自适应选择gossiping概率的多跳网络数据广播

移动Ad Hoc无线网络节点在广播报文信息时占用大量的网络资源,且广播信息的能量开销较大。为了解决这些问题,提出一种基于自适应选择gossiping概率的多跳网络数据广播协议。该协议首先基于网络节点密度分布情况及节点平均邻居数量来定义gossiping概率,减少广播信息的开销,再为自适应gossiping概率加入选择能力,从候选邻居节点中排除会带来传输中断情况的节点,避免能量损失。实验仿真结果表明,该协议相比较gossiping路由协议、传输感知的机会Ad Hoc路由协议和轻量级的移动Ad Hoc网络主动源路由协议,网络总能耗分别减少了32.5%、14.6%和2.1%,并且在降低数据包丢失率和减少数据包传输延迟上表现出较好的效果。

基于自适应人工蜂群算法优化的最小二乘支持向量机在变形预测中的应用

针对人工蜂群算法(ABC)机制中步长更新及概率选择方面的不足,提出了自适应人工蜂群算法(AABC).在AABC中设计了新的自适应步长更新公式及自适应概率选择公式来平衡算法的勘探和开发能力.采用AABC算法对最小二乘支持向量回归机(LSSVR)进行参数优化,进而构建出基于AABC优化的LSSVR变形预测模型并应用于滑坡变形预测.实验结果表明,AABC有效的解决了ABC过早收敛、收敛精度不高等缺点,且较对比模型来讲,AABC_LSSVR模型预测精度更高,预测趋势更符合实际.

多头绒泡菌预处理的改进Q学习算法求解最短路径问题

针对最短路径问题中Q学习算法的初始搜索空间大、后期收敛不稳定的缺陷,提出多头绒泡菌预处理的改进Q学习算法(PPA-Q)。该算法引入网络预处理过程和自适应概率选择模型,利用多头绒泡菌进行网络预处理,减少算法前期的无用探索空间,再通过改进的模拟退火算法实现自适应概率选择模型,加强算法对优质路径的探索程度,增加算法初期解的多样性,同时在算法后期稳定逼近最优路径且不振荡。仿真结果表明,PPA-Q算法收敛到最优路径成功率为100%,高于经典蚁群(ACO)算法和Q(λ)算法的80%,其迭代次数分别低于Q学习算法57.2%、ACO算法32.9%和Q(λ)算法35.1%.

类遗传算法在高校排课系统中的应用

将排课问题转换成对课程项分配教室和时间的问题,采用类似遗传算法的思想,随机产生不存在硬冲突的排课方案作为染色体,以每个课程项的排课方案作为染色体的基因,通过排课软冲突构造适应度函数,计算染色体的适应度,再对染色体进行选择、变异,直到染色体的适应度达到给定值。