1) fish-swarm optimization
鱼群优化
1.
Wireless sensor network deployment based on fish-swarm optimization algorithm
基于鱼群优化算法的无线传感器网络部署
3) ant colony optimization
蚁群优化
1.
Routing-planning of city logistics distribution based on higher-lower level ant colony optimization algorithm;
基于双层蚁群优化算法的城市物流配送路径规划
2.
Recent progress of ant colony optimization and its applications;
蚁群优化的研究进展及应用
3.
Study of continuous ant colony optimization algorithm;
连续蚁群优化算法的研究
4) ?optimized multi facet drill
优化群钻
5) ACO
蚁群优化
1.
ACO Scheduling Approach for Manufacturing Cells Based on Flexible ProcessLeng Sheng,Wei Xiaobin,Wang Ningsheng;
柔性工艺路线蚁群优化单元作业调度
2.
A New Algorithm Based ACO for Routing Problem in Application-Layer Multicast Network;
基于蚁群优化的应用层多播路由算法
3.
The parallelism of ant col-ony optimization(ACO) is feasible in UCAV path planning under complicated combat environments,but the basic ACO algorithm has the limitation of stagnation,and is easy to fall into local optimum trouble.
蚁群优化(ACO)算法的并行实现机制适合于复杂作战环境下的UCAV航路规划,但是基本ACO算法有易陷于局部最优解的缺点。
6) ant colony optimization(ACO)
蚁群优化
1.
In order to obtain an optimal performance,ant colony optimization(ACO) method was used to optimize the parameter of the controller.
针对使用传统PID参数整定方法难以获得最优性能的问题,介绍了一种基于内模控制的PID控制器设计方法,使用蚁群优化方法对其中的参数进行优化,使系统达到某一最优性能指标。
2.
The proposed algorithm is based on ant colony optimization(ACO) to allocate valuable resources(i.
对此该文在CDMA2000下行链路MAC层进行了探讨,提出了一种基于蚁群优化算法的方案,对突发的高速数据请求分配系统资源(即:信道)。
3.
Aiming at the characteristics of dynamic Bayesian transition networks, this paper proposes a structure learning algorithm based on Ant Colony Optimization(ACO) named ACO-DBN-2S by extending the static Bayesian networks structure leaning algorithm I-ACO-B.
针对动态贝叶斯转移网络的特点,以I-ACO-B为基础,提出基于蚁群优化的分步构建转移网络的结构学习算法ACO-DBN-2S。
补充资料：计算算法的最优化
计算算法的最优化
ptimization of computational algorifans
计算算法的最优化【。洲咧匕6阅ofc咖例。柱.目习子时-d，”6;onT一Mo3a双，Ra，一eju.Teju.II.叱a几r0P盆n陇o，1 在求解应用问题或精心设计标准程序系统时最优计算算法(comPutatio几al algorithm)的选择.当解决一个具体间题时，最优策略可能不会使解法最优化，可是为优化一个标准程序或应用最简单的解法编制程序则是很直截了当的. 计算算法的最优化问题的理论提法是基于下述原则.当选择一种方法来求解一个问题时，研究人员关心的是某些特性，而且根据这些特性来选择算法，同时这个算法也能用来解决具有这些特性的其他问题.据此，在算法的理论研究中，人们引人了具有特殊性质的一类问题尸.当选择一种解法时，研究人员有一组解法M可供选用.当选用一种方法m来求解一个问题p时，得到的解会有一定的误差e(p，m).称量 E(P，m)=sllp}。(p，m)I P‘P为在这类问题P中方法m的误差(en刀r of the nrth-od)，同时，称量 E(p，M)一惑E(p，m)为M中方法在尸中误差的最优估计(。Ptimal estirnateof the error).如果存在一种方法，使得 E(P，m。)=E(P，M)，那么称这个方法为最优的(optirnal).研究计算算法最优化问题的一个方案可以追溯到A .H .KQJLMoropoB(【2」)，所考虑的是计算积分 1 ‘(f)一Jf(x)dx 0问题的集合，给定的条件是}f(时}成A，其中M是所有可能求积 N ‘(f)澎，万:C，f(x，)的集合·每一种求积由总数为ZN的cj和礼确定.由具有所需精度的某函数类重新生成一个函数所需要的最小信息量(见【2]，「31)也可以包含在这个方案中.这个问题的一个更详细的阐述可查阅【4]，它指出在特定意义下实现算法的工作量与应用的存储量同样大.最优算法仅对极少数类型问题存在(汇1」)，然而，对大量计算问题，已经建立了就其渐近特性而言几乎是最优的方法(见汇5]一【8」). 对某类问题最优的计算算法特性的研究工作(见15]，【71)包含两部分:建立其特性尽可能好的具体解法，和根据计算算法的特性得出估计量(见【2]一【4]，【9】).实质上，问题的第一部分是数值方法理论的一个基本问题，而且在大多数情况下它是与最优化问题无关的研究工作.下面得到的估计通常归结为对￡摘(。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条