P2P网络中移动agent的搜索资源分配研究

针对P2P网络中的资源搜索问题,讨论了非结构化P2P网络中的几种搜索方案,着重关注了基于移动a-gent的资源搜索方法,针对搜索资源有限、网络节点的异质性等约束提出了基于最优搜索理论的移动agent搜索资源的全局最优分配模型,并与通常情况下的均匀资源分配进行了比较.     

多方法集成预测短柄草核心启动子模体

为了解决真核生物启动子调控元件注释难题,以短柄草为研究对象,进行全基因组范围内的核心启动子模体预测.基于系统进化足迹技术,集成多种模体发现算法寻找启动子模体,并结合模体聚类算法筛选出真实模体.结果发现,在前10个最优的核心启动子模体中,有6个与已知的拟南芥模体一致,表明该方法的有效性.     

基于最优搜索理论的失踪旅游者搜救模型研究

文章研究在失踪旅游者搜索问题中引入最优搜索理论的方法。针对失踪者相对静态的情况,在目标分布函数与探测函数的基础上建立搜索模型,通过拉格朗日乘数法最优化计算,导出了探测函数服从指数形式时的静态失踪旅游者最优搜索模型和搜索资源最优配置的计算方法。经示例比较,研究建立的搜索模型大幅度缩短了失踪旅游者的搜索时间,提高了搜索效率与失踪者的生还机会。     

有限的一维复式晶格的振动模谱

以一维复式晶格模型为例,介绍有限晶格振动模的理论研究方法.分析了有限晶格振动模谱与无限晶格振动模谱的异同,发现边界晶格的构型能影响振动模谱,导致在振动模谱中出现带隙模或虚模.     

一种解决群进化算法参数设置问题的最优向量法

群进化算法是智能计算领域研究的核心内容,而算法中数值型参数的设置是影响算法搜索效率的重要因素,因此设计解决参数设置问题的方法也是群进化算法研究的重要内容.目前解决参数设置问题的常规统计方法是根据算法搜索的部分结果组成有限样本数据,依据统计最好值个数大小的判定结果来确定最优参数预设值.常规统计方法在有些测试样本数据中很难确定唯一的最优参数预设值.为了解决常规统计方法的缺点,提出了一种最优向量法,该方法可以将任意形式有限样本数据转换为向量,依据向量计算的判定规则进行最优参数预设值的确定.实验结果表明,依据获取的有限样本数据通过最优向量法找到最优参数值,采用该参数值的群进化算法搜索效率相对最优,从而验证了最优向量法的有效性.     

大规模网络的三角形模体社区发现模型

研究表明将边表示的网络转换为三角形模体表示形式,可以有效解决基于模型社区发现方法由网络规模庞大带来的计算瓶颈问题.提出一个三角形模体社区发现模型MCDTM(a Model for Community Detection based on Triangular Motifs),其将网络表示为一系列三角形模体,利用categorical分布对各三角形模体的生成过程建模,用最大似然参数估计方法给出参数估计的推理过程,根据参数估计结果可得节点、边及三角形模体的社区隶属度.人工网络和实际网络上的实验证明MCDTM模型可快速准确地发现网络的潜在结构.     

抗凋亡与促凋亡蛋白质的结构分析

针对SwissProt数据库所建立的239条抗凋亡蛋白质与222条促凋亡蛋白质数据集进行结构域、模体信息的搜索与分析,发现抗凋亡蛋白质与促凋亡蛋白质所特有的结构域和模体结构,也发现有部分结构域、模体信息是抗凋亡蛋白质与促凋亡蛋白质所共有的.在PDB数据库中找到上述结构域的二级和三级结构,再利用MEME搜索序列模体,从而提取出具有凋亡作用的保守的高级结构特征与信息,这些特征信息可以为抗凋亡与促凋亡作用机制的研究提供帮助.     

