基于智能决策的邮件过滤模型

文章通过对智能决策支持系统结构的分析,提出了一种新的智能决策支持的E-MAIL过滤模型,开发了"智能邮件过滤系统(IEFS)",IEFS经过实验结论分析,使垃圾邮件误判率得到了一定程度的控制,有效防止了垃圾邮件的泛滥。     

智能技术在电子公务中的应用分析

着重介绍了电子公务中使用的或将要使用的智能技术，包括基于智能学习的智能信息检索(Intelligent Information Search)、智能信息检索、智能网上监控和学习智能体(Learning Agent)。     

一种基于密度的启发性群体智能聚类算法

提出一种基于密度的启发性群体智能聚类算法.针对以往群体智能聚类算法中分类错误率较高、算法运行时间较长等不足,提出记忆体方法和基于密度的先行(look ahead)策略.用人工数据集和真实数据集进行实验,将实验结果进行比较分析.分析结果表明,基于密度的启发性群体智能聚类算法能够得到令人满意的聚类结果,其分类错误率和运行时间明显小于其它聚类算法.     

基于可达状态集扩张的粒子群算法收敛性改进

针对粒子群算法(PSO)改进设计缺乏数学模型和理论依据支持的问题,研究建立了PSO的吸收态马尔可夫过程模型,并提出了可达状态集作为收敛性分析的关键指标.与以往的收敛性分析不同,研究从可达状态集扩张的角度提出了PSO收敛性对比的理论,并基于此提出了PSO全局收敛性改进的方法.最后,以改进综合学习粒子群算法CLPSO(comprehensive learning particle swarm optimization)为例验证了提出模型与理论的有效性.     

基于深度学习的智能学习资源推荐算法

为了提高资源推荐性能,采用广义回归神经网络完成资源推荐。首先,提取推荐系统的用户和资源特征,选择两者的特征差异值之和作为推荐系统目标函数,然后构建广义回归神经网络(Generalized regression neural network, GRNN)资源推荐模型。考虑到GRNN训练效果对平滑因子和核函数中心的依赖性强的特点,引入差分进化(Differential evolution, DE)算法对GRNN的平滑因子和核函数中心偏移因子进行优化求解：选择最小特征差异值求解函数作为DE算法适应度函数,通过DE算法的多次交叉、变异和选择操作,获得最优平滑因子和偏移因子。最后采用优化后的平滑因子和偏移因子进行GRNN资源推荐,生成特征差异较小的候选资源序列作为资源推荐序列。试验证明,选择合理的DE算法交叉速率和差分缩放因子,能够获得较好的平滑因子和偏移因子,GRNN也能够获得更好的推荐效果。和常用资源推荐算法比较,对于3种不同的训练样本,该文算法能够获得更优的资源推荐准确率,且RMSE值较低。     

基于协同过滤算法的视频智能推荐系统

根据智能电视终端的性质,本文中提出基于时间段的协同过滤推荐算法.根据不同时间段观看电视的人群不同,将24小时划分为多个时间段,并且结合视频属性权值和基于物品的推荐算法实现一种适合智能电视的视频推荐算法,精准地定位该时段收看电视的家庭成员并进行动态的推荐.     

基于聚类的优化协作过滤技术

基于内存的协作过滤算法主要利用用户对某站点项目的评分,计算2个用户之间的相似性,但该方法可扩展性差.基于模型的协作过滤算法通过训练数据预先计算出预测模型,弥补了上述方法的不足,但该模型没有考虑到个体的差异而限制了推荐的性能.在总结现有2种算法特点的基础上,提出一种新颖的协作过滤框架,它先从训练集中产生聚类,并以此为基础进行邻居预选择,再在预选择的邻居集合上使用基于内存的协作过滤算法.实验结果表明,该方法不仅提高了计算的效率,而且也提高了推荐的质量.     

基于两阶段聚类的协作过滤推荐算法

协作过滤推荐是目前主流的个性化推荐方式,但数据稀疏问题影响了推荐系统的性能.提出了基于两阶段聚类的协作推荐算法,降低了数据的稀疏性,提高了最近邻的准确度,而且推荐精度较以往传统的算法有明显提高,时间复杂度也有明显降低.     

基于改进自监督学习群体智能(ISLCI)的高性能聚类算法

针对现有数据聚类算法（如 K －means）易陷入局部最优和聚类质量不佳的问题,提出一种结合改进自监督学习群体智能（improved self supervised learning collection intelligence,ISLCI）和 K 均值（K －means）的高性能聚类算法。已有的自监督学习群体智能演化方案具有计算效率和聚类质量高的优点,但当应用于数据聚类时,收敛速度较慢且极易陷入局部最优。为 ISLCI 加入突变操作,增加其样本多样性来降低早熟的概率,提高最优解的求解质量;计算每个样本的行为方程,获得其行为结果;通过轮盘赌方案来选择群体智能学习的对象和群体中其他样本学习目标对象的属性来提高自己。同时,利用 K-means 操作提高其收敛速度,提高算法计算效率。对比试验结果表明,本算法具有收敛速度快、聚类质量高、不易陷入局部最优的特点。     

基于逐层演化的群体智能算法优化

为能彻底解决群体智能算法早熟问题的同时保持原算法主体不变且可与现有优化理论协同优化,在前期仿真实验和理论证明的基础上,提出了一种逐层演化的改进策略.利用在原算法中构建基于搜索空间压缩理论的自适应系统,通过逐层的压缩、选择、再初始化的操作,以包括压缩后搜索空间在内的社会信息作为遗传知识,指导寻优过程,从而实现最终解精度的提升、避免早熟问题的出现.对基准函数进行仿真实验可以看出该策略在提升算法精度,增强后期个体活性方面具有良好的表现.     

