基于改进全局人工蜂群算法的WSN节点定位研究

无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作;若新解适应值较好,不与迭代最优解进行交叉操作;若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。

一种带搜索因子的全局最优人工蜂群算法

针对全局最优人工蜂群算法(GABC)搜索迭代过程中未充分考虑到全局优化和局部优化在优化过程中的作用,在一定程度上降低了算法的全局搜索能力,容易陷入局部最优解的问题,提出了一种带搜索因子的全局最优人工蜂群算法(HF-GABC)。在最优人工蜂群(GABC)算法中引入了可以随着优化过程动态搜索的因子,在算法的全局搜索过程和局部搜索过程中进行动态搜索。应用改进的算法对4个标准测试集函数进行仿真试验,并与ABC算法、GABC算法的结果进行比较。实验结果表明:带搜索因子的人工蜂群算法收敛性能优于ABC和GABC算法,有效降低了局部收敛的可能性,并且提高了搜索精度。

基于人工蜂群与K-Means的改进混合聚类算法

为了克服K-Means聚类算法过度依赖初始聚类中心、容易陷入局部最优的缺点以及人工蜂群算法因为搜索策略的局限而导致的易早熟,收敛速度慢的问题,提出了改进的全局人工蜂群算法与K-Means++算法相结合的混合聚类方法,充分利用改进的全局人工蜂群算法可以全局寻优的特点与K-Means++算法能够优化初始聚类中心位置并且收敛速度快的特点,将二者融合,使得K-Means可以进行全局搜索,跳出局部最优解,并用UCI数据库中的Wine数据集和Balance-Scale数据集进行实验。结果表明,改进的全局人工蜂群算法较标准人工蜂群算法收敛速度更快,寻优效果更好;本文提出的混合聚类算法与原始K-Means算法相比,稳定性更好,迭代次数减少,收敛速度更快,而且聚类效果也有了明显改善。

人工智能技术在指挥信息系统C4ISR中的应用

目前的军事领域中受到了战场变化未知等各方面的限制,人工智能技术的发展在未来军事领域中具有巨大的潜力。本文概括性地介绍人工智能技术在指挥信息系统C4ISR中的一些应用。

基于CGABC-SVM的燃气轮机气路故障诊断

为了提高燃气轮机气路故障诊断的准确率,提出了一种基于交叉全局人工蜂群算法(CGABC)和支持向量机(SVM)的故障诊断方法。针对支持向量机的参数难以选取的问题,采用交叉全局人工蜂群算法对支持向量机的惩罚因子C和核函数参数σ进行优化。实验结果表明,与基于人工蜂群算法的ABC-SVM模型和基于粒子群算法的PSO-SVM模型相比,CGABC-SVM模型能更加准确、快速地识别故障。