基于Ant-Tree聚类算法的图像分割

图像分割可以看作对具有不同特征的像素进行聚类的过程。综合考虑像素的灰度、梯度及邻域等特征,将Ant-Tree聚类算法引入图像分割中。针对Ant-Tree算法的聚类结果信息冗余的缺点,采用了一种改进的树结构模型来提高聚类速度。此外,还提出了一种新的初始化方法,结合K-means算法动态修正聚类中心,提高了聚类准确度和算法的鲁棒性。实验结果证明改进的Ant-Tree算法可以快速准确地分割出目标,是一种非常有效的图像分割方法。

基于Ant-Tree算法的短文本聚类研究

短文本由于词频过低,使用常规的聚类算法如K-means效果不理想,难得到可接受的准确度。而最近结合使用生物启发及聚类内部有效性测量改进的方法,能够有效改善短文本的聚类效果。针对短文本聚类,提出了改进Ant-Tree的算法。该算法引入了轮廓系数作为内部效度测量,对K-means算法获得的初始聚类划分计算轮廓系数值,根据各聚簇样本值大小排序,将排序结果应用于Ant-Tree算法的初始化步骤中,使Ant-Tree算法性能得到提高。实验结果表明,该算法准确度超过了其它的算法。

面向人员岸滩行进的三维路径规划算法研究

针对当前无法为人员岸滩行进提供科学合理的路径规划这一问题,论文基于蚁群算法提出了面向岸滩行进的最优路径规划算法。首先对基本的蚁群算法进行了改良,包括路径搜索方式、信息素更新策略和启发函数的合理设计等,改善了算法的收敛效率;然后定量结合多类岸滩场路径规划影响因子,构建了满足岸滩行进的代价函数;最终实现了面向岸滩行进的算法构建。该算法可为实现复杂地形条件下岸滩行进的最优路径解算和基于蚁群算法的相关三维路径规划分析研究提供参考借鉴。

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree,RRT*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。

基于改进的FP-tree的频繁模式挖掘算法

FP-growth算法是一种基于FP-tree数据结构的高效的频繁模式挖掘算法,它不产生候选集。构造频繁模式树FP-tree需扫描数据库两次,在第二遍扫描中还扫描了那些仅包含了非频繁项的事务,针对此问题,在深入分析了FP-tree特性的基础上,改进了FP-tree构造过程,同时用一种基于Hash表的辅助存储结构,节省了项目查找时间,提高了挖掘效率。

一种改进的ZigBee网络Cluster-Tree路由算法

针对ZigBee网络Cluster-Tree算法只按父子关系选择路由可能会带来额外路由开销的问题,提出一种改进的Cluster-Tree路由算法。首先介绍ZigBee网络的地址分配机制,分析Cluster-Tree路由算法,并在此基础上引入邻居表提出改进算法。该算法的基本思想:如果选择邻居节点的路由开销与原算法相比更小,则会选择邻居节点作为下一跳。仿真结果表明,该算法可以减少约30%的路由开销。

基于FP-tree算法的推荐系统设计与实现

当前是信息爆炸的时代,推荐系统已成为解决当前网络信息超载的有效工具。文章针对网上书店的电子商务网站的销售特点,详细地设计了推荐系统,并利用挖掘技术中的FP-tree关联规则算法实现数据挖掘运算,很好的实现了在线推荐的系统功能。

Ant-Q算法在矩形件优化排料中的应用

矩形件优化排料问题是一类具有NP完全难度的组合优化问题,该优化问题可用与或树描述,即把矩形件优化排料问题变换为寻找一棵面积比率最大的二叉树问题.使用Ant-Q算法能够有效实现这种树搜索,从而求得矩形件优化排料问题的优化解.

