一种基于Rough集的数据约简方法

在对Pawlak的属性约简数据分析方法和Skowron的分明矩阵方法进行深入研究后,通过引入排斥矩阵提出了一种新的数据约简方法,经过实践证明这种方法在对决策表进行数据约简时可以和Pawlak的属性约简数据分析方法取得同样的效果.     

基于知识约简的故障案例重用方法

案例重用是使用旧的经验去解决新的问题,可以提升基于案例推理的故障诊断系统解决问题的能力,本文提出一种基于知识约简的故障案例重用方法,主要包括针对静态案例的值约简算法（improved attribute value reduction algorithm based on discernibility matrix,IAVRADM）以及新增案例情况下的值约简增量式更新算法（incremental updating algorithm for attribute value reduction,IUAAVR）,其中,IAVRADM算法利用吸收律和互信息增量作为启发式信息,改进了已有算法中分辨矩阵构造和搜索过程,提高了决策规则的生成效率,IUAAVR算法分析总结出需要进行规则更新的3种情况.实验结果表明,IAVRADM算法的适应性强、时间开销低,IUAAVR算法在获得相同数量的决策规则情况下与案例的数量无关且更具时间优势.     

概念格的规则约简与属性特征

在研究了概念格形成的偏序结构的基础上，引进了由两个形式背景形成的决策形式背景，讨论了外延集类上等价关系和交一致关系，给出了决策形式背景下规则提取与属性约简方法．同时对于在规则约简中起不同作用的属性，区分了核心（存在于任何约简中）、相对必要属性（存在于某些约简中）和不必要属性（不存在于任何约简中），给出了各类属性的特征和判别方法．这些方法为概念格规则提取的启发式算法打下了基础．     

基于FP-Tree的概念格量化约简及其在GIS的应用

GIS的空间数据具有海量性、复杂性的特点,为了能更有效的挖掘隐藏在GIS中的知识引入了概念格技术。然而,又为了解决关联规则生成算法效率低、构造Hasse图效率低及冗余多的问题,提出在FP-Tree的基础上直接生成经过量化约简的频繁概念格。将该算法应用于GIS的空间数据挖掘取得了实际可行的应用结果。     

一种新的混合智能算法及其在属性约简中的应用

属性约简是粗糙集理论的核心部分.受细菌觅食过程的启发,本文将细菌觅食算法的思想应用于粒子群算法,提出了一种细菌觅食粒子群算法.细菌觅食过程的趋向操作可以指导粒子朝着更优方向进化,而粒子群算法又能提高细菌觅食算法的收敛速度和寻优能力.将该算法应用到属性约简中,数值实验结果表明,本文提出的细菌觅食粒子群优化的约简算法在寻优能力方面均优于Hu算法,粒子群约简算法和细菌觅食约简算法,能得到更好的最小属性约简.     

一种新的基于粗集的增量式规则提取算法

通过引入属性值通配符,进而将规则表示为带通配体的样本－－规则样本,并对粗集的知识约简方法稍作修改,使得加入新样本后更新规则库时能够充分利用已经获得的规则,尽量减小待简的决策表的数据量,避免每次从庞大的原始决策表开始约简,从而加快更新速度,减小计算量,只作少量修改,而不必再从头约简,最后结合个实例阐明了该方法的基本思路。     

基于属性频率函数的粗糙集属性约简算法

以现有的两个粗糙集属性约简算法为基础，提出了一种基于属性频率函数的粗糙集（Rough Set）属性约简算法，该算法既可保证每次计算都能得到一个约简，又具有较好的时间复杂性．     

基于U/{a}划分的最小约简构造

研究了求信息系统最小约简的完备方法．根据信息系统的对象在某个属性上取值的不同．将信息系统划分为若干子系统，分析并证明了原系统的最小约简与基于U／{α}划分的各子系统约简之间的关系，并在此基础上提出了一种基于U／{α}划分子系统的最小约简构造方法，选用UCI的zoo数据集．通过实验验证了该方法。     

基于DSM的知识约简方法研究

根据对象属性的差异性与相似性，以及对DSM(difference-similitude matrix)矩阵元素m^dij，m^sij；的特性分析，定义了属性的重要度和合并度，给出了最佳属性约简集的修正子集的求解方法，从而提出了基于：DSM的知识约简方法，该方法能在保证规则相容的情况下生成少量规则，同时只使用部分条件属性。通过约简UCI机器学习数据库，并与粗集理论约简的结果比较，表明了该方法的合理性和有效性，并在约简效率和规则的正确率上都要好于粗集理论。     

基于基数排序及属性约简的雷电预报因子提取方法

雷电预报因子筛选是构建雷电预报模型的关键,也是提高雷电预报准确度的一个瓶颈问题。本文提出了一种基于粗糙集正域属性约简的雷电预报因子提取方法,该方法采用基数排序方法快速求解决策表的正域,引入可分辨度概念度量属性的重要性,提出了基于可分辨度的核属性与非核属性的提取方法,设计了相应的面向雷电预报因子提取的属性约简算法。真实气象数据集测试结果表明,该方法能有效提取最小集合的雷电预报因子,并较以往方法具有更好的性能。     

求解一类随机优化问题的粒子群算法

提出了一个解随机优化问题的粒子群算法.该算法易理解,程序上易实现,克服了随机优化问题难以高效实现全局优化的缺点.数值实验结果表明,所提出的算法能够快速地收敛到随机优化问题的最优解,并且具有良好的鲁棒性,是此类问题的一个高效求解算法.     

