,烟碱最优模型分别为GA-PLS和SA-PLS模型,五种智能优化算法所建模型预测性能并非全部优于全谱PLS模型,但是通过智能优化算法进行波长选择后建立的PLS模型大大简化,模型的预测精度、可解释性和稳定性均有所提高。同时也对优选波长进行了解释和分析,烟叶总氮特征波长优选组合为4 587~4 878和6 700~7 200 cm-1;烟叶烟碱特征波长优选组合为4 500~4 700和5 800~6 000 cm-1,优选出来的特征波长具有实际物理意义。     

蚁群元胞优化算法在人群疏散路径规划中的应用

针对疏散路径规划问题,以栅格化地图为背景的基础上,提出了蚁群元胞优化算法.首先为统一仿真时间步长,建立以六边形元胞为基础的栅格地图;然后利用静态势场对启发函数进行优化,利用分段更新规则优化信息素更新方式;最后,将模型参数作为粒子群优化算法的粒子位置信息进行优化,求解参数的最优组合值.仿真结果表明:采用蚁群元胞优化模型进行疏散路径规划时,不仅加快了搜索速度,而且增大了解空间,提高了搜索能力,可以有效避免陷入局部最优解.     

基于混沌蚂蚁群算法的Lorenz混沌系统的参数估计

通过构造一个适当的适应度函数，首先将混沌系统的参数估计问题转化为参数的寻优问题，之后利用混沌蚂蚁群算法的全局优化搜索能力对这个问题进行求解.以典型的Lorenz混沌系统为例进行了数值模拟.实验数值仿真结果表明，使用该方法可以对混沌系统的未知参数进行有效地估计.     

混沌系统的变论域模糊控制算法研究

混沌运动和混沌控制受到广泛关注,本文利用模糊控制实现混沌系统的控制.针对模糊控制器精度不高,模糊控制中规则数量与控制精度之间的矛盾,提出了一种基于蚁群优化算法的变论域模糊控制器.通过分析变论域模糊控制中的2类伸缩因子,指出其中1类并不能满足广义伸缩因子条件.提出利用蚁群优化算法对伸缩因子智能寻优的方法,在对蚁群算法改进的基础上,构成一种基于蚁群算法的变论域模糊控制,将设计的控制器用于Duffing混沌系统的控制.仿真结果表明,提出的控制算法在收敛速度和稳态性能上要略优于其他控制方式. 关键词： 混沌 变论域模糊控制 伸缩因子 蚁群优化算法     

Energetics of social phenomena: Physics applied to evolutionary biology

Summary The potential usefulness of applications of two physical concepts to evolutionary biology was evaluated on ant societies. The optimization principle, which predicts a more efficient use of energy by more sophisticated societies, was contrasted to that of irreversible thermodynamics, predicting an increase in orderliness and thus an increase in energy consumption per unit of biomass. Our results on oxygen consumption measurements of ant colonies showed a complex and non-linear relationship between colony size and energy consumption per unit mass, that can be explained by irreversible thermodynamics and catastrophe theory, whereas an additional exponential inverse relationship may be explained by optimization principles. Thus, social complexity is related to energy consumption in a discontinuous manner, and seems to be bound by both negentropy content of a society and social-optimization mechanisms.     

基于蚁群-遗传算法的光谱选择方法与应用

脂肪作为牛奶中的重要营养成分,是评价牛奶质量的一项重要指标。高光谱图像技术能够提供几十到数千波长的数据,能够反映牛奶中不同组成成分细微的光谱差异;另一方面,相邻波段之间往往具有很强的相关性,不仅增加了计算量,而且容易造成维数灾难等问题,因此对高光谱数据进行波段选择非常重要。工作中提出了PLS-ACO特征波段选择方法,并与遗传算法结合,组合成了PLS-ACO-GA的特征波段选择新方法。提出的两种方法以蚁群算法为基础,PLS回归模型回归系数的绝对值作为评价波长重要性的主要依据,以此作为蚁群算法的启发式信息,利用蚁群算法进行智能搜索,结合遗传算法,产生更多优秀的特征波段组合,避免PLS-ACO算法得到的只是局部最优解,得到的最优波段组合能够更好的反映牛奶中脂肪成分的信息;通过计算波长贡献率,筛选出最优波段组合,并与遗传算法,CARS算法和基本蚁群算法光谱特征选择方法比较,最后比较不同特征选择方法下的PLS回归模型预测效果。PLS-ACO, PLS-ACO-GA, CARS, GA和ACO分别筛选了牛奶样品光谱中的18,16,40,43和42个特征波段。其中PLS-ACO-GA筛选波段后的PLS预测模型效果最好,预测集R2_p和RMSEP分别为0.997 6和0.062 2,PLS-ACO次之,预测集R2_p和RMSEP分别为0.997 0和0.077 8。PLS-ACO和PLS-ACO-GA不仅减少了特征波段数量,而且提高了模型的精度。对PLS-ACO-GA进行特征波段选择后的数据,建立MLR,RFR和PLS回归预测模型。MLR预测模型的R2_p和RMSEP分别为0.997 6和0.062 3。RFR回归模型R2_p和RMSEP分别为0.999 9和0.003 0,PLS回归模型的R2_p和RMSEP分别为0.997 6和0.062 2。RFR模型在三种回归预测模型中表现最好。研究结果表明PLS-ACO和PLS-ACO-GA这两种方法可以实现光谱数据特征波段选择,高光谱技术可以实现牛奶中脂肪含量的检测,为牛奶脂肪含量检测提供了一种新的、快速无损的方法。     

