基于VNS-EM混合算法的两阶段装配流水车间调度

针对以最小化工件提前期和拖期惩罚费用加权和为目标的两阶段装配流水车间调度问题,证明了工件之间的最优排序性质,并将其嵌入优化算法中.由于该问题的NP难性,提出了一种变邻域类电磁机制(VNS-EM)混合算法.该混合算法在类电磁机制(EM)算法的每一次迭代过程中嵌入改进的变邻域搜索(VNS)算法,利用其较好的局部搜索能力对每代最优个体的邻域进行精细搜索,从而提高解的质量.仿真结果表明了算法的有效性.与VNS算法和EM算法相比较,提出的VNS-EM混合算法能更好地兼顾算法的精度和求解速度.     

基于模糊近似空间的S-粗集模型研究

基于近似空间,对原始S-粗集模型进行了扩展.提出了基于模糊近似空间的S-粗集模型,讨论了模型的上下近似算子的性质;接着分析了此模型与已有模型的相互关系,最后通过实例对此模型进行了说明.     

利用改进的HBDE算法求解MAX-k-SAT问题

目前,利用进化算法求解组合优化问题已成为智能计算领域中的研究热点。本文基于二进制差分演化算法和动态变邻域搜索相结合提出了一种求解最大可满足问题(MAX-k-SAT)的改进算法(记为IBDE),通过与遗传算法和Johnson算法对一系列随机大规模MAX-k-SAT实例的求解比较表明:IBDE是一种求解MAX-k-SAT问题非常有效的新方法。     

基于动态约简的铁路牵引供电系统故障诊断研究

对铁路牵引供电系统中的复杂信息进行采集并构建决策表,基于动态约简方法建立故障诊断数学模型,降低了已有诊断方法中对专家主观判断的依赖性,提高了故障诊断结果的可靠性。后对津山线牵引供电系统的故障情况进行了分析。     

基于改进邻域收缩法的非下采样Contourlet变换域红外图像去噪

提出了一种基于改进邻域收缩法的NSCT域红外图像去噪算法。首先使用Bayes Shrink自适应阈值取代通用阈值作为改进邻域收缩法中的收缩阈值,再利用该收缩阈值对NSCT分解后的红外图像的高频子带进行系数收缩处理。仿真实验结果表明:改进算法在去噪性能和视觉效果方面相对于实验中的对比方法均有所提高,具有较好的抗噪性能和良好的边缘保护能力,能够有效的用于红外图像的去噪中。     

基于粗糙集的增强学习型分类器

为了提高分类的精确度,提出一种基于粗糙集理论的增强学习型分类器。采用分割算法对训练数据集中连续的属性进行离散处理;利用粗糙集理论获取约简集,从中选择一个能提供最高分类精确度的约简。对于不同的测试数据,由于离散属性值的变化,相同的约简可能达不到最高的分类精确度。为克服此问题,改进了Q学习算法,使其全面系统地解决离散化和特征选择问题,因此不同的属性可以学习到最佳的分割值,使相应的约简产生最大分类精确度。实验结果表明．该分类器能达到98％的精确度．与其它分类器相比．表现出较好的性能。     

连续型目标信息系统的属性约简

针对连续型数据的属性约简问题, 提出了一种新的属性约简方法[CD2]基于分配可辨识矩阵的属性约简方法。给出了基于连续型数据的分配协调集的概念, 研究了基于连续型数据的分配协调集的基本性质, 定义了基于分配协调集的辨识矩阵。在此基础上提出了基于辨识矩阵的连续型数据的属性约简方法, 并给出了计算辨识矩阵的算法。实例分析表明, 该方法能有效地对连续型数据进行属性约简。     

一种由三角模所诱导的粗糙集间的相似性度量方法

给出两粗糙集间一种新的相似度计算方法,并将其应用到模糊模式识别问题中,通过算例说明这种方法的可行性和有效性.     

测试代价敏感的粗糙集方法

在粗糙集模型中,α量化不可分辨关系是强与弱不可分辨关系的推广形式.然而值得注意的是,基于这三种不可分辨关系的粗糙集并未考虑数据中属性的测试代价.为解决这一问题,提出了测试代价敏感的α量化粗糙集模型,从二元关系的角度使得粗糙集模型代价敏感,并将新模型与基于强不可分辨、弱不可分辨以及传统α量化不可分辨关系的粗糙集模型进行了对比分析.进一步地,通过分析传统启发式算法在求解约简的过程中未考虑降低代价这一不足之处,提出一种新的属性适应性函数,并将其应用于基于遗传算法的约简求解中.实验结果表明该方法不仅可以降低由边界域所带来的不确定性而且同时降低了约简后的测试代价.     

基于α-β优势关系的区间值信息系统属性约简方法

区间值信息系统是单值信息系统的一种扩充,如何对其进行属性约简是区间值多属性决策中的一个重要的问题.在已有的优势关系基础上,定义了α-β优势关系,得到基于新的优势关系的可辨识矩阵,进而对区间值信息系统进行属性约简,给出了约简算法.最后通过一个算例验证了新方法的可行性,并与已有方法进行了比较,结果表明所提出的方法更为简单有效.