基于模拟并行蚁群算法的无线传感器网络异常节点自适应定位方法

由于无线传感器网络自身节点数量庞大,导致在异常节点自适应定位过程中,定位到的异常节点个数较少的问题.针对上述问题,提出基于模拟并行蚁群算法的无线传感器网络异常节点自适应定位方法.从网络中提取出异常节点的原始数据,并对异常节点数据属性进行详细的解析,根据解析后的数据属性,利用蚁群算法的优化搜索特性,结合并行计算的思想,建立并行蚁群算法模型,模拟蚂蚁在寻找食物过程中的协作和寻优行为,运行并行蚁群算法,获取异常节点的估计坐标值,实现节点的自适应定位.实验结果表明,该方法在面对复杂网络环境和多种异常类型时能够定位到多个异常节点,增强了定位方法的鲁棒性和自适应性.

基于遗传蚁群算法的无源光通信网络重构研究

无源光通信网络的资源利用率直接关系到该网络的通信服务质量。在此背景下,为实现高质量通信,提出基于遗传蚁群算法的无源光通信网络重构方法。该研究在8条假设条件下,以资源利用率最大化为目标,在7个约束条件下,利用遗传蚁群算法求取满足目标函数的最优解,得到无源光通信网络重构方案。结果表明:设计方法应用下的无源光通信网络资源利用率较高,最高为96%,说明设计方法能以最小的资源消耗实现通信传输,具有一定的应用价值。

一种用于紫外光通信网络的改进蚁群算法

由于紫外光通信网络信道时变性强,需要对应的自适应路由来解决组网过程中出现的网络传输时延大和节点能量消耗不均衡等问题。基于蚁群优化(ACO)算法,提出了一种用于紫外光通信网络中的改进ACO算法。该算法将网络节点能量引入到ACO算法状态转移概率公式中,并通过Matlab软件仿真分析了算法在不同收发角度、发射功率和数据传输速率条件下的时延性能。仿真结果表明:与ACO算法相比,当收发仰角为50°时,所提算法的时延降低了1 s,收敛速度提升了28%,收敛路径的平均剩余能量也明显提高,有效地延长了网络的生存周期。

基于改进蚁群算法优化神经网络的焊缝成形预测研究

为了控制焊接机器人焊缝成形的质量,提出了一种基于改进蚁群算法(ACO)优化BP神经网络的焊缝成形预测模型,实现对焊缝成形尺寸的控制。首先通过Otsu优化Canny算子的方法提取焊接过程中熔池图像的数据样本,然后用BP神经网络来进行训练预测。为了优化初始权阈值,引入ACO优化BP;针对蚁群陷入局部最优的情况,引入遗传算法(GA)中的交叉变异,利用适应度值来确定选择概率的特性,从而加快迭代速度,避开蚁群初期的收敛慢问题,提升预测模型的性能。最后通过与传统BP、GA-BP和ACO-BP的预测实验对比,发现改进后的预测模型准确度高、稳定性好。

基于蚁群优化算法的计算机网络通信安全加密系统

为提升当前计算机网络通信的安全水平,本文基于“蚁群优化算法”设计一种计算机网络通信安全加密系统。本文首先简述蚁群优化算法的基础,指出计算机网络通信安全的重要性,其次引出基于蚁群优化算法的加密技术,并进行案例分析。最后通过案例分析,表明所设计的计算机网络通信安全加密系统,在平均加密时间、平均解密时间、系统吞吐量和系统加密强度方面,优于其他算法,切实提升当前计算机网络通信安全水平,十分有效,值得推广。

基于改进蚁群算法的中压配电网络规划方法研究

研究基于改进蚁群算法的中压配电网络规划方法,设计合理的中压配电网络规划方案,降低中压配电网络的费用。构建以负荷要求、潮流限制为约束条件,投资和运行费用最低为目标函数的中压配电网络规划数学模型。通过变换状态转移准则改进蚁群算法,以数学模型为基础采用改进蚁群算法规划中压配电网络方案。实验表明该方法能使中压配电网络的负荷处于合理范围内,降低投资与运行费用。

基于改进蚁群算法的无线通信网络容量感知路由优化方法

常规的无线通信网络容量感知路由发现过程一般是单结构形式,感知范围受限制,导致平均吞吐量不断下降,为此文中对基于改进蚁群算法的无线通信网络容量感知路由优化方法进行了设计与研究。根据当前的路由优化需求,先进行有效的容量预测,采用交叉处理的方式,打破感知范围的限制,设置路由交叉发现过程,构建改进蚁群测算通信网络容量感知路由优化模型,采用变异调整的方式来实现路由优化处理。最终的测试结果表明,针对导入的5组测试指令,分别调整数据流为10、12、15及20,最终测试计算出的平均吞吐量均在280 Kb·s-1以上,且随着数据流对数的增加不断提高,该无线通信网络容量感知路由处理效果显著提升,达到了预期的优化结果。