基于感知模糊自适应蚁群算法的非线性PID控制

随着系统复杂度的提高和对象不确定性因素的增加,为克服线性PID动态性能和稳态性能差的缺陷,分析了非线性PID控制器各控制参数对误差的理想变化过程,构造非线性PID控制器。由于增益参数大量增加,传统参数优化方法不再适用,在分析蚁群算法的基础上,提出了基于感知自适应蚁群算法,并加入模糊自适应信息素更新机制,用于优化非线性PID控制器的设计方法。通过仿真实验将该控制器与基于蚁群算法的非线性PID控制器和基于蚁群算法、Z-N法的PID控制器进行对比,并对控制性能和收敛性能进行了分析,结果表明该算法有效克服了传统蚁群算法收敛速度较慢、容易陷入局部最优而停滞的缺陷,该控制器具有更好的动态性能和稳态性能。     

一个修改的混沌蚁群优化算法

本文提出一个用于混沌蚁群优化算法的算法结束条件, 并 将算法结束条件加入混沌蚁群优化算法. 通过数值试验, 验证其有效性. 数值试验表明混沌蚁群优化算法可以得到较高精度 的最优解. 修改的混沌蚁群优化算法可以通过多次混沌搜寻, 逐步逼近最优解, 可以用来求解复杂连续空间优化问题. 关键词： 混沌蚁群优化算法 优化 数值模拟     

Continuous and Discrete Adjoint Approach Based on Lattice Boltzmann Method in Aerodynamic Optimization Part I: Mathematical Derivation of Adjoint Lattice Boltzmann Equations

The significance of flow optimization utilizing the lattice Boltzmann (LB) method becomes obvious regarding its advantages as a novel flow field solution method compared to the other conventional computational fluid dynamics techniques. These unique characteristics of the LB method form the main idea of its application to optimization problems. In this research, for the first time, both continuous and discrete adjoint equations were extracted based on the LB method using a general procedure with low implementation cost. The proposed approach could be performed similarly for any optimization problem with the corresponding cost function and design variables vector. Moreover, this approach was not limited to flow fields and could be employed for steady as well as unsteady flows. Initially, the continuous and discrete adjoint LB equations and the cost function gradient vector were derived mathematically in detail using the continuous and discrete LB equations in space and time, respectively. Meanwhile, new adjoint concepts in lattice space were introduced. Finally, the analytical evaluation of the adjoint distribution functions and the cost function gradients was carried out.     

A temporal ant colony optimization approach to the shortest path problem in dynamic scale-free networks

A large number of networks in the real world have a scale-free structure, and the parameters of the networks change stochastically with time. Searching for the shortest paths in a scale-free dynamic and stochastic network is not only necessary for the estimation of the statistical characteristics such as the average shortest path length of the network, but also challenges the traditional concepts related to the “shortest path” of a network and the design of path searching strategies. In this paper, the concept of shortest path is defined on the basis of a scale-free dynamic and stochastic network model, and a temporal ant colony optimization (TACO) algorithm is proposed for searching for the shortest paths in the network. The convergence and the setup for some important parameters of the TACO algorithm are discussed through theoretical analysis and computer simulations, validating the effectiveness of the proposed algorithm.     

A New Two-Stage Algorithm for Solving Optimization Problems

Optimization seeks to find inputs for an objective function that result in a maximum or minimum. Optimization methods are divided into exact and approximate (algorithms). Several optimization algorithms imitate natural phenomena, laws of physics, and behavior of living organisms. Optimization based on algorithms is the challenge that underlies machine learning, from logistic regression to training neural networks for artificial intelligence. In this paper, a new algorithm called two-stage optimization (TSO) is proposed. The TSO algorithm updates population members in two steps at each iteration. For this purpose, a group of good population members is selected and then two members of this group are randomly used to update the position of each of them. This update is based on the first selected good member at the first stage, and on the second selected good member at the second stage. We describe the stages of the TSO algorithm and model them mathematically. Performance of the TSO algorithm is evaluated for twenty-three standard objective functions. In order to compare the optimization results of the TSO algorithm, eight other competing algorithms are considered, including genetic, gravitational search, grey wolf, marine predators, particle swarm, teaching-learning-based, tunicate swarm, and whale approaches. The numerical results show that the new algorithm is superior and more competitive in solving optimization problems when compared with other algorithms.     

基于改进ABC的LSSVM氧化还原电位预测研究

针对氧化还原电位对于生物氧化提金预处理过程的控制和优化具有重要作用,提出了一种基于改进的ABC算法优化最小二乘支持向量机的预测方法。该算法是在标准人工蜂群算法的基础上,通过引入欧氏距离,使得在一定邻域内观察蜂采用不同于雇佣蜂的搜索策略。采用改进的ABC算法优化最小二乘支持向量机的参数,取得最优解并赋予最小二乘支持向量机进行预测。以新疆某金矿的生产数据进行仿真研究,结果表明：基于改进的ABC算法优化的最小二乘支持向量机具有较高的预测精度,该方法能使模型取得较好的预测效果。