基于改进灰狼算法的共享仓储动态盘点方法

依据共享仓储货物定位精度准和盘点效率高的要求,提出了一种采用改进灰狼算法(Gray Wolf Optimization Algorithm)的货物动态盘点方法。通过射频识别技术和接收信号强度测距方法搭建了货物的三维定位模型;采用粒子群参数优化的灰狼算法对仓储货物的三维定位进行解算,实现共享仓储的自动盘点。仿真结果表明,改进的灰狼算法具有较好的定位精度和稳定的寻优性能,可以满足复杂动态环境下共享仓储货物盘点要求。

改进混合离散粒子群的多种优化策略算法

针对离散粒子群算法求解旅行商问题,根据组合优化问题和离散量的特点,改进离散粒子群算法更新的运动方程。对离散粒子群算法分别加入逆转变异优化策略、受蚁群启示的变异优化策略和近邻搜索变异优化策略3种优化变异优化策略,使其成为新的混合离散粒子群算法,最后对3种混合离散粒子群算法进行比较,并剖析仿真结果的本质。结果表明:3种优化策略在不同程度上都提高了离散粒子群算法的总体效果和收敛性能,其中,加入逆转变异优化策略的混合粒子群算法实现简单,时间代价较小;加入近邻搜索变异优化策略的混合粒子群算法不论是在最优值或稳定性方面表现最突出。

基于层次划分的密度优化聚类算法

针对传统的聚类算法对数据集反复聚类,且在大型数据集上计算效率欠佳的问题,提出一种基于层次划分的最佳聚类数和初始聚类中心确定算法——基于层次划分密度的聚类优化(CODHD)。该算法基于层次划分,对计算过程进行研究,不需要对数据集进行反复聚类。首先,扫描数据集获得所有聚类特征的统计值;其次,自底向上地生成不同层次的数据划分,计算每个划分数据点的密度,将最大密度点定为中心点,计算中心点距离更高密度点的最小距离,以中心点密度与最小距离乘积之和的平均值为有效性指标,增量地构建一条关于不同层次划分的聚类质量曲线;最后,根据曲线的极值点对应的划分估计最佳聚类数和初始聚类中心。实验结果表明,所提CODHD算法与预处理阶段的聚类优化(COPS)算法相比,聚类准确度提高了30%,聚类算法效率至少提高14.24%。所提算法具有较强的可行性和实用性。

基于重叠社区发现的信任网络聚类模型

针对信任网络中联盟和关键企业的高效寻找问题,建立信任网络聚类模型,提出一种基于节点权重的重叠社区发现算法CDNW(overlapping community discovery based on node weights)。根据信任网络中企业间的信任度设定节点的权重,以权重最大的节点开始划分初始社区;采用重叠系数将重叠度大的社区合并,合并后的社区用关联度进行检测,将关联度过小的节点移出社区并为它重新分配社区。对不同的数据集进行测试,实验结果表明算法有较好的划分社区结构不明显的数据集的能力,具有一定的稳定性。

一种基于特征的自适应水印算法

基于图像多尺度空间理论和扩频机制以及视觉感知模型的特性,给出一种基于特征的数字图像水印算法。算法采用尺度不变特征变换算子提取图像的局部不变特征区域,根据信噪比特点自适应选取水印嵌入强度因子,将一幅二值水印图像嵌入到原始图像中,实现了数字水印的不可感知性和鲁棒性。仿真结果表明,该算法对添加噪声、压缩、旋转等常见的图像处理攻击具有较强的鲁棒性。