数据挖掘中的剔除非频繁项超集法

在关联规则数据挖掘中，根据非频繁项的超集仍是非频繁项的结论，总结出一种高效的关联规则算法：剔除非频繁项超集法，并与经典的Apriori算法作比较，其效率比Apriori算法高。     

iRIPPER——一种改进的基于规则学习的文本分类算法

基于规则学习的文本分类算法RIPPER具有易理解、易优化、高效率等特点，但是当规则所涉及的特征项很多的时候，上述优点不复存在。基于层次的规则学习算法hRIPPER采用了层次架构对RIPPER进行了改进，但其对特征项的过滤仍然有限。针对RIPPER,hRIPPER在规则学习过程中出现的问题，对规则学习的分类算法进行改进，提出了一种改进的基于规则学习的文本分类算法iRIPPER，在规则学习的同时进一步过滤噪音特征项。实验证明，该方法不但有效地提取了特征项，生成较少的规则，提高了算法的准确率和召回率，而且缩短了生成规则的时间，从而改进了规则学习分类算法的性能。     

递归问题的非递归算法及效率分析

给出了程序设计中两种递归问题的非递归算法实现过程，并与递归算法进行比较，结果表明，非递归算法在时间复杂度与空间复杂度两项指标上均优于递归算法，且不使用系统栈，执行过程不依赖于函数或过程的重复调用，有更大的灵活性，可以应用在程序与软件设计中．     

一种基于质点动力学原理的快速自适应建模算法

针对自适应逆控制技术中最小均方(LMS)算法建模速度慢的缺点，基于重力场中超曲面上质点的动力学原理，提出了一种快速自适应建模算法．该算法的特点是将滤波器权系数的迭代求解过程类比为重力场中超曲面上质点的运动，在质点的自由运动微分方程中加入比例阻尼项，使各模态的阻尼系数均接近于临界阻尼，从而使权系数以较快速度收敛，并利用质点微分方程中的非线性项实现变步长迭代，明显提高了自适应维纳滤波器的权系数收敛速度．仿真试验结果证明该算法优于LMS算法．该算法运算代价小，收敛速度快，可替代LMS算法用作自适应逆控制的建模工具。     

量化在基于正交小波的盲均衡算法上的应用

常数模算法(CMA)是实际中应用最广的一种盲均衡算法，基于正交小波的CMA算法(WBCMA)与传统的LMS算法的横向均衡器相比收敛速度快，但计算量却有所增加，把量化应用到WBCMA上，采用以2的整数次幂对误差项进行量化，减小了误差项的字节数，因此减少了算法迭代中的乘法运算．计算机仿真证明了该方法的有效性，     

一种不产生候选项集的关联规则挖掘算法

在挖掘关联规则的过程中，关键步骤是产生频繁项集．基于频繁项集支持矩阵的思想，提出一种有效的频繁项集挖掘算法-FIMA，并给出了算法的基本设计思想和算法描述．本算法利用矩阵挖掘频繁项集，不需要产生候选项集，且只需扫描数据库一次。所以此算法是非常有效的．     

广义PID实时递归学习算法

利用经典的ＰＩＤ控制思想，在实时递归学习（ＲＴＲＬ）算法基础上，研究了微分项和积分项对目标函数收敛行为的影响．结果表明：只要能动态地调整积分项和微分项，收敛速度就会大大加快且能跨越局部极小值．基于此，提出了改进ＲＴＲＬ算法，包括ＰＩＤ参数自动调整和积分项、微分项动态调整规则．采用遗忘因子有效地解决了过去状态对当前灵敏度过度影响的问题．通过一阶混沌序列预测的仿真表明，文中的算法较之标准ＲＴＲＬ和动量项ＲＴＲＬ算法，有更快的学习收敛速度，且不存在局部极小值     

关于一类变分不等式的带有误差项的Ishikawa迭代算法

在Hilbert空间中，引入并研究了一类单调混合变分不等式的一些新的带有误差项的Ishikawa迭代算法，给出了算法的收敛性结果，从而推广和改进了Noor和Zhang有关结果。     

几种模糊控制算法的MATLAB仿真

模糊控制算法发展至今已有多种算法，对其中的几种常用算法进行分析研究，以比较各种不同算法的特点和优越性是一项十分有意义的工作。通过仿真研究分析了Mamdani模糊算法、具有可调因子的模糊算法以及模糊CCC算法的性能，并解释了模糊CCC算法相对于其他两种算法的优越性。还总结了量化因子和比例因子对模糊控制器的影响及因子的修改方法，并在仿真过程中加以了应用和验证。     

基于数据挖掘平台的模糊聚类算法及应用研究

研究基于目标函数的模糊聚类算法，并对聚类效果的有效性和参数选择进行了详细分析，在数据挖掘平台中实现该算法，通过设置聚类误差和实时误差两项动态指标来确定最佳的判别方法和参数设置．最后将该算法应用于模型生命表制作的前期分析工作中。     

有舍弃的装箱问题及其启发式算法

设计了一种启发式算法——RCF算法来解决有舍弃装箱问题.实验证明,该算法与RFF3算法相比,在物体个数比较少(<200)的情况下,由于数据的随机性会出现比RFF3算法较好;在物体个数大于200的情况下,RFF3算法具有绝对的优势.因此,提出的RCF算法在物体个数比较少的情况下,有一定的应用价值.     