Binary Tree Petersen网络性质及算法研究

基于Petersen图，提出了Binary Tree Petersen的网络结构，并对其特性进行了研究，证明了Binary Tree Petersen网络具有正则性以及良好的可扩展性，同时还具有比RP（k）、2-DToms更短的直径和良好的并行能力．另外，还基于Binary Tree Petersen网络分别给出了其上的单播和广播路由算法，证明了通信效率都为2j＋4．

ball tree优化的自动驾驶仿真测试场景生成方法

基于场景的仿真测试方法可以有效加速自动驾驶汽车的测试进程,但是传统的采样方法面对高维度采样空间时无法维持高效性,提出了一种ball tree优化的仿真测试场景采样方法,并基于Carla模拟器构建了仿真测试场景自动化生成框架验证算法的有效性。分别使用随机采样方法、基于KD tree结构的最近邻采样方法与基于ball tree结构的最近邻采样方法进行场景参数采样,并生成不同天气要素下的仿真测试场景进行验证。最后将仿真过程与人工方法进行对比。结果表明,提出方法相对于人工方法具有11.38倍场景制作速度的提升,且相对于KD tree结构的采样方法的场景生成速度提升了27.97%。

FP—tree关联规则算法在推荐系统中的应用

近几年，由于电子商务迅猛发展，推荐系统逐渐成为了最热门的竞争手段。目前，推荐系统主要包括三个方面的推荐：热卖产品推荐、新产品上市推荐和相关产品推荐等。文章关注相关产品推荐，也就利用数据挖掘技术在大量的历史销售记录数据中进行挖掘，找出隐藏在不同的商品之间的相关信息，用动态网页的形式向用户推荐。文章采用FP—tree关联规则算法实现对客户信息的数据挖掘，并将其应用在推荐系统中。

ZigBee网络Cluster-Tree优化路由算法研究

通过分析ZigBee协议中Cluster-Tree和AODVjr算法的优缺点,提出一种基于Cluster-Tree+AODVjr的优化路由算法。该算法利用ZigBee协议中的邻居表,通过定义分区来确定目的节点的范围,从而控制广播RREQ分组的跳数,防止无效的RREQ泛洪。此优化算法能够有效地减小路由跳数,缩短传输时延,减少网络中死亡节点的数量,提高数据传送的成功率。

一种针对频率分配问题的改进ANTS算法

频率分配问题是近年来通信领域研究的热点。针对FAP问题提出了一种结合模拟退火算法的改进ANTS算法。运用模拟退火算法产生次优解,利用次优解分配初始信息素,并利用ANTS算法来寻求最佳方案。在ANTS算法的每个蚂蚁寻找局部最优过程中,为了加快运算速度,对局部寻优过程进行了改进。实验结果表明,在解质量相当的情况下,该算法能够大大地加快收敛速度,特别是针对一些较复杂的分配情况,效果明显。

一个调度Out-Tree任务图的启发式算法

任务调度问题是并行分布式计算中的挑战性问题之一。大多数实际的调度算法是启发式的因而常常具有改进的余地。针对Out-Tree任务图这一基本结构提出一个基于任务复制的启发式调度算法,该算法在确保最短调度长度的同时,注重处理器的负载平衡,以达到节约处理器的目的。比较性实验的结果表明,该算法确保了最短调度长度且使用的处理器最少。因而,该算法提高了系统的利用率,避免消耗过多的资源,实际应用性更好。

基于蚁群的环境分区目标偏置RRT算法路径规划

利用快速扩展随机树算法(Rapidly-exploring random tree,RRT)进行路径规划时,在狭窄复杂区域与空旷障碍区域融合环境下,存在随机性大、搜索时间长、路径曲折等问题。为此,提出了一种基于蚁群的环境分区目标偏置RRT算法。首先,采用分环境的随机概率采样并结合人工势场的目标偏向扩展策略,以提高算法收敛速度,增强算法搜索能力。其次,为解决规划路径曲折且冗余点多的问题,提出改进蚁群寻优路径,并结合跳点筛选策略及三次B样条以消除冗余点平滑最终路径。最后,改进后的算法与A*算法、目标偏向RRT算法进行了对比分析。仿真结果表明:改进后的算法节点耗费量降低了54.8%,时间平均缩短了75.88%,从而验证了算法的有效性。

