随机学习萤火虫算法优化的模糊软子空间聚类算法

传统软子空间聚类算法在利用局部搜索策略解决等式约束的连续非线性的变量加权问题时,易陷入局部最优导致聚类效果不佳.针对该问题,该文提出了一种随机学习萤火虫算法优化的模糊软子空间聚类算法.该算法利用具有全局搜索能力的萤火虫算法对新算法的目标函数进行优化,同时,为弥补萤火虫算法易提前收敛和寻优精度较低的缺陷,对萤火虫种群进化方式和全局最优粒子的学习方式进行了改进.新算法将权值矩阵拟化成萤火虫种群,使变量加权的等式约束变为界约束,通过萤火虫位置的更新搜索最优权重并发掘子空间中隐藏的簇类.在人工数据集、UCI标准数据集和癌症基因表达数据集上的实验结果表明:该算法具有较好的聚类效果.     

基于邻域熵与蚁群优化的基因选择算法

针对基因表达数据集的基因选择问题,采用邻域熵度量与蚁群优化原理,提出一种基因选择方法.首先,引入邻域粗糙集模型对基因数据进行邻域粒化,定义邻域熵度量用于剔除冗余基因构成预选择基因子集;然后,采用邻域熵构造基因重要度作为启发式信息,发挥蚁群优化算法的分布式、正反馈及全局寻优的优势,运用蚁群优化算法从预选择基因子集中搜索出最小基因子集;最后,在选取的最小基因子集上进行分类测试.实验表明:建立在该最小基因子集上的分类器具有良好的分类性能.     

利用极值蚁群优化的制粉出力建模变量选择算法

针对制粉出力难以直接测量,以及制粉系统包含变量多且各变量间耦合性强的问题,提出了一种利用极值蚁群优化的制粉出力建模变量选择法,并采用支持向量机根据所选变量建立了制粉出力的预测模型.该算法基于蚁群优化的正反馈原理,对蚂蚁搜索到的各个变量的相对重要性加以区分,并根据幂律分布选择重要性较小的变量进行变异,使得较差解不断得到改善,从而引导蚂蚁朝着最优解的方向搜索.采用制粉系统现场数据对所提算法、蚁群算法和蚁群遗传算法进行比较,结果表明,所提算法具有更快的收敛速度,且由其所选变量建立的制粉出力模型具有较高的预测精度.     

基于基因算法的OFDM旁瓣抑制方法研究

为降低正交频分复用系统(OFDM)中高旁瓣对主用户的影响,使用基因算法探讨了OFDM系统中的旁瓣抑制问题。该方法是基于基因算法的搜索技术,在OFDM传输频带两侧插入取消子载波(CC),通过改变取消子载波的数目和载波频率间隔,确定以取消子载波权重为变量的旁瓣抑制适应度函数,再经过基因算法计算,使适应度函数达到最小值,确定最佳载波权重和数目。综合功率峰均比与占用频谱资源这两个条件考虑,仿真结果表明:在OFDM主频带两侧分别插入2个频率间隔与数据子载波相同的取消子载波,可抑制旁瓣达到49.86 d B,较之经典的CC算法旁瓣抑制效果更佳。     

结合遗忘特性的多任务多核在线学习算法

对于数据流的处理,多任务多核学习已逐渐成为在线学习算法研究的热点,它在一定程度上可提高数据流预测的准确性。多核方法尽可能使用最少的核函数得到最好的实验效果,当数据量增大、训练模型稳定时,通过阈值限定的方法对核函数进行遗忘,从而减少基本核函数的使用个数,使得计算更加简单;对于算法的优化,通过引入一个遗忘变量,从对偶的角度来进一步优化权重更新过程,这里的权重指多个任务的共有特征权重和每个任务间的特有权重,以提高算法的收敛速度。实验部分对核函数的选取进行了较为详细的分析,通过对UCI数据集和实际的机场客流量数据集进行分析,证明该本算法的合理性和高效性。     

用于多目标数据关联的群智能混合算法

为快速实现多目标数据的关联,将蚁群优化(AGO)算法和粒子群优化(PSO)算法相结合,提出了一种群智能混合算法.以跟踪门确定目标的有效量测,以新息的似然函数描述量测与目标的关联关系,建立多目标数据关联的组合优化模型.利用交叉变异的PSO算法求解出该优化组合模型的次优解,再将该次优解作为蚁群位置和信息素初始化的依据,利用ACO算法对目标函数的解进行细搜索以求得更优解.仿真实验结果表明,该算法能够有效地提高关联准确性和收敛速度.     

