比迹准则下的边界判别投影

为了克服高维数据分析中存在的"维数灾难",提出了一种有监督的数据降维算法,该方法将边界判别投影算法扩展到比迹准则下进行建模,通过最大化同类样本点之间的最近距离,最小化异类样本点之间的最大距离,来获取最优的判别投影方向.理论分析表明,比迹准则下的边界判别投影算法所生成的低维表示对原始数据的可逆变换就有不变性,且求得的投影方向是关于类内散度矩阵共轭正交的.人脸数据集上的分类实验表明,与迹差准则下的边界判别投影算法相比,比迹准则下的边界判别投影算法在每类样本点较少时具有更高的判别能力.     

基于膜计算粒子群优化的FastSLAM算法改进

针对FastSLAM算法存在的粒子退化和粒子多样性缺失问题,提出了一种基于膜计算粒子群优化的FastSLAM算法.该算法将膜计算和粒子群优化算法相结合,利用膜计算的并行性、分布式的特点和粒子群优化算法的简单高效的优点,加速调整FastSLAM算法中粒子群的建议分布向全局最优解处收敛,在保证算法局部搜索精度的同时,扩大搜索范围,提高全局搜索的多样性,促使预测粒子更快的朝着真实的机器人位姿状态逼近,减缓粒子退化.最后利用MATLAB平台进行仿真实验.实验结果表明该算法提高了FastSLAM算法的定位精度,同时减少了系统运行时间,效率得到有效提高.     

耗散结构和差分变异混合的鸡群算法

针对标准鸡群算法在求解高维优化问题时过早收敛于局部最优和收敛速度慢等问题,提出了一种耗散结构和差分变异混合的鸡群算法.该算法通过将耗散结构引入至雄鸡位置的更新公式,扩大了鸡群的搜索空间,增强了算法的全局搜索能力;同时,通过对随机选择的个体进行差分变异操作,增强了算法的收敛性能.对选取的18个标准函数进行仿真实验,结果表明,算法的收敛精度、收敛速度和稳定性均明显优于其他几种算法.     

一种求解厌恶型p-中位问题的混合进化算法

厌恶型p-中位问题是一个NP-困难问题.提出了一种求解厌恶型p-中位问题的混合进化算法.首先,通过贪心随机自适应搜索方法和随机构造方法产生初始种群.然后,利用搜索过程中收集到的全局信息和局部信息构造新解,期间注意提高搜索的多样性,避免早熟.最后,针对厌恶型p-中位问题的特点,构造基于约束交换邻域的局部搜索算法,提高了算法的局部搜索能力.通过求解72个标准测试例子以检验算法的性能,发现该算法在较短时间内得到了高质量解,优于现有算法.     

一种改进的B样条曲线曲面正交距离拟合算法

提出了一种改进的B样条曲线曲面拟合的正交距离算法.在此类算法中,需要求解点投影问题以得到数据点的垂足,考虑到控制顶点对投影的影响,利用泰勒展式对投影算法的初值进行修正,加快了求解点投影问题的速度,从而提高了拟合算法的稳定性和效率.数值实验表明,改进算法比修正前的方法更加稳定,与变量投影法及LBFGS算法相比,达到最优解的计算时间更短,迭代步数更少.     

一种改进的k-中心点聚类算法及在雷暴聚类中的应用

传统k-中心点聚类算法初始中心点的选取直接影响算法效率和稳定性,易使算法陷入局部最优解,从而影响在带时序群体分析的聚类应用效果.本文提出了一种基于密度信息的k-中心点算法,通过获取样本密度信息来选取初始中心点,有效解决了聚类结果对初始中心点选择的依赖性问题,并应用于雷暴聚类中.雷暴聚类评估实验结果表明了改进算法的有效性.     

