VMI模式中的信息共享问题研究

信息共享是实施供应商管理库存模式的前提条件.为了实现供需双方的信息共享,研究共享数据模式设计技术.在分析模式集成原理的基础上,提出共享数据模式的设计原则以及多目标优化函数,并提出一种共享数据模式启发式算法.该启发式算法包括5个步骤:定义集成问题边界、建立系统对象关联矩阵、建立业务对象树、求解初始解、优化初始解.共享数据模式启发式设计算法在实际案例中得到了应用和验证,是实现供需双方信息共享的有效工具.     

HSEC:基于聚类的启发式选择性集成

提出一种基于聚类的启发式选择性集成学习算法.集成学习通过组合多个弱分类器获得比单一分类器更好的学习效果,把多个弱分类器提升为一个强分类器.理论上来说弱分类器的个数越多,组合的模型效果越好,但是随着弱分类器的增多,模型的训练时间和复杂度也随之递增.通过聚类的方法去除相似的弱分类器,一方面有效降低模型的复杂度,另一方面选出差异性较大的弱分类器作为候选集合.之后采用启发式的选择性集成算法,对弱分类器进行有效的组合,从而提升模型的分类性能.同时采用并行的集成策略,提高集成学习选取最优分类器子集效率,可以有效地减少模型的训练时间.实验结果表明,该算法较传统方法在多项指标上都有着一定的提升.     

基于启发式变异的改进演化规划算法

常用的演化规划算法(EP)的变异是基于固定的概率分布,鲁棒性较差.文中分析了变异算子对演化规划算法计算效率的影响,指出了Gauss变异、Cauchy变异和Lévy变异算子缺少启发式信息的不足,并据此设计了一种根据种群个体差异信息的启发式变异算子,用算子抽取的个体差异来更新变异步长,允许个体有机会在某些维数保持原状,只是进行部分维数上的变异.启发式变异算子能使演化规划算法更好地适应不同特点的连续优化问题,从总体上增强算法的鲁棒性.在求解多个Benchmark测试问题的数值实验中,基于启发式变异的改进演化规划算法比当前6种等概率分布演化规划算法有更快的收敛速度和更优的平均性能.     

适用于大数据的遗传优化算法研究

针对传统遗传算法对高维度数据或大数据易陷入局部最优的问题,提出了一种基于网格小生境与分级多种群共同演化的增强遗传算法.首先,采用基于网格的小生境算法建立主种群,主种群独立进化,将低适应度的样本迁移至子种群中.按照低适应度样本的适应度范围建立分级的子种群结构,各子种群内的样本独立演化,低适应度子种群的样本可进化并迁移至高适应度种群或返回主种群,从而防止具有一定竞争力的样本过早死亡.对比实验结果表明,本算法对高维度数据具有较好的优化效果,优于同类型遗传算法.     

面向大数据的超启发式SVM的网络安全框架研究

大数据环境下,为了提高支持向量机(support vector machines, SVM)在网络安全应用环境下的性能,提出了面向大数据的超启发式SVM网络安全框架。所提超启发式SVM框架由SVM和超启发式框架组成,超启发式框架的作用是生成配置参数,并将其发送到SVM,SVM使用生成的配置来解决给定的问题,然后将成本函数发送到超启发式框架。超启发式框架分为高层策略和低层启发式,高层策略具有搜索性能,可以控制选择低层启发式并生成新的SVM配置;低层启发式算法构成了一组特定于问题的启发式算法,使用不同的规则实现对SVM配置搜索空间的探索。该框架自适应地集成了基于分解和基于Pareto方法的优点,近似SVM配置的Pareto集,解决了启发式框架的优化问题。实验结果表明,所提框架性能优于其他算法,说明框架的有效性。     

基于MPICH平台的多种群并行遗传算法

提出了一种基于集群系统的多种群并行遗传算法，在集群系统的软件开发环境MPICH上构建了多种群粗粒度并行遗传算法框架．采用全局迁移方式交换通信域中各子群体的个体信息，并通过模拟退火规则来确定迁移代频．利用该算法框架对一类优化问题——N维目标函数的最小值问题，给出了具体的实现方法．最后对该类问题的两个实例进行了测试，基于该实例的测试数据对论文提出的算法进行了性能分析．结果显示，算法具有线性加速比，而且解的精度随着并行进程数量的增多而提高．     