考虑服务公平性的连续泊位-岸桥集成分配

泊位和岸桥是集装箱码头非常最要的资源,合理的分派与调度可以有效地提高作业效率.目前泊位和岸桥的集成调度模型中大多以最小化船舶在港总时间或最小惩罚成本为目标函数,忽略了码头对船舶服务的公平性.为此,通过扩展现有的连续泊位分配模型,兼顾船舶惩罚成本及船舶等待与岸桥分配的公平性,建立多目标的连续泊位分配模型.设计一个三阶式邻域搜索算法, 该启发式算法包括邻域搜索安排船序列、停泊位置搜索和分配调整岸桥3个阶段.实验结果显示,不同的邻域策略取得的最优解不同,通过设置最优的邻域策略可以获取最优的目标函数值.实验表明,该模型与算法可以在接受的时间内取得最优解,相关成果可以为码头对船舶服务的公平性研究提供理论依据.     

基于二阶动力学模型的非完整多个体系统有限时间一致性问题研究

本文讨论了多智能体系统在受到外界扰动的无领导者系统的有限时间一致性问题.基于有限时间控制策略,本文设计了针对二阶智能体模型的连续分布式控制策略.首先针对二阶模型的多智能体系统,提出了有限时间一致性控制策略,并且通过设计了李雅普诺夫函数给出了完整的证明过程.其次,设计了仿真实验,并且在文中给出了仿真结果,验证了本文所提控制策略的有效性以及具有一定的抗扰动能力.     

求解航天器最优交会问题的改进和声搜索算法

针对航天器最优交会问题,基于C-W模型建立一种燃料时间混合指标,并提出一种改进和声搜索(AHS)算法进行求解.在AHS算法中,提出一种全局均匀学习操作,利用了当前全局最优和声的指导作用,取代了原始和声搜索算法的基音调整操作,增强全局搜索和局部搜索的平衡,并对参数PAR进行了有效的动态调整,以更好适应算法的搜索进程.利用几个最优交会实例对AHS算法的有效性进行了测试,数值结果表明AHS算法能够取得满意的结果,并且优于其他算法.     

有假信号干扰时的最优搜索

研究了在假信号干扰下搜索某区域内目标的问题，在将搜索目标的过程分为信号的获取阶段和鉴别阶段之后，利用本文建立的最优搜索模型，给出了求最优终止时间的算法。     

针对带约束匹配搜索的扩展Kuhn-Munkres算法

提出了扩展的Kuhn-Munkres算法,可解决带下界约束的局部匹配存在性问题,即在匹配全集的给定子集中,搜索得到一个二分图匹配满足其边权和大于给定阈值．扩展Kuhn-Munkres算法构造了一棵以Kuhn-Munkres算法中间过程为节点的搜索树,利用搜索优先级和剪枝,将算法时间复杂度降低至二分图匹配全集与给定子集差集规模的多项式函数．      

遗传算法在建筑物沉降预测中的应用

结合遗传进化算法的全局优化思想和时间序列分析的基本理论，提出了一种新的基于遗传算法的建筑物沉降非线性动力学行为预测模型进化识别算法。设计了模型结构和参数分别进化，共同识别方案，实现对非线性时间序列分析模型结构和参数进行全局最优搜索。实例分析结果表明：该方法具有较好的预测精度和推广预测能力，为高大建筑物沉降预测提供了一个有效的分析工具。     

使用较少进程的异步并行A~＊，AO~＊算法

对人工智能中，求最佳解的最佳搜索算法Ａ和对与或图求最佳解的搜索算法ＡＯ＊在共享存储器的多处理机模型ＭＩＭＤ－ＳＭ上分别给出了使用较少进程的异步并行算法，该方法也可用于其他的搜索算法和机器人的行为规划问题．     