基于加权K最近邻改进朴素贝叶斯自训练算法

针对传统半监督自训练方法在学习朴素贝叶斯分类器过程中容易误标记无标记样本,且整个过程未能利用到训练样本的空间结构信息,导致正确率不高的问题,提出了一种基于加权K最近邻改进朴素贝叶斯自训练算法。该算法利用加权K最近邻算法计算出无标记样本的隶属度,通过隶属度选出与已标记样本空间结构相近的样本,使得朴素贝叶斯分类器在一个较好的空间结构上对未标记样本进行分类,充分地利用样本的空间结构信息,从而降低了自训练过程中的迭代错误。在UCI和Kaggle数据集上的对比实验结果表明,该方法的性能相对于传统半监督自训练算法有所改善。     

一种改进型多目标粒子群优化算法MOPSO-Ⅱ

提出了一种改进型多目标粒子群优化算法(MOPSO-Ⅱ).该算法为粒子群中每个粒子增加一个"扰动向量",以利于粒子跳出局部最优并为粒子的全局最优位置赋予了时限的属性,可防止过于频繁地更新全局最优位置,有利于增强粒子搜索的持效性.该算法改进了粒子越界的处理方法,最大程度上保持粒子优秀的搜索方向.通过典型的多目标测试函数ZDT对该算法进行测试,实验结果表明,带ε-支配的MOPSO-Ⅱ算法在解群的分布性方面要优于使用了拥挤距离机制MOPSO-Ⅱ算法和NSGA2算法,对比实验还表明MOPSO-Ⅱ算法在收敛性方面要优于NSGA2.因此,MOPSO-Ⅱ在求解多目标优化问题上有一定优势,是一种有前途的算法.     

基于多准则决策的塔状粒子群优化算法

针对经典粒子群优化算法存在早熟、收敛精度低和收敛速度慢的问题, 提出了一种新的改进算法. 该算法采用了塔状优化互联机制, 底层粒子群负责寻找局部最优解, 顶层粒子负责收集、反馈全局最优解, 为底层种群提供全局最优信息, 建立共享学习机制. 顶层粒子一旦发现停滞现象, 将通知底层粒子群采用细菌觅食优化、随机初始化等停滞优化策略, 以改善粒子群的收敛速度. 实验结果表明, 与同类算法相比, 改进算法具有更好的寻优能力, 改善了粒子群的收敛精度和收敛速度.     

基于动态分级和邻域反向学习的改进粒子群算法

针对粒子群算法容易陷入局部最优解的问题,提出了一种基于动态分级和邻域反向学习的改进粒子群算法.该算法通过构建动态分级机制,将种群中的粒子动态地划分成3个等级,对不同等级内的粒子采取不同的扰动行为,使得粒子在增强种群多样性的同时保持向全局最优方向进化;采用粒子智能更新方式,提高了粒子的搜索能力;引入动态邻域反向学习点建立全局搜索策略,促使种群快速寻优.最后,利用多种典型测试函数对该算法进行仿真实验,结果表明,与其他几种优化算法相比,本算法具有较好的收敛性和稳定性.     

基于二阶段迭代的非负矩阵分解的分类模型

为了有效地结合标签信息与非负矩阵分解技术,提升现有的非负矩阵分解算法划分数据的性能,提出一种用于分类问题的基于二阶段迭代的非负矩阵分解模型(2-stage iterative nonnegative matrix factorization model,2-STGINMF),在阶段1,基于训练样本之间的关系和标签信息,用非负矩阵分解技术学习训练样本的置信度分布矩阵。在阶段2,根据训练样本的置信度分布矩阵,基于训练样本和测试样本之间的关系以及测试样本内部的关系,学习测试样本关于不同类别的置信度分布矩阵。此外,提出了一种迭代式训练机制解决标签稀疏性的问题。实验结果表明,与当前的一些机器学习方法和矩阵分解方法相比,本文提出的2-STGINMF模型在不同类型的数据分类问题上都达到了最优的性能且在训练样本较少时也能获得较好的分类结果。     

基于图正则化概念分解的网络入侵检测研究

作为一种有效的主动探测网络恶意攻击防护措施,入侵检测在变电站信息系统安全防护中得到了广泛的应用.但实际网络入侵数据类型的多样性、非负性和高维度性等特点使得现有方法存在检测率低、误报率高等不足.基于非负矩阵分解的方法在入侵检测上取得了较好的效果,却忽略了嵌入在数据局部的几何结构和标记信息.为此,本文提出一种基于图正则化约束的概念分解算法.通过将数据的几何结构和标记信息同时作为约束条件,建立了一种新的概念分解模型,并提出了迭代更新求解算法.通过在网络入侵数据集KDD99上的实验验证,其结果展示了所提算法的有效性和鲁棒性.     