基于PIN LRU算法的路网最短路径研究

在陕西省交通地理信息系统数据存储与导航的实际应用中,由于路网数据量庞大,直接利用最短路径算法计算会出现内存溢出,导致无法完成计算。针对此问题,本文提出利用R Tree与最近最少使用(Least Recently Used,LRU)算法缓存优化管理相结合的锁定最近最少使用(Pin Least Recently Used,PIN LRU)算法对实际路网进行最短路径计算。与LRU、基于四叉树的空间数据缓存策略模型(Spatial Least Recently Frequently Used,SLRFU)算法相比,该算法在10个途经点路径检索时的耗时为5000 ms,SLRFU算法耗时为30000 ms,LRU算法耗时为75000 ms。试验测试证明,该算法检索响应高效,可解决计算实际数据过程中因内存溢出而导致系统崩溃的问题。

基于蚁群算法的低照光谱图像场景分类仿真

目前的低照光谱图像场景分类方法未对原始光谱图像进行预处理,获取的光谱图像分类结果存在准确率低、召回率低、F1值低等问题。基于蚁群算法的低照光谱图像场景分类方法利用K-AP算法对原始光谱图像去噪,通过元灰度斜率公式和L1范数优化模型修复光谱图像环线并消除图像垂直条纹。优化后的光谱图像输入蚁群算法中提取特征,输出光谱图像特征分类矩阵,实现低照光谱图像场景的分类。仿真实验结果表明,所提方法的图像分类结果具有较高的准确率,且召回率和F1指标也较高。

数据流历史数据的存储与聚集查询处理算法

目前数据流的研究成果主要集中在分析处理存储于内存中的最近一段时间内的数据流数据,忽略了对数据流历史数据的分析处理与存储管理.提出了一种数据流历史数据的存储管理及聚集查询处理方法,通过对历史数据实施多层递阶抽样存储,并在内存中建立存储数据流历史数据聚集值的HDS-Tree索引,实现对无限数据流历史数据的存储管理,有效地支持各种聚集查询.同时,还给出了基于HDS-Tree的聚集查询算法的时间复杂性分析和查询误差分析.理论分析与实验结果表明,该方法可以有效地用于数据流历史数据的存储与分析.目前数据流的研究成果主要集中在分析处理存储于内存中的最近一段时间内的数据流数据,忽略了对数据流历史数据的分析处理与存储管理.提出了一种数据流历史数据的存储管理及聚集查询处理方法,通过对历史数据实施多层递阶抽样存储,并在内存中建立存储数据流历史数据聚集值的HDS-Tree索引,实现对无限数据流历史数据的存储管理,有效地支持各种聚集查询.同时,还给出了基于HDS-Tree的聚集查询算法的时间复杂性分析和查询误差分析.理论分析与实验结果表明,该方法可以有效地用于数据流历史数据的存储与分析.

一种基于划分的孤立点检测算法

孤立点是不具备数据一般特性的数据对象.划分的方法是通过将数据集中的数据点分布的空间划分为不相交的超矩形单元集合,匹配数据对象到单元中,然后通过各个单元的统计信息来发现孤立点.由于大多真实数据集具有较大偏斜,因此划分后会产生影响算法性能的大量空单元.由此,提出了一种新的索引结构——CD-Tree(celldimensiontree),用于索引非空单元.为了优化CD-Tree结构和指导对数据的划分,提出了基于划分的数据偏斜度(skewofdata,简称SOD)概念.基于CD-Tree与SOD,设计了新的孤立点检测算法.实验结果表明,该算法与基于单元的算法相比,在效率及有效处理的维数方面均有显著提高.

一种优化的基于网格的聚类算法

聚类是数据挖掘领域中一个重要的研究课题.与其它算法相比,基于网格的聚类算法可以高效处理低维的海量数据.然而,由于划分的单元数与数据的维数呈指数增长,因此对于维数较高的数据集,生成的单元数过多,导致算法的效率较低.本文基于CD-Tree设计了新的基于网格的聚类算法,该算法的效率远高于传统的基于网格聚类算法的效率.此外,本文设计了一种剪枝优化策略,以提高算法的效率.实验表明,与传统的聚类算法相比,基于CD-Tree的聚类算法在数据集的大小及维度的可伸缩性方面均有显著提高.