生物地理学优化算法中基于Zoutendijk可行方向法的变异算子设计

根据约束优化问题的全局收敛性要求,基于传统优化与智能优化,设计了一种基于Zoutendijk可行方向法的新型变异算子,并将其应用于生物地理学优化算法,构建了一种用混合优化算法求解优化问题的方法.通过算子设计策略的理论验证、智能算法的收敛性分析及6个不同类型算例的仿真试验,证明此自适应求解优化问题机制具有实效性.     

带机器准备时间的已知工件总加工时间半在线问题

考虑带机器准备时间的已知工件总加工时间半在线问题。首先考虑P2,ri|sum|Cmin问题,给出Prsum算法并证明此算法的竞争比为23,且是最优算法;然后考虑Q2,ri|sum|Cmax问题,给出Qrsum算法并证明此算法的竞争比为2,同时给出此问题的一个下界1+3～(1/2)/2。显然Qrsum算法的竞争比与最     

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.     

自适应memetic算法求解集合覆盖问题

集合覆盖问题是一个经典的NP困难的组合优化问题,有着广泛的应用背景.首先,采用动态罚函数法将集合覆盖问题等价转化为无约束的0-1规划问题.然后,基于集合覆盖问题的结构特征,设计了初始种群构造方法、局部搜索方法、交叉算子、动态变异算子和路径重连策略,提出了一个高效求解该0-1规划问题的自适应memetic算法.该算法有效平衡了集中搜索和多样化搜索.通过45个标准例子测试该算法,并将其结果与现有遗传算法进行了比较,表明该算法能够在可接受的时间内找到高质量的解,能够有效求解大规模集合覆盖问题.     

约束最小支撑树 ( C-MST)问题: 复杂性和上下界估计

本文首先建立了约束最小支撑树问题的模型 ,利用背包问题的复杂性 ,证明了该问题是 N P-完 全的 . 然后利用一个广义线性规划的对偶算法 ,对目标函数的上下界作出了估计 ,最后分析了解的平面 性质 .     

线性约束凸规划问题的仿尺度算法

对一般线性约束凸规划问题，给出了相应的仿尺度算法，并证明由该算法所产生的迭代点要么直接到达问题的最优解，要么其极限点满足问题的最优性条件。     

一种基于闭环优化的新型鲁棒预测控制方法

针对带约束的凸多面体线性不确定模型，提出了一种新型鲁棒预测控制方法，它采用离散化的不确定模型构造最小－最大优化控制问题，并在其中直接引入状态反馈机制，与其他最小－最大预测控制方法相比，这种方法等效于增加了控制序列的长度，为优化问题增加了更多的自由度，从而扩大了可行域，作为最小化目标的是离散化不确定系统在整个预测时域上二次型成本函数的最大值，而不是各预测阶段应成本项的上界之和，从而减少了与最小－最大优化相关的方程个数，有利于降低计算复杂性，文中进一步证明了不确定系统的闭环稳定性取决于优化问题在初始时刻的可行性，并将优化问题转化为线性矩阵不等式形式。最后，以数值仿赵例子验证了方法的有效性。     

一种求解混合整数非线性规划问题的演化算法--搜索空间自动收缩法

提出一种求解混合整数非线性规划问题的新的演化算法 -搜索空间自动收缩法 (ACSSOS) .在这种算法中 ,演化算法既用来定位最优解区域 ,实现搜索空间自动向全局最优解收缩 ,又用来最终求得最优解 .由于在遗传算子中引用了舍入操作 ,它不仅可用来求解混合非线性整数规划问题 ,也可求解纯整型或纯实型变量非线性函数优化问题 .数值试验结果表明本文的算法在解的质量、稳定性和收敛速度等方面优于一般的演化算法 .     

双曲型方程激波捕捉的物理信息神经网络（PINN）算法

双曲型方程的数值求解算法研究一直是偏微分方程研究的热点,其中,双曲型方程的间断捕捉是难点。受物理信息神经网络（physics-informed neural networks,PINN）启发,构造了改进的PINN算法,近似求解双曲型方程的间断问题。将坐标构造的数据集作为神经网络的输入,将PINN算法中的损失函数作为训练输出值与参考解（基于细网格的熵相容格式数据）或准确解的误差值,通过网络优化,最小化损失函数,得到最优网络参数。最后用数值算例验证了算法的可行性,数值结果表明,本文算法能捕捉激波,分辨率高,且未产生伪振荡。