导读:本文包含了混合群论文开题报告文献综述及选题提纲参考文献，主要关键词:混合签密,异构,安全性分析,效率分析
混合群论文文献综述
张玉磊,刘祥震,郎晓丽,张永洁,王彩芬[1]（2019）在《一种异构混合群组签密方案的安全性分析与改进》一文中研究指出异构混合群组签密不仅能够解决不同密码体制下数据传输的机密性和不可伪造性,而且还能对任意长度的数据进行加密。该文首先分析了一种异构密码体制下混合群组签密方案的安全性,指出该方案不满足正确性、机密性和不可伪造性。并提出了一种新的高效异构混合群组签密方案。其次在随机预言机模型下证明了该方案是安全的。最后效率分析表明,该方案在实现原方案所有的功能的基础上同时降低了计算代价。(本文来源于《电子与信息学报》期刊2019年11期）
王改云,王磊杨,路皓翔[2]（2019）在《基于混合群智能算法优化的RSSI质心定位算法》一文中研究指出传感器节点的自身定位是无线传感器网络中最为关键的技术之一。针对无线传感器网络的定位问题,提出了粒子群结合模拟退火算法优化(Particle Swarm Optimization and Simulated Annealing algorithm,PSO-SA)的RSSI测距模型质心定位算法。该方法首先利用RSSI测距模型计算出传感器网络中节点间的距离,然后选取距离未知节点最近的3个参考节点和已被定位的节点建立以未知节点坐标为参数的数学模型,在求解的过程中采用粒子群结合模拟退火算法进行优化。为了评估所提方法的性能,以传统的质心定位算法、基于RSSI的加权质心定位算法和基于粒子群算法优化的RSSI质心定位算法为对比进行实验。结果表明,较其他3种算法,基于PSO-SA的RSSI质心定位算法具有较高的定位精度、较强的泛化性能。(本文来源于《计算机科学》期刊2019年09期）
高学伟,付忠广,谢鲁冰,王圣毫,王树成[3]（2019）在《基于混合群智能算法优化的NO_X排放KELM模型设计》一文中研究指出燃煤电站脱硝系统在变负荷工况下具有非线性、大滞后的特性,传统的控制方式很难保证喷氨量的精确控制。随着燃煤发电厂超低排放标准的实施,有必要对脱硝系统进行运行优化。通过挖掘海量脱硝系统的历史运行数据,提出一种基于混合群智能算法优化的核极限学习机NO_X排放动态预测模型。首先,对选择性催化还原(SCR)脱硝反应系统进行理论分析和实际运行研究,研究了采用核函数代替极限学习机中隐含层节点的显式映射的方法,从而无需事先给定隐含层节点数。然后,采用混合蚁群和粒子群优化的混合智能算法,对核极限学习机的学习参数进行优化。最后,以某电站锅炉脱硝系统为例,利用提出的方法进行验证,得到较高的建模精度。该研究为下一步脱硝系统控制优化打下良好基础。(本文来源于《自动化仪表》期刊2019年08期）
刘钊[4]（2019）在《湖南南山白云湖国家湿地公园鸟类群落多样性及混合群研究》一文中研究指出湿地是陆地系统和水域系统之间的过渡性地带,有着丰富的物种多样性,但.也是受到人类破坏最严重的生态系统。2017年11月至2018年10月,我们对位于城步苗族自治县的白云湖国家湿地公园鸟类进行为期1年的研究,对鸟类种类、数量、鸟类群落多样性以及鸟类混合群进行调查研究。主要研究结果如下:(1)本次调查共记录到鸟类12566只,隶属于15目42科144种,其中留鸟87种,夏候鸟34种,冬候鸟12种,旅鸟11种。东洋界鸟类76种、古北界鸟种21种、广布种47种。国家二级保护鸟类19种,被列入《中国濒危红皮书》的鸟类6种,《濒危野生动植物国际贸易公约》指定保护物种20种。(2)通过计算G-F指数并与其他4个保护区比较,发现白云湖国家湿地公园鸟类物种多样性高于邻近的梵净山自然保护区。