基于学习自动机的改进FCM聚类算法及应用

模糊C均值(Fuzzy C-Means,FCM)聚类算法存在过度依赖初始聚类中心,且未充分考虑隶属度矩阵变化趋势对聚类性能影响的缺陷,针对FCM存在的问题,提出了一种基于学习自动机的改进FCM聚类算法。算法改进了目标函数计算方式及隶属度矩阵,根据目标函数值以及平均类内距离的变化对智能体选择的行为进行奖励或者惩罚。通过UCI公共数据集以及工业生产中碳碳复合材料沉积炉生产数据进行实验,实验结果表明,相比K-means、FCM、IEWLFCM、LAC等几种已有聚类算法,在文中采用的实验数据集中,该文提出的基于学习自动机的改进FCM聚类算法在大多数数据集上准确率、FMI系数、JC系数均有所提升。

一种新的连续动作集学习自动机

学习自动机(Learning automation,LA)是一种自适应决策器。其通过与一个随机环境不断交互学习从一个允许的动作集里选择最优的动作。在大多数传统的LA模型中,动作集总是被取作有限的。因此,对于连续参数学习问题,需要将动作空间离散化,并且学习的精度取决于离散化的粒度。本文提出一种新的连续动作集学习自动机(Continuous action-set learning automaton,CALA),其动作集为一个可变区间,同时按照均匀分布方式选择输出动作。学习算法利用来自环境的二值反馈信号对动作区间的端点进行自适应更新。通过一个多模态学习问题的仿真实验,演示了新算法相对于3种现有CALA算法的优越性。

一种用于随机优化的连续动作学习自动机

学习自动机(LA)是一种随机优化技术,其中自动机的目标是从一个允许的动作集里选择最优的动作。现有LA的动作集大多都是有限集,因此对于连续参数学习问题,需要将动作空间离散化,并且解的精度取决于离散化的颗粒度。提出一种新的连续动作学习自动机(CALA),其动作集为一个可变区间,并依照均匀分布选择输出动作。算法通过一种类似提高拟退火的方式确定一个"最新且最好"的动作,并根据该动作对区间的两个端点进行更新。通过优化一个被噪声污损的多模态函数的仿真实验,演示了新算法相对于三种现有的CALA算法的优越性。

基于学习自动机的容噪模式分类

在模式分类学习问题中,训练数据中的标注差错(也称类别噪声)对分类器的性能有很大的影响。本文将一种新近提出的连续动作学习自动机(即聚焦区间学习自动机)应用于针对类别噪声的容噪学习问题。分类器采用简单的单隐层前馈神经网络,利用一个由这种学习自动机组成的自动机团队,对神经网络的权值参数进行学习。通过广义异或问题和Iris数据集的仿真试验,将该算法与两种基于群体搜索的优化算法——粒子群优化(PSO)和差分进化(DE)进行了比较研究。结果表明,新算法具有更好的容噪学习性能。

基于模糊聚类和学习自动机的多目标无功优化

电力系统无功补偿需确定无功补偿的选点及具体的补偿容量。基于模糊聚类的方法寻找系统薄弱节点,得到候选节点信息,动态聚模糊类过程中采用了U/U0指标、指标和电压偏移指标。综合考虑发电成本和无功投入成本最小、电压偏移最小和有功网损最小化,建立了候选无功补偿节点的多目标优化模型,并采用学习自动机法获得优化问题的最优权衡解。采用模糊聚类法和学习自动机法对IEEE 57节点测试系统进行算例分析,分析结果表明了所提方法的有效性。

基于集对分析与演化细胞学习自动机的质量—成本控制方法

为了研究不确定信息对供应商参与下的产品质量—成本控制过程的影响,基于集对分析建立了质量—成本控制的多目标贴近度优化模型。对演化细胞学习自动机算法进行适应性改进后用于求解该优化模型,并得到相对确定条件下质量—成本控制方案集合的优劣排序——基序。考虑到不确定因素的影响,利用模糊集值统计法获得差异度系数后,按照联系度对基序重新排序,进而筛选出最佳的产品质量—成本控制方案,并为每种零部件选择合理的供应商。以大型空气分离设备的质量—成本控制问题为例进行仿真计算,结果表明了所提方法的可行性与有效性。

基于学习自动机的最小连通支配集算法

为解决连通支配集的最小化问题,提出基于改进的分布式学习自动机的近似算法,在分布式学习自动机按随机选择进行深度搜索的基础上考虑回溯策略。该算法构造的是网络中的一棵支配树,只需要节点的局部信息。在网络建模图——单位圆盘图上对支配树性质进行分析和模拟实验。实验结果表明,与现有算法相比,该算法能得到更优的最小连通支配集。