基于改进蚁群算法的5G通信网络传输系统设计与实现

在现代通信网络技术的发展中,5G通信技术由于其高速、低延迟以及大容量的特性成为关键发展方向。文章论述蚁群算法的基本原理及其在通信网络中的应用,探讨基于改进蚁群算法的5G通信网络传输系统的设计,包括系统架构设计、技术集成、系统优化以及系统评估,并通过应用测试验证所提方法的有效性和优越性。

基于改进天牛须群落的卫星光网络路由算法

针对当前卫星光网络路由算法波长利用率低,通信成功率低,导致路由效率低下的问题,提出一种改进天牛须群落的卫星光网络路由算法(BS-ACRWA)。该方法使用波长矩阵乘的形式生成与当前卫星节点相邻节点的波长冲突度,求得最大公有波长数,同时考虑时延和卫星节点负载状态构建约束优化模型,降低无效路由的次数。在路由阶段对天牛须群落算法进行改进,引入蚁群算法信息素机制,在搜索方向上充分考虑卫星之间链路有限的特性,对搜索方向进行更新,提高算法效率。仿真结果表明:与SARWA算法、CL-ACRWA算法和Dijkstra算法相比,BS-ACRWA算法将波长利用率提高了0.05、0.11、0.23,同时在平均时延、丢包率、阻塞率、路由成功率等方面具有更好的性能。

面向网络隐私数据融合的蚁群算法优化方法

针对目前方法对网络隐私数据进行融合时,由于未能在数据融合前对数据缺失值进行插补处理,导致该方法在进行数据融合时,存在网络生命周期短和网络延时高的问题,提出面向网络隐私数据融合的蚁群算法优化方法。首先对网络隐私数据缺失值进行插补处理,并标准化插补数据生成网络隐私数据特征集;再依据邻域搜索算法优化蚁群算法,根据获取特征集生成网络连通图;最后使用优化后的蚁群算法搜索连通图,获取最佳数据融合值,实现网络隐私数据的融合。实验结果表明,运用上述方法进行数据融合时,网络生命周期长,网络延时低。

基于隶属云蚁群算法的高校网络安全可靠性评估

高校网络作为高校的基础设施,在高校中担当着多重角色。高校网络发展到现在,处于服务为主要目的阶段,对其安全性、可靠性有很高的要求。为此,本文通过建设基于隶属云蚁群算法的高校网络安全可靠性评估模型,得到评估模型整体框架,从而细分评估的内容。同时本文结合已知的网络攻击检测方法,从多个角度利用云蚁群算法进行计算评估,得出高校网络安全的各项指标评估结果,为保障高校网络安全提供参考。

基于改进蚁群算法的算力灵活迁移优化算法

针对现有云计算环境下国网数据中心资源调度存在的调度效率低、能源消耗高等问题,文章提出了一种基于改进蚁群算法的算力灵活迁移优化算法。首先构建国网云数据中心的算力迁移模型,对数据中心的资源调度能耗进行建模。然后通过引入细菌觅食算法改进基本蚁群算法的信息素初始化,并重新设计了启发函数和信息素挥发因子。仿真实验结果表明,与现有模型相比,文章的算法能够求出更优的算力资源调度方案,在减小任务完成时间的同时降低了国网数据中心36.6%的能耗。

基于改进蚁群算法的拥塞规避QoS路由算法

服务质量(QoS)路由算法缺少拥塞规避机制,会影响业务QoS。为此,提出一种基于Ant-Pub&Enco的信息素模型,根据蚂蚁行进方向,利用相反的信息素引导模式以及不同的信息素更新策略进行路由搜索。基于改进蚁群算法设计一种规避拥塞算法求解QoS单播路由问题。仿真结果表明,该算法能够有效规避网络中的拥塞链路,均衡网络负载。

改进蚁群算法的超密集网络资源分配方法仿真

为实现高频段网络的高流量密度、高峰值速率性能,超密集组网是当前高速网络的关键部署架构。由于其小区域密集化特点,多元化资源的分配成为保持网络效率的关键性问题。提出基于蚁群算法优化的超密集网络资源分配方法。构建超密集网络基站资源发送和接收模型,以此为依据分析资源在超密集网络中的分布特性和传输特点;建立超密集网络资源分配目标函数,采用蚁群算法求解目标函数,完成超密集网络资源的最优分配。实验验证了上述方法获得CDF曲线与实际CDF曲线相符,资源传输成功率始终处于0.8以上,且在测试过程中始终将资源消耗比例控制在0.02以内,具有较高的频谱效率,以上实验测试结果均证明了所提方法的网络资源分配效果更好。