一个求解无约束优化问题的填充函数算法

填充函数法是求解无约束全局优化问题的一种方法,这种方法的关键是构造具有良好性质的填充函数.基于填充函数定义与性质的基本要求,构造了一个新的求解无约束全局优化问题的单参数填充函数.该函数形式简单,便于计算,并建立了相应的填充函数算法.最后,进行了数值试验,结果表明,该算法是有效的.     

免疫遗传算法的逻辑电路进化设计研究

针对电路进化设计时传统进化算法收敛速度慢且易陷入局部最优解等问题,模拟人体免疫系统的机制,设计了一种改进的免疫遗传算法用于逻辑电路的进化设计.首先建立电路进化设计模型,对种群中抗体进行多目标适应度评估;然后改进抗体的选择机制并将精英抗体作为记忆单元保存;最后引入自适应交叉、变异策略保持抗体多样性并提高算法的收敛性.实验结果表明:该算法具有较强的全局搜索能力,能有效地减少搜索到全局最优解的迭代次数,并设计出新颖、高效的电路结构.     

多启发式信息蚁群优化算法求解取样送检路径规划问题

蚁群优化算法是一种求解组合优化问题的通用算法框架.取样送检路径规划问题是一种带约束的组合优化问题,本文给出了一种求解该问题的数学模型.为求解该问题提出了一种多启发式信息蚁群优化算法(MACO),在选择下一访问节点的概率计算公式中增加了一项启发式信息——起点到被选择点之间距离的倒数,并从理论上分析了该算法的收敛性.在9个算例上进行了仿真实验和分析,说明了新增启发式信息的有效性和适用性,验证了MACO算法可以有效求解该问题,并能获得质量更好的解.     

凸二次规划的投影收缩算法

对于一般的凸二次规划问题,首先结合该问题的对偶问题给出了解的充分必要条件,然后给出了一种解决该问题的投影收缩算法,并证明了该投影收缩算法的总体收敛性.     

基于演化的信赖域方法

把全局搜索性能优良的演人算法与具有总体收敛性能的信赖域算法相颌合形成局部随机搜索与全局确定性搜索相结合的演变信赖域,经具有适应性广，收敛性能好和收敛速度快的特点，为解决复杂的非线性优化问题提供了一种有效算法，并证明了算法的收敛性。     

一种综合学习粒子群优化算法

针对复杂多峰函数优化,提出了一种综合学习粒子群优化算法(IELPSO)。该算法把基于超球坐标系的粒子更新和辨识、加速质量差的粒子两个策略引入基于例子学习粒子群优化算法(ELPSO)。本算法利用超球坐标操作改变粒子大小和方向,因而粒子在搜索过程中能覆盖局部极小,同时能发现最差粒子并且加速它们靠拢最优解。提出的算法与其他已有算法进行了比较,对几种典型函数的测试结果表明,IELPSO算法提高了收敛速度和精度,全局搜索能力有了显著提高。     

基于结构性信息的纹理合成与图像修复

纹理合成与图像修复是计算机图形学中的一个研究热点,具有广泛的应用前景．提出了一种基于结构性信息的判断纹理块匹配误差的新方法：颜色-结构差异算法．该方法同时考虑了纹理块之间颜色误差和结构误差对纹理块的相似性的影响,弥补了单纯考虑颜色误差的不足,保证了图像间结构信息的连贯性,从而确保合成后的纹理及修复后的图像在视觉上的连贯性．     

Item2vec与改进DDPG相融合的推荐算法

传统的推荐算法能够有效解决信息过载问题,但在冷启动和数据稀疏的情况下,传统方法仍有其局限性。针对以上问题本文提出一种基于深度强化学习理论的推荐算法,该算法使用深度确定性策略梯度(DDPG,deep deterministic policy gradient,DDPG)算法来解决推荐问题,使用Item2vec将离散的动作空间转换为连续的表示,同时提出了一种余弦距离和欧氏距离相结合的奖励函数,能够保障神经网络不会过早的收敛于局部最优。应用该算法进行电影的推荐,实验结果表明本文提出的算法能够产生较好的推荐并能缓解冷启动所带来的影响。