用Shannon-Wiener多样性指数、Pielou均匀度指数、Simpson优势度指数、Margalef丰富度指数分析各个季节及4种生境的生物多样性。在四个季节中,秋季的鸟类多样性指数、丰富度指数都为最高。在阔叶林、针阔叶混交林、湿地、农田这四种生境中,湿地生境的鸟类多样性指数最高,针阔叶混交林的鸟类丰富度指数最高。用Sorenson相似性系数分析4种生境中鸟类群落的相似性,显示针阔叶混交林与阔叶林的鸟类群落相似性最高。(3)针对的鸟类混合群调查本次共记录到169个混合群,参与混合群的鸟类共5689只,隶属于2目15科44种。其中鹳形目鹭科3种,其余41种均为雀形目鸟类。混合群平均种数3.53种/群,平均只数30.81只/群。灰眶雀鹛Alcippe davidi、红耳鹎Pycnonotus jocosus、大山雀Parus major为该地区鸟类混合群核心种,白头鹎Pycnonotus sinensis、领雀嘴鹎Spizixos semitorques、红头长尾山雀Aegithalos concinnus等为该地区鸟类混合群跟随种。鸟类混合群的核心种和跟随种可以维持整合混合群的凝聚性和稳定性。(4)在4种生境中混合群的结构组成不相同,针阔叶混交林所记录到的混合群数量、参与混合群的鸟类种数、混合群平均种数均为最多。人为影响较大,植被类型单一的农田生境记录到的鸟类混合群的平均种数与平均只数均为最少。(5)根据混合群鸟类的取食行为,划分为4个取食集团,即地面及灌丛食集团、中层取食集团、中上层取食集团及林冠层取食集团。计算取食行为的综合生态位宽度对比后发现作为核心种的灰眶雀鹛、大山雀、红耳鹎的综合生态位宽度较大,计算核心种与其余种的生态位重迭值对比后发现,虽然核心种与某些跟随种的生态位重迭值较大,但还可以稳定共存。这从侧面也说明了白云湖国家湿地公园整体的生态状况良好,可以为鸟类提供充足的食物资源。(本文来源于《湖南师范大学》期刊2019-06-01）
孙君,钟茂林,孙晓凡[5]（2019）在《混合群决策模型在绿色供应链管理能力评价中的应用》一文中研究指出绿色供应链管理(GSCM)是组织管理中的战略问题,也是新经济发展的关键问题和难问题。GSCM评价决策是推进GSCM战略的手段之一。运用AHP、灰关联、叁角模糊等工具建立混合群决策模型(HGDMM),综合主客观思想确定决策矩阵、指标权重和专家权重;将建立的HGDMM用于抽样的中国本土汽车制造商的绿色供应链管理能力评估;最后将该法与VIKOR法作对比分析。结果表明:构建的HGDMM弱化了主观随意性和客观刚性,且易于管理者掌握应用,为绿色供应链管理能力评估提供了评价方法参考。(本文来源于《机械设计与研究》期刊2019年02期）
庄星,韩飞[6]（2019）在《基于混合群智能算法优化BP神经网络的粮食产量预测》一文中研究指出针对前馈神经网络预测粮食产量的方法易陷入局部最优的问题,提出一种基于粒子群算法和人工蜂群算法的改进BP神经网络模型.利用粒子群优化算法和人工蜂群算法在全局搜索能力上的不同优势,结合两者对BP神经网络的权值和阈值进一步优化,以提升粮食产量预测模型的准确性与鲁棒性.给出基于粒子群和人工蜂群混合的ABPSO算法的具体实现,并选择1979年至2012年我国粮食的产量及影响其产量的8项因素作为数据集进行试验.结果表明:改进的BP神经网络能够较好地预测国内近几年的粮食产量变化趋势;相比未优化的BP模型,新算法预测误差平均值由847 780 t降低至240 320 t,误差范围由1 894 200 t降低至586 800 t.(本文来源于《江苏大学学报(自然科学版)》期刊2019年02期）