基于改进的Memetic算法求解大学考试时间表问题

分析了大学考试时间表问题，给出了一种使用启发式重度变异算子的Memetic演化算法，讨论了该算法中的编码方案、约束条件以及各演化算子的实现等问题，实验结果表明：启发式重度变异算子的使用能有效提高算法性能，减少演化代数。     

基于精英迁移的主从式双种群动态遗传算法

针对0-1编码的动态优化问题,提出了一种基于精英迁移的主从式双种群动态遗传算法.主种群采用记忆机制,把从种群获得的最优个体替换主种群中较差的个体,同时参与到与记忆个体的演化操作.通过一组动态优化函数进行实验,仿真结果表明,本文提出的算法在各变化周期和变化强度下均能很好的跟踪环境的动态变化.     

基于本体的语义信息集成中的查询转换

随着计算机的应用的广泛,分布自治的各异构信息源之间要求能够进行信息共享。论文提出了一种基于webservice的语义集成框架,描述了利用本体进行信息集成的过程,提出了进行语义层查询处理的解决方案,给出了一种查询转换的算法。     

面向多数据集的共享显露序列模式挖掘

考虑到2个或多个数据集的显露序列对学习/知识迁移有用,提出一种特殊的显露序列模式,即共享显露序列模式(SESs),并给出一个基于共享广义后缀树的框架来挖掘共享显露序列模式,同时在挖掘SESs的过程中应用2种新的剪枝策略。从3个方面进行实验评估:SESs挖掘算法的性能分析,SESs的负迁移分析,以及SESs用于提高协同分类准确性分析。研究结果表明:新提出的SESs在时间性能、负迁移影响、提高协同分类准确性上均取得较好的性能。     

基于启发式有向圈查询的可疑交易识别研究

可疑交易监测分析是反洗钱研究的一个重要分支.图中存在一种非常重要的结构—有向圈.金融交易数据可以用有向图表示,称为金融交易图,金融交易图中的有向圈是一种可疑交易结构.提出了一种启发式有向圈查询算法,其基本思想是首先求得图中的强连通分量,然后针对每个强连通分量,进行启发式的深度优先搜索,与一般的深度优先搜索不同,该算法利用两个启发式信息来控制深度优先搜索的方向以及要访问的节点.还对节点数至少为3的强连通分量中一定存在有向圈做出了证明.并且对该算法的时间复杂度作了相关分析.该算法降低了论域的规模,从另一个侧面提高了算法性能.实验证明了算法的有效性,及使用启发式信息的必要性.该算法可检测出金融交易图中的有向圈这一可疑交易结构,为反洗钱研究提供技术支持.     

云计算环境下基于热力学演化算法的任务调度与虚拟机分配算法研究

在云计算环境下的云任务调度和虚拟机分配过程建立了数学模型,并将其转换为整数编码形式的组合优化问题,并提出了一种热力学演化算法进行问题求解。算法根据整数编码形式定义了基因熵和个体能量,并引入了温度的概念,算法中提出了两种选择策略,算法利用自由能极小值原理驱动种群向最优化方向演化。实验结果表明热力学演化算法可以有效地解决云任务调度和虚拟机分配问题,可以为云环境调度问题提供依据。     

定位-车辆路径问题的两阶段混合启发式算法

定位-车辆路径问题(LRP)集成了设施定位分配和车辆路径决策,属于NP-hard难题.为有效求解实际大规模的具有设施容量约束和车辆容量约束的LRP问题,设计了基于禁忌搜索及双种群蚁群算法的两阶段混合启发式算法.算法第1阶段采用禁忌搜索算法确定设施定位及客户分配,算法第2阶段采用双种群蚁群算法优化车辆路径,蚁群间的通信与协调通过信息素共享来实现.通过仿真试验并与其他启发式算法进行对比,结果表明,该算法是可行和有效的.     