信息素S型更新的耦合ACO算法及其应用

针对蚁群算法存在易过早收敛、出现停滞现象、陷入局部极值的问题,提出S型信息素更新策略与Alopex算法相耦合的改进蚁群优化算法(IACO).该算法定义全新的S型动态自适应信息素全局更新函数,使信息素增量随迭代次数和目标函数值变化而动态变化,同时耦合Alopex算法以提高算法的局部搜索能力.将IACO算法应用于支持向量机参数的优化中,构成IACO-SVM模型.利用UCI标准数据集进行数值实验.研究结果表明:IACO算法具有较强的寻优性能,IACO-SVM模型具有较高的平均分类准确率和较好的稳定性.     

一种新型的自适应多核学习算法

针对样本基数较大、 维数较高、 特征较复杂的数据集训练问题, 将支持向量机与蚁群优化算法相融合, 提出一种自适应多核学习算法. 利用吸引子传播聚类算法自适应地发现相似特征, 并据此利用蚁群算法自适应地选择核函数参数, 从而快速选择最优核函数. 通过UCI数据集的5组数据实验表明, 该算法相比于传统的支持向量机分类准确率和F₁值更高, 验证了该算法的有效性和可行性.     

云计算和大数据环境下工作流数据感知调度

为了解决具有数据约束的工作流多标优化调度问题,提出了一种在保证业务逻辑前提下并考虑数据约束的数据感知调度算法.首先通过将工作流调度建模为一个多目标优化问题,开发了一种数据感知蚁群算法(DACO)来搜索最优调度方式,其次在该算法中将判断每个任务所需的数据量和任务之间的数据约束,感知每个业务之间的数据流,最后分治策略来搜索最优调度.实验结果表明,该算法在效率和成本效益方面优于现有的求解方法.     

基于禁忌搜索的混沌蚁群算法在SLAM数据关联中的应用

为解决SLAM的数据关联问题,提出了基于禁忌搜索的混沌蚁群算法,利用蚁群算法的正反馈和并行搜索能力构建初始解并进行优化.在全局信息素更新时加入混沌扰动,以跳出局部极值,利用禁忌搜索算法的特性,扩大解的搜索空间,得到全局最优解.在无人机SLAM仿真环境下进行试验,仿真结果表明该方法极大地提高了数据关联率,该算法是有效可行的.     

基于带宽受限模糊权重的蚁群优化算法及其应用

针对基于流量控制的优化路径很难得到最优解和计算复杂度过大等问题,该文提出带宽受限条件下基于随机网络拓扑的模糊蚁群优化动态流量分配方案.该方案根据网络流量的模糊控制划分路径权重,将路径权重融入信息素中;采用蚁群全局搜索和信息素控制在多条路径中动态选择最优路径.仿真结果证明了该算法的有效性,该法显著加快了传统路由算法网络流量的探索收敛速度.     

一种自适应蚁群分类算法

将分类学习看作是一个找出最优分类规则的优化问题,提出一种自适应蚁群分类算法——AdaptiveL_AMP,以得到一组可理解的分类规则.在基于规则的分类方法中,规则评价函数的选取至关重要,本文提出的算法能够针对不同数据集自动选取与之相适应的规则评价函数以提高分类准确性.此外,为进一步提高算法的分类准确率,设计了一种局部搜索策略并将其融入到AdaptiveL_AMP算法中.最后对算法进行了分析,并在多个公用的真实数据集上与相关算法进行了比较,结果表明AdaptiveL_AMP算法能够更加有效地解决分类问题.     

差分进化算法优化的图注意力网络集成研究

为进一步提升图分类算法的性能和稳健性,提出了差分进化算法优化的图注意力网络集成.首先,通过划分原始样本让不同的基学习器关注数据的不同区域;其次,利用差分进化算法良好的搜索能力,以分类器集成的分类错误率为目标函数优化基学习器的权重向量;最后,在权重向量基础上综合各基学习器的输出作为分类器集成的总体输出.实验引入引文数据集...     

