一种结合贪婪因子求解0-1背包问题的分布估计算法

针对0-1背包问题,在分布估计算法的基础上提出了一种结合传统贪婪方法的新算法。通过计算物品的重量价值比后获得物品的贪婪因子值,并将贪婪因子融入基本的分布估计算法之中,在保证收敛速度的基础上进一步平衡了个体间的竞争,相较对比算法而言取得了更好的优化结果。

基于深度强化学习的任务分析方法

针对任务分析中任务协同交互耦合度高、影响因素繁多等问题,提出了基于序列解耦与深度强化学习的任务分析方法,实现了复杂约束条件下的任务分解及任务序列重构。设计了基于任务信息交互的深度强化学习环境,基于目标网络与评估网络损失函数间的差值改进SumTree算法,实现任务间的优先级评估;将激活函数运行机制引入深度强化学习网络,提取任务特征,提出贪婪激活因子,优化深度神经网络参数,确定智能体最优状态,从而进行智能体状态转换。通过经验回放生成多目标任务执行序列图。仿真实验结果表明,该方法能生成最佳调度下的可执行任务图;且相对于静态情景,该方法对动态情景有较好的自适应性,在领域任务筹划中具有良好的推广应用前景。

PMC模型下的一个贪婪诊断算法

提出了一种PMC模型下基于矩阵运算的贪婪诊断算法——MGFD算法。算法结合作者曾经提出的"绝对故障基"思想,首先剔除绝对故障基,得到一个维度减小的矩阵,之后根据该矩阵求得集团。在文献[10]提出的四个贪婪诊断算法的基础上,提出集团的内贪婪因子、外贪婪因子、综合贪婪因子等概念,设计了新的贪婪准则。论证了MGFD算法的正确性,并对算法进行了实验仿真。实验结果表明,MGFD算法相比文献[10]提出的贪婪诊断算法,具有较高的诊断正确率。

认知无线传感网中一种高能效的频谱感知周期优化算法

为了提高认知无线传感网中节点的频谱感知能效,提出了一种高效的频谱感知周期优化算法。该方法通过引入贪婪因子来减少节点感知信道的次数,进而达到降低感知能耗的目的。在碰撞概率和等待时延的约束下,节点在与信道的交互过程中实现对感知周期的动态修正,达到了对信道状态的自适应高效感知。仿真结果表明,在不同的信道占用状态条件下,该算法相比固定感知周期的方法,有效地提高了感知能效,适于在认知无线传感网中实施。

一种改进灰狼优化算法研究及应用

针对灰狼算法易陷入局部最优、收敛精度不高、收敛速度慢等缺点,提出一种改进的灰狼算法.引入莱维飞行,扩大搜索范围,增强全局搜索能力,避免陷入局部最优;引入贪婪原理,提升种群优良性以提高算法收敛精度;引入自适应收敛因子,加快收敛速度;引入动态权重策略,制约全局搜索与局部搜索的相互影响.将改进算法与其他四种算法作对比,实验表明,改进算法在收敛速度与收敛精度上都有更好的性能.最后,应用于图像多阈值分割中,采用GWO-Otsu法可以克服传统Otsu法在多阈值分割时计算量大,实时性差的特点,不但能够取得最优解,且明显缩减计算时间.