一种基于十字链表的频繁项集挖掘算法

在Apriori算法的基础上，提出一种基于十字链表的关联规则挖掘算法。该算法能够快速得到每个候选项的支持度，从而有效的发现频繁项集。通过与经典算法分析对比表明，该算法具有明显的优势。     

基于多支持度的挖掘加权关联规则算法

关联规则挖掘是数据挖掘中一个重要的模型．在其挖掘算法中，如果最小支持度很高，则出现频率比较低的规则就不能发现；如果最小支持度太低，因为频繁项的相互关联，则会出现组合爆炸．为此，提出了允许用户设定多个最小支持度、给定数据各项的权重来解决这一问题．理论、实验数据和实际应用证明，该新算法可行且符合实际情况，比同类算法用时更少，对大型数据库的关联规则挖掘非常有效．     

一种高效的Apriori改进算法

针对Apriori 关联规则算法中的瓶颈问题,提出了一种Apriori_improve 算法.该算法根据组合元素的计数结果排除一些不符合组合条件的元素,并在扫描数据库后"删除"一些不能支持频繁集的记录,迅速减小了数据库规模.实例表明:对于大型数据库的挖掘,该算法比Apriori算法的效率有明显地提高.     

基于Leader的K均值改进算法

研究了K均值算法中初始聚类中心的选择对算法本身聚类精度及效率的影响,并提出了改进的算法(LK算法,Leader+K-means).LK算法中的初始聚类中心选择不是随机的,而是利用Leader算法得到若干个初始类中心,然后选择包含数据项最多的k个类中心,作为K均值算法的初始类中心.实验结果表明,LK算法在聚类结果的稳定性和正确率方面都是有效可行的.     

一种改进的Apriori算法

Apriori算法存在许多可以改进的地方.例如它需要反复读取数据库,并且读取的次数由项目集中的项目个数来确定,I/O负载与最大项目集的项数成正比.本文提出一种只读一次数据库的的改进算法.     

一种新的加权关联规则增量更新算法

考虑事务数据库D长度不变、项目集I发生变化并且带有权重时的关联规则挖掘问题,提出了一种针对项目集增加的加权关联规则更新算法,解决了增加项目集的加权关联规则更新问题,与对新数据库重新运行算法相比,其运行效率有显著提高.     

An effective evolutionary algorithm for the multiple container packing problem

This paper focuses on a new optimization problem, which is called "The Multiple Container Packing Problem (MCPP)" and proposes a new evolutionary approach for it. The proposed evolutionary approach uses "Adaptive Link Adjustment Evolutionary Algorithm (ALA-EA)" as a basic framework and it incorporates a heuristic local improvement approach into ALA-EA. The first step of the local search algorithm is to raise empty space through the exchange among the packed items and then to improve the fitness value through packing unpacked items into the raised empty space. The second step is to exchange the packed items and the unpacked items one another toward improving the fitness value. The proposed algorithm is compared to the previous evolutionary approaches at the benchmark instances (with the same container capacity) and the modified benchmark instances (with different container capacity) and that the algorithm is proved to be superior to the previous evolutionary approaches in the solution quality.     

改进Candy模型的求解

目的针对改进的Candy模型,建立一种简单有效的求解方法。方法采用模拟退火算法中镶嵌可逆跳转马尔科夫链蒙特卡罗算法(RJMCMC)进行求解。结果提出新的数据项、结构项和基于预处理数据转移核,加快了计算速度,使该方法更趋于实用化。结论通过图像处理,验证了该算法的有效性:该算法求解简单,线特征提取结果精确。     

带剪刃长度约束的矩形件剪切下料优化算法

讨论矩形件二维下料问题,提出一种带剪刃长度约束的下料算法。这种算法将板材划分成四块,每块中排放长度和方向均相同的条带,每根条带中排放同种矩形件。运用递归技术构造四块排样方式的无约束生成算法和有约束生成算法。采用线性规划算法调用无约束生成算法生成第一部分下料方案;采用顺序启发式算法调用有约束生成算法生成第二部分下料方案。组合两部分下料方案形成最终解。数值实验结果表明下料算法有效地解决带剪刃长度约束的下料问题。