共享历史最优信息搜索的粒子群算法

传统粒子群算法运行机理是通过粒子群全局最优和自身经验最优来搜索最优位置,不断迭代进化,以此趋近最优解,但该算法共享信息的局限性使其容易陷入局部最优.针对传统粒子群算法的不足,提出了共享历史最优搜索信息的粒子群算法.该粒子群体在搜索过程中,共享算法本次运行的种群个体历史最优信息、当前全局最优信息,及前几次运行过程中的种群个体历史最佳信息.通过5个经典函数的仿真实验测试,验证了该算法具有较强的全局搜索能力和收敛性.     

基于并行量子遗传算法的QoS组播路由方法

通信网络时延受限且满足带宽要求的最小代价组播树问题是NP完全问题,传统方法难以求解,一般采用启发式方法求解.提出了一种基于并行量子遗传算法的服务质量(QoS)组播路由算法,算法中将各个子群体独立地并行进化,并通过相邻子群体间的信息交换实现克服早熟,避免局部收敛的目的,还提出了一种新的动态旋转角调整策略,使算法具有更好的种群多样性和全局寻优能力.仿真实验表明,新算法在求解性能上优于遗传算法(GA)和采用静态旋转角的量子遗传算法(QGA).     

基于多目标数据挖掘的城市交通仿真算法研究

城市交通仿真是智能交通系统领域内的核心技术之一,其基础在于实时交通数据的采集和分析整理.而城市实时交通数据包括静态信息和动态数据,需要将多源数据进行融合并对数据进行分析和挖掘,提取交通特征.提出了一种基于聚类集成的多目标聚类分析框架.同时在此框架下,提出了一个启发式的聚类算法k-WANMI,进行快速有效的聚类分析.实验结果表明,提出的方法有效的满足多数据源的应用需求,提出的框架和算法能够处理混合数据、处理具有不同权重的属性并且能够进行多目标分析.     

一种求解多目标优化问题的协同演化算法

提出了一种求解多目标优化问题的协同演化算法.新算法改进了Kwee-Bo的协同演化的思想,将混合策略演化规划用于协同演化过程中,混合策略指导算法有效搜索过程,两个种群协同优化目标函数.标准测试函数的数值实验验证了新算法的有效性.     

粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法(CGGA)，该算法利用多个子种群基于不同的编码方式进行进化计算．首先各子群体独立进行交叉、变异和选择遗传操作，每代进化后迁移算子被引入用来进行种群问的信息交流，迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化．基于时齐遍历马尔可夫链理论，给出了CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵，证明了以概率1全局收敛．对典型的测试函数CGGA进行了求解．仿真结果表明，本算法的收敛性能优于经典遗传算法(CGA)，可以有效解决CGA的过早收敛问题．     

粒子群算法改进策略研究

粒子群算法是在鸟群、鱼群和人类社会的行为规律的启发下提出的一种新兴的基于群智能的演化计算技术,是一种启发式全局搜索算法,通过群体中个体之间的协作和信息共享,通过迭代寻找最优解。由于粒子群算法中粒子向自身历史最佳位置和领域群体历史最佳位置聚集,形成种群的快速趋同效应,容易出现陷入局部极值、早熟收敛或停滞现象。基于此,对粒子群的改进进行了全面的分析和研究。     

基于集成迁移学习的细粒度图像分类算法

针对现有的大部分细粒度图像分类算法都忽略了局部定位和局部特征学习是相互关联的问题,提出了一种基于集成迁移学习的细粒度图像分类算法。该算法的分类网络由区域检测分类和多尺度特征组合组成。区域检测分类网络通过类别激活映射(class activation mapping,CAM)方法获得局部区域,以相互强化学习的方式,从定位的局部区域中学习图像的细微特征,组合各局部区域特征作为最终的特征表示进行分类。该细粒度图像分类网络在训练过程中结合提出的集成迁移学习方法,基于迁移学习,通过随机加权平均方法集成局部训练模型,从而获得更好的最终分类模型。使用该算法在数据集CUB-200-2011和Stanford Cars上进行实验,结果表明,与原有大部分算法对比,该算法具有更优的细粒度分类结果。