一种基于特征向量中心性的基因调控网络结构推测算法

提出了一种基于特征向量中心性推断基因调控网络结构的算法,通过特征向量中心性挖掘基因在网络中的拓扑信息,结合基因对之间的相关性和拓扑信息构建完整的基因调控网络.算法在n个变量和n个样本的DREAM数据集以及包含9个变量和9个样本的大肠杆菌数据集上进行仿真测试,并与现有的基于距离相关性和网络拓扑中性的3种最先进的网络推理算法进行了比较,算法结果显示该方法能够提高基因调控网络结构的预测精度.     

基于蚁群算法骨性关节炎中药分子的分子对接研究

对治疗骨性关节炎的中药分子进行计算机分子对接研究,并对实验结果进行分析.对接过程中使用DOCK的评分函数进行能量计算,用蚁群算法改进对接的构象搜索过程并用均匀设计法确定蚁群算法的合适实验参数.实验数据来源于治疗骨性关节炎中药中的药物分子,选择5个分子与相应的靶标分子进行对接,实验结果与改进前使用单纯形方法的结果进行对比,时间及精度性能指标上都有所改善,显示蚁群算法用于优化对接过程中的构象搜索是有效的.     

量子化信息素蚁群优化特征选择算法

蚁群优化算法凭借其正反馈机制和强大的搜索能力被广泛地应用于各类优化问题求解上.本文试图将蚁群优化算法应用于特征选择领域并提出了新的量子化信息素蚁群优化(quantized pheromone ant colony optimization, QPACO)特征选择算法.相比于其他基于蚁群优化算法的特征选择算法,QPACO算法中采用了量子化信息素的启发式策略,改变了传统的信息素更新策略,因此避免了在搜索特征时的局部最优问题.实验采用了KNN分类器来指导学习过程,利用源于UCI数据库的多组数据集进行了相关的测试,实验结果表明,QPACO算法在分类精度、精确率、召回率和维度缩减率等方面均具有良好的性能.     

基于MWM的闪存数据库缓冲区置换算法

针对现有闪存数据库缓冲区置换算法无法充分发挥闪存存储器性能的现状,提出了一种基于最小权重矩阵(MWM)的高效缓冲区置换算法.该算法基于缓冲区代价置换算法思想,使用MWM来组织管理缓冲区的数据块,将数据访问频度映射为权重参数,用来参与缓冲区中数据块的置换.在闪存感知平台Flash-DBSim上针对几种典型测试类型数据集进行对比实验,结果表明:本文算法充分利用数据访问特征,特别适用于数据库中数据使用频率高的应用场景.     

基于蚁群算法和免疫算法融合的TSP问题求解

利用蚁群算法和免疫克隆选择算法的各自优势提出了一种新的融合优化方法:结合抗体小窗口局部搜索算法的蚁群和克隆选择融合算法(Aca_Csa_s Algorithm,简称ACLA).在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞;克隆扩增、免疫基因等算子的操作能加快克隆选择算法的收敛速度;局部搜索策略的应用,也有效提高了 ACLA算法搜索效率.针对TSP实验结果表明,该算法在收敛速度与求解精度上均取得了较好的效果.     

面向车辆路径问题的改进蚁群算法研究

为解决基础蚁群算法在求解车辆路径问题时出现收敛速度慢、易陷入局部最优解等问题,提出了一种改进蚁群算法.首先,引入节约矩阵更新选择概率公式引导蚂蚁搜索;其次,运用分段函数改进挥发因子,调整算法的收敛速度;再次,使用2-opt法,提高算法的局部搜索能力;最后,选取车辆路径问题国际通用数据集进行仿真,运用控制变量法找到信息素...     

组合蚁群算法及其化工应用

针对连续空间优化问题,提出基于新型蚁群算法和模式搜索策略的组合蚁群优化算法。该算法将解空间的每维变量都划分成若干子域,根据每维变量各个子域中信息量占每维变量总信息量的比例来决定蚂蚁在各个子域间的转移,并在各子域中引入遗传操作实现蚂蚁品质的提升。同时,当最优解经过若干代没有改进时,对所有蚂蚁通过模式搜索策略加快收敛进程。以非线性连续优化问题为例进行仿真,结果表明:该方法比遗传算法具有更好的性能。最后,将该算法应用于反应动力学模型参数估计,取得良好的效果。