基于分割的超树分解方法

基于det-k-decomp算法, 通过引入同构的概念和对separator选择空间的进一步限制, 提出一类新的超树分解： 分割的超树分解, 并提出一种具有较小超树宽度的超树分解方法: 基于分割的超树分解--sht-k-decomp, 该算法能有效提高约束满足问题的求解效率. 实验结果表明, sht-k-decomp算法多数情况下效率高于det-k-decomp算法.     

XGBoost启发的双向特征选择算法

针对特征选择过程中特征评价指标单一性的问题, 基于集成学习中的极端梯度提升算法, 提出一种新的特征选择算法. 该算法首先应用极端梯度提升算法中构建集成树模型的指标作为特征选择的特征重要性度量指标, 然后利用一种新的双向搜索策略, 权衡了多种特征重要性对结果的影响, 并优化了评价过程的效率. 通过11个不同维度的标准数据集进行测试, 实验结果表明, 该算法能增加特征子集的多样性, 加快特征选择的速度, 并在中维和低维数据集上均具有较高的计算效率, 且能处理高维数据集.     

基于Petri网的PLC程序设计

随着生产过程复杂性的增加,对系统的控制也更加复杂.传统的PLC程序设计方法,已不适用于诸如协调、竞争等控制的设计.需要寻求新的程序设计方法来满足复杂的控制要求.本文介绍了基于Petri网的PLC程序设计.     

产品构模器的设计与实现

通过对大批量定制中产品配置问题的分析, 给出了广义产品结构和广义产品结构约束两个概念, 建立了广义产品结构模型, 在此模型的基础上, 利用Java, XML, SQL Server等主流的网络和数据库技术, 设计并实施了一个产品构模器, 实现了多种类型产品的通用配置知识表示.     

一种笛卡尔积压缩的负表约束上表缩减算法

利用笛卡尔积压缩方法可有效减小负表约束规模的原理, 提出一种在压缩负表上维持广义弧相容的高效算法STRC-N, 以解决负表约束维持弧相容过程中遍历所有元组导致效率低的问题. 实验结果表明, 当压缩负表上压缩率较大时, 得益于表规模的减小, 新算法相对于主流的负表约束处理算法效率更高, 性能更好, 从而实现了对负表约束处理算法的改进.     

Knapsacks约束的弧相容改进算法

通过修改背包约束弧相容算法的数据结构,将点阵图改为有向图,解决了原背包约束弧相容算法中存在冗余计算和无效操作的问题,加快了算法对问题的求解效率.对比实验结果表明:在面对同一类问题时,因为数据结构更复杂,改进算法的初始化时间虽增加,但求解时间提高了20%~50%;在面对求解难度较高的问题时,改进算法能更好地缩减求解问题的时间.     

基于LightGBM的特征选择算法

为解决过滤式和基于演化学习的包裹式两类特征选择算法的缺陷,提出一种新型包裹式特征选择算法LGBFS(LightGBM feature selection).首先引入LightGBM对原始特征构建迭代提升树模型并对特征重要度进行度量;随后结合提出的LR序列前向搜索策略LRSFFS对特征进行选择;最后将所提出算法与9种对比算法在21个标准数据集上进行对比,结果显示LGBFS在21个标准数据集中的16个取得最优分类精度、18个取得最优维度缩减率和最优CPU运行时间.还进行了时间复杂度分析与显著性检验,检验表明LGBFS相较6种对比算法具有显著性差异,也说明LGBFS能够同时兼顾特征子集的计算效率和分类精度.     

基于熵权法的过滤式特征选择算法

互信息过滤式特征选择算法往往仅局限于互信息这一度量标准.为规避采取单一的互信息标准的局限性,在互信息的基础上引入基于距离度量的算法RReliefF,从而得出更好的过滤式准则.将RReliefF用于分类任务,度量特征与标签的相关性;应用最大互信息系数(maximal information coefficient,MIC)度量特征与特征之间的冗余性、特征与标签的相关性;最后,应用熵权法为MIC和RReliefF进行客观赋权,提出了基于熵权法的过滤式特征选择算法(filtering feature selection algorithm based on entropy weight method, FFSBEWM).在13个数据集上进行对比实验,结果表明,FFSBEWM所选择的特征子集的平均分类准确率和最高分类准确率均优于其他对比算法.     

基于列存储数据库的压缩态数据访问算法

基于列存储数据库数据访问的特点, 对主流整数压缩格式进行改进, 提出了3种整数压缩算法及相应的压缩态数据访问算法. 实验结果表明, 不解压而直接访问压缩态数据非常高效, 从而为数据的压缩态运算提供了有力支持.     

基于具有自适应与自学习能力的粒子群优化算法的车间调度算法

针对车间调度问题, 提出一种新的基于粒子群优化和模拟退火的混合算法. 该算法将问题规模作为启发式信息, 通过对模拟退火算法引入新的邻域搜索机制--多粒度搜索, 并加入选择优化和淘汰更新机制, 提高了算法的自适应性和自学习能力, 降低了粒子群算法陷入局部最优的可能性. 实验结果表明, 该算法在最优解的求解能力上优于其他算法.