李阿楠,鲁斌,王强[7]（2019）在《混合群智能算法在高光谱图像波段选择中的应用》一文中研究指出针对人工鱼群算法全局收敛能力差、蚁群算法容易陷入局部最优的问题,提出一种优化的混合智能算法,将人工鱼群-蚁群算法相融合对高光谱图像进行波段选择。首先通过人工鱼的编码对人工鱼群算法进行改进,选择出若干组较优的初始解,然后用初始解初始化蚁群算法的信息素参数,最后利用蚁群算法搜索得到最优解。实验结果分析表明,利用混合算法所选的波段组合进行分类具有较高的分类精度和效率。研究表明混合优化算法是一种高效地波段选择算法。(本文来源于《电脑知识与技术》期刊2019年02期）
牛淑芬,杨喜艳,王彩芬,田苗,杜小妮[8]（2019）在《基于异构密码系统的混合群组签密方案》一文中研究指出群组签密既能实现群组签名,又能实现群组加密,但是现有的群组签密方案的发送者和接收者基本上在同一个密码系统中,不能满足现实环境的需求,而且基本上采用的是公钥加密技术,公钥加密技术在加密长消息时效率较低。因此该文提出由基于身份的密码体制(IBC)到无证书密码体制(CLC)的异构密码系统的混合群组签密方案。在该方案中,私钥生成器(PKG)和密钥生成中心(KGC)能够分别在IBC密码体制和CLC密码体制中产生自己的系统主密钥;而且群组成员只有协作才能解签密,提高了方案的安全性;同时在无需更换群组公钥和其他成员私钥的情况下,用户可以动态地加入该群组。所提方案采用了混合签密,具有可加密任意长消息的能力。在随机预言模型下,证明了该文方案在计算Diffie-hellman困难问题下具有保密性和不可伪造性。通过理论和数值实验分析表明该方案具有更高的效率和可行性。(本文来源于《电子与信息学报》期刊2019年05期）
石建平,李培生,刘国平[9]（2019）在《基于混合群智能优化算法的混沌系统参数估计》一文中研究指出混沌系统的未知系统参数估计是实现混沌控制和同步的首要问题,通过构造一个合理的适应度函数,可将其转化为一个多维搜索空间的优化问题.提出一种融合改进骨干粒子群算法与改进差分进化算法的混合群智能优化方法来解决上述优化问题.对骨干粒子群算法中的粒子位置更新机制以及差分进化算法中的变异操作、交叉操作、交叉概率因子的设计等进行改进,有效兼顾了种群的多样性与算法的收敛性.在此基础上,讨论骨干粒子群优化算法与差分进化的融合优化策略,实现两个算法的协同进化,进一步提高算法的综合优化性能.用6个基准测试函数以及Lorenz混沌系统为例进行仿真实验,结果表明该方法具有全局寻优能力强、收敛速度快、搜索精度高、稳健性好等优点.(本文来源于《计算物理》期刊2019年05期）
陈亚环[10]（2018）在《混合群智能算法及其在聚类分析中的应用研究》一文中研究指出单一的群智能算法在解决较为复杂的优化问题时,都或多或少地受到自身或原理的限制,存在如下缺点:易陷入局部极值,产生早熟现象,泛化能力弱和结果精度不高等。混合群智能优化算法综合考虑了算法之间的差异性和互补性,然后按照某种规则将两种或多种群智能算法融合在一起或是将其他优化思想引入单种群智能算法中,取长补短以实现信息的增值和优势互补,进而增强算法的整体优化性能。本文研究混合改进鲸鱼优化算法和粒子群算法,并用于解决函数优化、聚类分析和模糊聚类图像分割问题。主要研究工作如下:(1)提出了一种具有Levy Flight特征的鲸鱼优化算法(LFWOA),通过在鲸鱼收缩包围猎物的过程中引入Levy飞行策略,提高了鲸鱼优化算法的全局搜索能力和收敛精度,有效跳出局部最优区域。通过与WOA和其他两种算法在13个测试函数中的仿真结果对比,证明LFWOA可以避免陷入局部最优,且收敛精度高。