基于随机游走的进化计算社区发现

网络结构关系错综复杂,在复杂网络上寻找最优的社区结构是一个NP-Hard问题,进化计算被认为是解决这类问题的有效方案,人们尝试利用群智能方法来搜索最优的社区结构。目前,针对包含节点属性的属性网络,基于进化计算的社区发现方法还面临若干挑战：（1）基因编码策略都直接或间接采用邻位编码,致使算法的搜索空间受限于拓扑结构,属性信息利用程度低,导致算法精度不足;（2）缺少对社区边缘度较小的节点的考虑,造成社区边界识别较低。针对上述问题,提出了一种基于随机游走的进化计算社区发现算法。首先,设计了一种基于拓扑及属性信息随机游走的社区初始化策略,以准确识别社区边界,提高社区发现的精度。其次,设计了综合考虑拓扑和属性的节点嵌入向量更新策略,使节点的属性信息能够在进化过程中被有效利用,以提高社区划分的质量。通过在真实和人工数据集上实验,验证了提出的新算法能够比现有方法得到更好的社区划分。     

时间序列数据的稳健最优分割方法

针对分段多项式回归方法存在计算效率低和对噪声较敏感等缺点，提出了具有稳健性的最优分割方法，以解决时间序列数据相似搜索及知识发现处理中的长时间序列分割问题。该方法采用自顶向下策略，然后根据自适应定阶算法直接选定一个合适的多项式阶，对每个候选变化点，经过一次判断即可确定多项式的合适阶次。由于该方法基于对线性模型的数据矩阵作奇异值分解，从而可自适应确定子序列合适的模型，简化了计算过程，文中对此给出了理论证明。通过与Garalnik-Srivastava方法进行实验比较，证明所提方法不仅计算效率高，而且具有良好的稳健性。     

演绎数据库中一个有效的推理算法

在基于与给定查询相关的事实与公理的基础上，给出了演绎数据库的一个产生式推理方法．该算法采用自底向上的搜索策略由公理的前提事实产生结论，同时又以自顶向下的方法分析以约束生成的事实集，从而得到良好的查询应答搜索效果     

网格环境下基于局部性原理的资源发现方法

在现有网格资源发现方法基础上,提出了一种分层网格资源发现模型,用户的查找请求先在底层虚拟组织内进行,若不能满足再转发到由超级节点组成的上层社区层.局部性原理的引入,降低了用户节点对超级节点的查询次数,基于类别的虚拟社区划分,使得对资源请求的查找限定在所属虚拟社区内进行,从而可缩小搜索空间,提高资源的发现速度.     

基于生产费用的柔性作业车间调度优化

考虑在制品库存费用、机床工时费、直接工人的工资费用、工件的提前和拖期完工造成的损失费用,提出了一种双资源柔性作业车间调度的生产费用计算方法.将模拟退火算法嵌入遗传算法中,设计了一种新的混合遗传算法.该算法首先利用遗传算法快速搜索一组较好的解,然后利用模拟退火算法进行群体寻优.采用基于工序的编码和一种新的解码方法,并运用多种交叉方法使得算法能够在解空间中尽可能地搜索最优解.为了避免最优解在进化过程中损失,采用择优操作将每代中的最优解保留下来,并不断更新.仿真结果表明:该方法是可行的,并具有一定的优越性.     

Application of Improved Compact Particle Swarm Optimization to Large Ontology Alignment Task

Ontology occupies an important position in artificial intelligence, computer linguistics and knowledge management. However, when different ontologies are constructed to represent the same information in a domain, the so-called heterogeneity problem arises. In order to address this problem, a key task is to discover the semantic relationship of entities between given two ontologies, called ontology alignment. Recently, the meta-heuristic algorithms have already been regarded as an effective approach for solving ontology alignment problem. However, firstly, as the ontologies become increasingly large, meta-heuristic algorithms may be easier to find local optimal alignment in large search spaces. Secondly, many existing approaches exploit the population-based meta-heuristic algorithms so that the massive calculation is required. In this paper, an improved compact particle swarm algorithm by using a local search strategy is proposed, called LSCPSOA, to improve the performance of finding more correct correspondences. In LSCPSOA, two update strategies with local search capability are employed to avoid falling into a local optimal alignment. The proposed algorithm has been evaluated on several large ontology data sets and compared with existing ontology alignment methods. The experimental results show that the proposed algorithm can find more correct correspondences and improves the time performance compared with other meta-heuristic algorithms.