基于改进的粒子群优化的云计算资源调度模型

针对云计算系统中多任务并发模式下引发的资源竞争,本文提出了一种基于改进的粒子群优化的云计算资源调度分配模型,以提高资源利用率.首先,对云计算系统中的资源调度问题进行形式化描述,构建以任务的总完成时间为优化对象的目标函数.其次,求解时采用粒子群优化算法,为保证收敛速度且避免粒子群在搜索过程中陷入局部最优,定义了惯性权重函数.另外,引入一个调整算子以优化位置更新.仿真结果表明,本文提出的资源调度分配模型能够有效提高云计算资源利用率,大幅减少任务的处理时间.     

基于K均值的带变异粒子群聚类算法

针对K均值算法的搜索结果依赖于初始聚类中心以及粒子群算法早熟收敛的缺点,提出了一种基于K均值的带变异粒子群聚类算法.该算法通过粒子群算法来弥补K均值算法的不足,根据粒子的收敛情况判断K均值操作的时机,提高了搜索性能,并采用变异操作来跳出局部极值.分别用K均值算法、PSO-K均值算法和该算法对3种实际数据进行了聚类测试,...     

基于群集智能算法的路径规划问题

在工业及服务系统行业,特别是物流及交通运输系统中经常遇到路径规划问题。该文针对自动化立体仓库单拣选台分层水平旋转货架系统,建立了数学模型,引入基于群集智能的蚁群优化算法解决货物拣选路径规划问题。该方法能够对旋转货架系统存储的货物进行快速拣选,并在全局内找到最优货物拣选路径,求解质量高,计算时间短。在货单条目为40的情况下,该文使用改进的蚁群算法求解最优拣选路径比模拟退火算法减小了1 367.17s,比混合遗传算法节省了533.4 s。实验表明该方法适合求解中小规模货物拣选路径规划问题。     

基于群体智能的蚁群算法研究

群体智能是指任何启发于群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装置,群体智能现正在成为人工智能领域和相关领域的一个研究热点;该文首先介绍了群体智能中的两个重要算法:蚁群算法和粒子群算法的基本思想,然后重点探讨了蚁群优化算法,对基本蚁群算法和改进的蚁群算法进行了深入的分析和评述。     

一种基于拍卖与群体智能的作业分配方法

基于微观经济学与群体智能知识,设计了一种网格系统中的作业分配方法.该方法首先基于改进的英国式拍卖模型确定资源购买者和资源提供者之间的资源交易价格,然后使用混沌搜索混合粒子群优化算法寻找作业分配方案,通过引入适当的适宜值函数,达到了兼顾时限与成本的目的.仿真结果表明,与现有的一些方法相比,该方法是可行和有效的,作业对资源的分配较均衡,效用较高.     

基于群智能方法的移动通信网络功率控制方法研究

功率控制技术作为移动通信网络优化的关键技术之一,其性能的好坏将直接影响移动通信网络的优化效果。通过对功率控制原理的研究,从联合功率控制与速率控制的角度出发提出了功率控制简化模型。而Grad-PSO算法是一种典型的群智能算法,已被广泛应用于工程优化问题之中。通过算法在函数优化过程中的仿真实验,验证了其在收敛速度、运算精度和运算量等方面具有优势。主要采用Grad-PSO算法对功率控制模型进行了优化仿真实验,通过仿真实验发现:Grad-PSO算法能找到最优解,很好地实现了对功率控制模型的优化。结果表明基于Grad-PSO算法功率控制优化方法切实可行,是一种有效的优化移动通信网络技术的方法。     

图像分割背景下群体智能优化算法的性能对比

 针对目前研究相对薄弱的群体智能优化算法的性能对比问题,搭建数字图像为生命栖息环境的群体智能优化算法的性能对比平台,提出基于最优个体变化的收敛关联度和收敛面积的新型性能评价指标,并具体进行了遗传算法、粒子群算法、人工鱼群算法、细菌觅食算法等多种群体智能优化算法的性能比较与测试.实验结果显示,所提出的评价平台和性能评价指标能够合理有效地对比不同搜索机制下智能群体的寻优能力.     

基于兴趣度的聚类协同过滤推荐系统的设计

协同过滤技术被成功地应用于个性化推荐系统中.随着用户数目和网页数目的日益增加,整个用户矩阵数据极端稀疏并且实时性效果不理想.传统的推荐方法解决不了这些问题.本文结合兴趣度和聚类技术对客户的个人兴趣进行评价,提出了基于兴趣度的聚类协同过滤推荐系统,实验表明,该算法能够有效避免传统方法带来的弊端,提高系统的推荐质量.     

基于注水方法与粒子群的多用户OFDM资源分配

针对各态历经信道下多用户OFDM资源分配的用户速率加权和最大化问题,提出了一种新注水方法,能够快速和准确地得到最优子载波分配和最优功率分配;根据Karush-Kuhn-Tucker(KKT)最优性条件,采用粒子群算法对速率阈值乘子进行调整,最大化了满足用户速率阈值限制的用户速率加权和.通过对所提算法与随机对偶梯度算法的分析比较发现,所提算法能够更好地满足KKT最优性条件,从而有利于找到最优解.仿真结果表明,本算法所得到的用户速率加权和高于随机对偶梯度算法.