(2)考虑PSO和LFWOA间的差异性和互补性,根据算法融合思想,提出基于Levy飞行鲸鱼群与粒子群并行融合的混合群智能算法(PS-LFWOA)。该算法采用并行机制实现协同优化过程,并通过交叉、替换操作实现个体间的信息交互,以增加迭代后期群体多样性,平衡算法的局部开发能力和全局探索能力。通过对23个基准函数测试仿真,验证了混合算法在收敛速率、群体多样性、稳定性和收敛结果精度上均有提高。(3)提出了一种改进的鲸鱼群模糊C-均值聚类算法,改进体现在四个方面:目标函数设计,综合考虑了类内紧凑性与类间分离性的关系;自适应收敛因子,有效平衡鲸鱼搜索过程的全局搜索和局部开发能力;交叉变异策略,提高算法收敛速率和增加种群多样性;监测机制,实现鲸鱼算法与FCM间的动态结合。通过对5组数据集进行数据聚类,验证了该混合算法获得的聚类结果类内紧凑,类之间分离较远,且具有较高的聚类准确性和稳定性。(4)针对FFCM算法对初始值设置敏感的问题,提出了一种基于鲸鱼优化的快速FCM图像分割方法。该算法在鲸鱼算法的搜索策略和收敛速度方面提出了改进措施,通过仿真实验,验证了该算法在解决图像分割问题时能够减少图像信息的丢失,缩短寻找最优聚类中心的时间,改善图像分割效果。(本文来源于《西安电子科技大学》期刊2018-06-01）
混合群论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
传感器节点的自身定位是无线传感器网络中最为关键的技术之一。针对无线传感器网络的定位问题,提出了粒子群结合模拟退火算法优化(Particle Swarm Optimization and Simulated Annealing algorithm,PSO-SA)的RSSI测距模型质心定位算法。该方法首先利用RSSI测距模型计算出传感器网络中节点间的距离,然后选取距离未知节点最近的3个参考节点和已被定位的节点建立以未知节点坐标为参数的数学模型,在求解的过程中采用粒子群结合模拟退火算法进行优化。为了评估所提方法的性能,以传统的质心定位算法、基于RSSI的加权质心定位算法和基于粒子群算法优化的RSSI质心定位算法为对比进行实验。结果表明,较其他3种算法,基于PSO-SA的RSSI质心定位算法具有较高的定位精度、较强的泛化性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
混合群论文参考文献
[1].张玉磊,刘祥震,郎晓丽,张永洁,王彩芬.一种异构混合群组签密方案的安全性分析与改进[J].电子与信息学报.2019
[2].王改云,王磊杨,路皓翔.基于混合群智能算法优化的RSSI质心定位算法[J].计算机科学.2019
[3].高学伟,付忠广,谢鲁冰,王圣毫,王树成.基于混合群智能算法优化的NO_X排放KELM模型设计[J].自动化仪表.2019
[4].刘钊.湖南南山白云湖国家湿地公园鸟类群落多样性及混合群研究[D].湖南师范大学.2019
[5].孙君,钟茂林,孙晓凡.混合群决策模型在绿色供应链管理能力评价中的应用[J].机械设计与研究.2019
[6].庄星,韩飞.基于混合群智能算法优化BP神经网络的粮食产量预测[J].江苏大学学报(自然科学版).2019
[7].李阿楠,鲁斌,王强.混合群智能算法在高光谱图像波段选择中的应用[J].电脑知识与技术.2019
[8].牛淑芬,杨喜艳,王彩芬,田苗,杜小妮.基于异构密码系统的混合群组签密方案[J].电子与信息学报.2019
[9].石建平,李培生,刘国平.基于混合群智能优化算法的混沌系统参数估计[J].计算物理.2019
[10].陈亚环.混合群智能算法及其在聚类分析中的应用研究[D].西安电子科技大学.2018