基于遗传-蚁群算法优化BP神经网络的医用输液泵输液误差补偿

一次性泵用输液器搭配医用输液泵进行输液时,输液精度受时间、温度和流速影响,可能会出现精度下降等不利现象。为了对输液误差进行补偿,提出一种遗传算法(genetic algorithm, GA)和蚁群算法(ant colony optimization, ACO)相结合以优化BP神经网络的方法。首先分析误差影响因素,通过多控制因素下的输液实验获得补偿前的误差数据。其次,运用GA-ACO优化BP神经网络的初始权值和阈值,建立误差补偿模型。最后将该算法和BP算法以及分别用遗传算法、蚁群算法优化BP神经网络的补偿效果进行对比。仿真结果表明,提出的算法能够有效减小输液误差。模型的平均绝对误差为0.575 7 mL、均方误差为0.533 9、均方根误差为0.730 7、平均绝对百分比误差为0.092 2%。公司产品样机实测结果表明,采用该优化算法能够提高输液精度,最大相对误差低于3.5%,验证了使用遗传-蚁群算法优化BP神经网络补偿泵用输液器输液误差的有效性,具有一定的实际应用价值。

基于贪婪蚁群算法的飞行自组网路由策略方法

路由策略是飞行自组织网络(Flying Ad-hoc Network,FANET)中建立数据传输路由的重要操作.传统的路由策略无法满足FANET低延迟和稳定的通信需求.本文提出一种基于贪婪蚁群算法(Greedy Ant Colony Optimization,GACO)的路由策略,GACO基于蚁群算法的寻优选择策略,结合利用位置信息限制蚂蚁搜索方向的贪婪算法,以加速蚁群算法收敛速度,从而提高FANET的通信效率.实验结果表明:GACO算法比传统AODV、DSR有着更低端到端延迟、更高的数据包交付率的优势.

混合遗传蚁群算法优化BP神经网络预测空气质量

为了进一步提高空气质量指数预测精度,提出一种混合遗传蚁群算法优化BP神经网络的方式对空气质量指数进行预测.首先初始化蚁群算法的信息素分布,对不满足适应度条件的进行遗传算法的交叉、变异操作,进而计算蚁群的状态转移概率和信息素浓度,当适应度值满足条件要求时,将寻优结果作为BP神经网络的最优权值和阈值,来改善单一BP神经网络的不足.最后通过运用西安市的空气质量指数日历史数据进行验证,实验表明,本文所提模型的各个评价指标相对其他对比模型误差更小,在预测精度方面具有更高的说服力,因此能够有效地预测空气质量指数.

基于蚁群算法优化反向传播神经网络的软件质量预测

针对基于反向传播神经网络(BPNN)的软件质量预测模型存在收敛慢、模型精度不高的问题,提出一种基于蚁群算法优化BPNN的软件质量预测(SQP-ACO-BPNN)方法。首先,选择软件质量评价指标,确立软件质量评价体系;其次,采用BPNN构建初始软件质量预测模型,并利用蚁群优化(ACO)算法确定若干网络结构、网络初始连接权值和阈值;再次,给出网络结构评价函数,选择神经网络模型的最佳结构、网络初始连接权值和阈值;最后,通过BP算法训练该网络,得到最终的软件质量预测模型。在机载嵌入式软件质量预测数据上的实验结果表明,优化后的BPNN模型有效提高了预测的准确率、精确率、召回率和F1值,并且模型能够更快收敛,验证了SQP-ACO-BPNN方法的有效性。

无线传感器网络中基于蚁群算法的能量空洞规避策略

无线传感器网络(WSN)具有特殊的能量空洞(Energy Hole)现象,蚁群算法的随机自适应性使其很适合应用于无线传感器网络环境,所以在缓解能量空洞有效性分析的基础上,提出了一种基于蚁群算法的局部区域能量空洞规避策略,通过蚁群算法的自适应性实现了无线传感器网络运行过程中能量空洞规避,搜索出一条最优路径。仿真实验表明,该算法能够有效地延长网络的生命周期。

基于改进蚁群算法的电力信息网络设备智能巡检机器人路径规划方法

巡检机器人在行驶时经常会与障碍物相撞,为避免出现此类错误,基于改进蚁群算法设计电力信息网络设备智能巡检机器人的路径规划方法。建立蚁群信息素初始化结构,获取目标区域的运动矩阵,设置智能巡检机器人的运动学约束条件,基于改进蚁群算法构造机器人路径规划估价函数。通过对计算巡检机器人的巡检完成度,设计智能巡检机器人路径规划算法。实验结果显示,该路径规划方法可以完整准确地规划无障碍物的路径以及有障碍物的路径,同时对必经路线上的障碍物进行反馈。对比不同光线条件下的路径规划效果可知,光线越充足,路径规划算法的迭代次数越少,避障准确率越高。