一种基于学习自动机的WSN区域覆盖算法

基于连通支配集(Connected dominating set,CDS)的区域覆盖算法大都采用休眠节点数量的最大化机制来实现节能,这将给无线传感器网络中的活动节点带来沉重的负担。活动节点电能的迅速耗尽将导致CDS失效,产生覆盖盲区。不断激活其他休眠节点,会出现频繁的网络拓扑变化,导致网络收敛性出现问题。提出了一种基于学习自动机的WSN区域覆盖算法。采用受度限制的连通支配集d-CDS来构造WSN骨干网络,利用学习自动机选择当前节点的最优邻居节点,以此实现对所构造CDS的优化,实现活动节点的负载均衡,改善区域覆盖性能。通过仿真实验对比Gossip、ST-MSN和TMPO等算法,表明本文提出的算法在网络覆盖比率、活动节点的剩余电量等方面均存在优势。

基于学习自动机的无线传感网能量均衡分簇算法

优化簇首选择、均衡节点能量负载以延长网络存活时间,一直是无线传感器网络分簇协议研究的重点。针对无线传感器网络节点随机分布的情况,在基于学习自动机(Learning Automata,LA)的ICLA算法基础上,提出一种兼顾节点密度的能耗均衡分簇算法。在簇头选举方面,综合考虑节点剩余能量和节点密度,利用学习自动机与周围环境进行信息交互和动作奖惩,选择出相对较优的簇头;根据簇首与基站距离和其节点密度构造大小非均匀的簇,实现不同位置不同网络疏密程度下簇内和簇间能耗互补均衡;构造了基于簇首剩余能量、簇内节点密度和传输距离的评价函数,并运用贪婪算法选择出最优中转簇首进行多跳传输。仿真实验结果表明,该算法能选择出更为合理的簇头,有效地均衡网络能量负载,延长网络生存时间。

基于虚拟势场和学习自动机的有向传感网覆盖控制

针对目前有向传感网中覆盖增强和冗余节点休眠调度算法存在的问题,提出虚拟势场结合学习自动机的覆盖控制算法。引入基于质心距离和重复感知率的虚拟力改进模型,综合考虑虚拟向心力和切向力对感知角度调整的影响,建立微观虚拟力与转动角度的关系模型,并根据网络整体覆盖率增长率对节点调整幅度进行宏观控制,合理调整节点感知方向。在此基础上,根据节点重复感知率和能量因素建立学习自动机与环境信息的交互机制,学习最优的冗余节点休眠调度策略。仿真实验结果表明,该算法能够显著增强网络覆盖,并有效地控制网络覆盖冗余。

机会网络中基于元胞学习自动机的拥塞控制策略

针对机会网络中多副本报文转发机制下节点缓存溢出导致的拥塞现象,提出一种基于元胞学习自动机的拥塞控制策略。根据报文所在节点的局部环境中周围邻居节点对该报文的持有情况,按照给定的元胞规则对报文的丢弃概率进行自动学习及更新。在节点间进行报文复制时考虑对端节点上缓存报文的缓存熵信息,然后结合报文在当前节点的丢弃概率及邻居节点的缓存熵信息,对报文进行排序和丢弃。实验仿真结果表明,该策略有效降低了网络负载率和报文投递延时,并提高了报文投递成功率。

学习自动机结合节点功率自适应调整的WSN目标覆盖方案

针对大多数现有无线传感器网络目标覆盖方案没有考虑传感器功率(传感范围)可调的问题,提出一种基于学习自动机(learning automata,LA)和节点功率自适应调整的WSN的目标覆盖方案。利用LA算法根据节点能量自适应调整节点的发射功率,构建能够覆盖所有目标的覆盖集,并通过精简过程获得最小覆盖集,从而减低节点的能耗,提高网络的生命周期。通过实验研究了传感器数量和目标数量对网络寿命的影响,并将该方案与基于贪婪算法、遗传算法的方案进行比较,结果表明,该方案能够获得更多的覆盖集和更长的网络寿命。

基于学习自动机的异构有向传感器节点调度算法

现有有向传感器网络调度算法多数只面向同构传感器节点,而未考虑节点异构性对算法性能的影响。为此,提出一种基于学习自动机的异构有向节点调度算法。将节点调度问题转化为集合覆盖问题后,利用学习自动机的特性自适应地更新所选取感知方向的概率,从而构建多个满足条件的节点覆盖集合。仿真结果表明,与贪婪算法相比,该算法能有效减少能量消耗并延长网络寿命。

基于学习自动机与萤火虫算法的链路预测

为了探索便携交换网络的演化规律,研究其网络行为预测中的链路预测问题。便携交换网络具有节点移动性、节点间间歇性连接、高延迟等特点,其链路预测面临的挑战是节点相遇的机会性和拓扑的时变性,获得其高质量链路预测的关键是如何较全面地获取节点的属性。作者提出基于学习自动机和萤火虫算法的链路预测方法(link prediction approach for pocket switched network based on firefly algorithm,FA-LP)。采用学习自动机对节点进行自适应聚类,完成网络的社区划分;定义社区属性影响系数和移动行为影响系数,构建反映便携交换网络社区属性、节点移动性和节点间间歇性连接的相似性指标;将该指标与CN、RA、AA等指标融合,得到便携交换网络的相似性指标向量;借助差分整合移动平均自回归模型的时间序列分析能力,提取相似性指标向量序列的演化规律;采用萤火虫算法优化所构建的二分类器,预测节点对下一时刻的连接状态。INFOCOM2006和MIT两个真实数据下的实验结果表明,与受限玻尔兹曼机、弱评估器等方法相比,FA-LP具有更高的准确率和更好的稳定性。

WSN中基于学习自动机的簇头选举算法

为均衡无线传感器网络节点能耗和网络负载,提出了一种基于学习自动机的簇头选举算法。该算法考虑节点的能量消耗及其与邻居节点的状态信息,在选举簇头时,通过把节点的剩余能量与平均能量相比较以及把节点的相互距离与平均距离比较,来更新学习自动机选择动作概率,以提高有利节点选举为簇头的概率。仿真结果表明,该算法在簇头的分布上更加合理,同时也减少了网络的能量消耗,延长了网络生存期。

认知无线mesh网络中基于协作学习自动机的自适应信道分配算法

在认知无线mesh网络多信道环境中处理繁重的数据业务是一项具有挑战性的任务。为了解决这个问题,提出了一种新的基于协作学习自动机(learning automata,LA)的自适应信道分配算法(CLACAA)。在所提出的算法中,LA被部署在邻近的互相协作的次用户上。为了LA能自适应地更新其动作概率向量,设计了一种线性奖赏无为方案;定义了一种新的信道利用率因子用于信道选择,以解决信道冲突发生的问题;给出了当信道由于大量输入请求而过载时的信道切换方案。实验仿真结果表明,该算法在提升网络吞吐量和数据传输率、降低切换时延和缓冲时延上有明显的优势。

WSN中利用广义学习自动机和休眠机制的部分覆盖方法

为了解决无线传感器网络(WSN)部分覆盖中的能耗问题,提出一种基于广义学习自动机(GLA)和休眠机制的部分覆盖方法。首先,将WSN网络构建成一个连通图模型。然后,通过GLA算法从中选择一定数量的节点构成主干网络。最后,检查主干网络是否满足部分覆盖要求,并根据各节点的覆盖性能来选择合适的休眠节点进行激活,从而以最少数量的节点来满足覆盖要求,并保持节点之间的连通性。仿真结果表明:该方法能选择传感器节点来满足覆盖条件,减少了工作节点数量,提升了WSN的寿命。

基于学习自动机的移动机器人导航行为协调控制

针对移动机器人导航控制中的行为协调问题,提出了一种学习速率可控的学习自动机。该方法将机器人与障碍物之间的接触时间变化作为奖惩信号,通过主动控制机器人线速度来调节学习决策时间,根据环境动态特性调整行为动机,并通过学习决策时间和行为动机控制共同控制学习速率,保证机器人在学习决策时间内完成导航行为的协调执行。仿真证实提出的学习自动机应用于移动机器人导航控制是可行的,与动力学分岔控制方法对比,在未知动态环境中进行导航行为协调控制,提出方法的安全性更高。

基于学习自动机阵列的模糊规则学习方法

研究在线学习模糊控制规则的方法．建立基于多维学习自动机阵列的模糊控制器模型,提出在学习自动机阵列中按照贡献分配奖励的学习算法．在没有任何预置知识和规则的前提下,该控制器能通过与被控对象的交互动作建立自身的规则库．对机械手自学习视觉伺服控制的仿真结果验证了该方法的有效性．

学习自动机建立虚拟退避算法的VANET服务质量改进

针对车辆自组织网络(VANET)中由于相邻车辆会造成信号失真导致节点的高度移动性影响传输可靠性的问题,提出一种基于学习自动机建立虚拟退避算法的VANET介质访问算法。首先,借助于计数器共享的虚拟退避算法为每个节点分配一个计数器;然后,利用学习自动机确定指定节点序列号的最佳值;最后,使用RTS/CTS机制来奖惩每个节点以实现VBA介质访问。使用NS-2和MOVE进行的仿真实验验证了所提算法的有效性及可靠性,仿真结果表明,所提算法不仅改善了介质访问性能,而且节能效果明显,执行效果明显优于DCF和VBA等传统方案。