模拟退火算法在钢桁架优化设计中的应用

将模拟退火算法应用于桁架结构离散变量优化问题,提出新的用于离散变量的退火邻域结构,进行了三杆和十杆桁架结构模拟退火算法优化计算,并与遗传算法和传统优化设计方法的优化结果进行了比较.结果表明模拟退火算法对桁架结构离散变量的优化问题更加有效,且新的邻域结构加快了算法的收敛速度,提高了算法的稳定性和有效性.     

基于离散过程神经元网络的农作物产量预测模型及其应用

采用离散过程神经元网络建立农作物产量基于种子、土壤、施肥、气候等影响因素下的预测模型,使用模拟退火-遗传算法对权值进行分层修订,并通过实际数据进行验证,得出此模型泛化能力较强,可以应用于其它经纬度,其它农作物生长参数的预测中,是一种全新的动态预测方法的结论。     

基于遗传算法和变精度粗糙集的离散化算法

目前常用的离散算法多为单属性离散化算法.利用该类算法对多维连续属性进行离散化时,逐次对单个属性进行离散化,割裂了多维属性之间的关系.基于此提出了一种基于遗传算法和变精度粗糙集的多属性离散化算法.该算法基于变精度粗糙集所具有的较好数据分类容错和抗噪能力,通过变精度粗糙集近似分类精度建立遗传算法适宜度评价函数,并利用遗传算法在多维连续属性候选断点集上寻找最优断点子集.基于UCI数据集比较了所提算法与多种常用的离散化算法的差异,实验结果表明,该算法可以获得相对较好的离散化效果.     

基于改进的模拟退火遗传算法的公交线网优化

文章将遗传算法与改进的模拟退火算法相结合组成混合改进的模拟退火-遗传算法。研究了以居民乘车出行时间最短和公交部门投入最少为目标建立的公交线网优化的模型,并利用改进的模拟退火-遗传算法对该模型进行求解。通过温州滨海新区的规划实例研究验证方法的实用性。     

基于模拟退火算法的蛋白质空间结构预测

模拟退火是一种通用的启发式优化算法，将模拟退火思想用于求解蛋白质结构预测问题，计算结果表明利用SA算法得到的解优于目前常用的遗传算法和MonteCarlo方法．     

一种基于循环回归的推荐算法

提出了一种基于循环回归的推荐算法.首先,对原数据集中的评分数据及缺失值进行离散化处理,然后对离散化数据进行回归模型训练,此过程循环执行并最终建立推荐系统.在离散化阶段,对比不同的离散方法,并对它们的分类粒度开展研究.在模型训练阶段,讨论回归算法对于模型性能的影响.数值计算实验表明,本算法较之近年非常热门的SVDFeaute方法,能够产生更小的均方根误差,验证了算法的有效性.     

基于模拟退火算法的最优层叠滤波器设计

为了改进层叠滤波器的优化方法,提出基于模拟退火算法的层叠滤波优化设计方法,用来处理灰度图像.层叠滤波器是基于阈值分解发展起来的一种非线性滤波器,它的优化过程是对正布尔函数不断学习的过程.模拟退火算法是一种通用的优化算法,目前已在工程中得到广泛的应用,优化的时间相对于遗传算法要短.仿真结果可知,应用模拟退火算法的优化层叠滤波器,可有效滤除噪声和保持图像细节.     

基于可变网元的离散路网设计模型与算法

对离散路网设计问题中新增道路带来原有路网单元结构与属性变化的影响进行分析,指出考虑这一影响后,Braess诡异出现的可能性大大增加.进而建立了基于可变网元的离散路网设计模型,采用路网生成算子来表征道路增减带来的路网单元结构的变化,设计了路网生成算子的算法流程.最后给出了求解离散路网设计模型的模拟退火遗传算法,并给出了算法实例.     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

模拟退火遗传算法与结构优化设计

介绍了模拟退火遗传算法的基本理论及其特点,以在应力约束条件下的静定桁架结构的离散变量结构优化设计为例,证明了该方法的有效性和实用性.     

基于三段式编码GA的连续属性关联规则挖掘方法

如何有效地从具有连续属性的数据中挖掘关联规则,是目前数据挖掘领域的一个研究热点。论文基于遗传算法,提出了一个连续属性关联规则挖掘方法。在该方法中,首先采用三段式编码将连续属性离散化、属性约简和规则提取集成在一起,然后将小生境引入到遗传算法中,以避免早熟、提高挖掘效率。实验表明,该方法是有效的。     

基于遗传算法的Parzen窗离散化方法

为解决连续属性无法直接用于粗糙集理论中这一问题,将Parzen窗方法和遗传算法相结合,提出了一种全新的属性离散化方法。该方法首先选取较多个断点将连续属性分为较多类,然后结合粗糙集理论的一致性要求和Parzen窗所反映的离散结果稳定性指标定义遗传算法的适值函数。仿真结果表明:使用该方法得到的离散结果能得到较少个断点,并且保持数据原有的分类能力。     

基于连续数据量化的声纳传感器数据识别方法

为了有效识别声纳信号,提出一种基于连续数据量化的声纳传感器数据识别方法。首先用声学传感器采集数据;其次运用数据离散化方法,有效地将采集到的数据进行连续数据离散化;最后,通过数据挖掘技术(C4.5/C5.0决策树、SVM和Naive-Bayes分类器)对离散后的声纳信号数据进行分类识别。实验首先在UCI数据集上进行Naive-Bayes分类预测来评价提出离散化方法的性能,得到了较好的效果。其后,通过声学传感器收集到的Sonar数据集进行实验。结果表明,新的离散化方法提高了四个分类器的识别精度,表明该声纳传感器数据识别技术是非常有效的。     

一种基于连续属性离散化的知识分类方法

提出一种基于连续属性离散化的知识分类方法.将条件属性按照重要度由高到低排序,并依照此排序将决策表中各条件属性依次离散化.在对决策表中条件属性的离散化过程中充分考虑已离散化的条件属性及决策属性,离散后的决策表不需要进一步约简.使用了模拟数据和UCI机器学习数据集中的数据进行算法测试,而且与其他离散化算法进行了对比,结果充分证明了新方法的有效性.     

装备模拟训练系统数据离散化

离散化是装备模拟训练系统数据预处理的重要组成部分。针对传统数据离散化方法对单个属性依次处理,往往忽视属性间的相关性,造成装备模拟训练系统数据离散化后的误差。提出基于层次聚类和相容度的数据离散化方法。采用逐层泛化构建离散化总体框架,完成对装备模拟训练系统数据混合型决策表处理。设计动态确定簇数的层次聚类,实现对属性的初始整体划分;结合类别属性信息和相容度合并相邻区间,去除冗余的离散划分。实验结果表明,基于层次聚类和相容度的数据离散化方法在区间总数、精度方面有明显优势。     

基于改进[FK(W][BG(][BHDWG1,WK*2/3W][ZB(][BHDWG*3,WKW] χ [ZB)W][BG)W][FK)] 2统计的数据离散化算法

在基于χ2统计独立性的离散化算法中,自由度与期望频数的选取直接影响χ2计算的准确性,从而影响离散化的性能.为此,提出了一种基于改进χ2统计的数据离散化算法,提高了基于统计独立性离散化算法的质量.首先,分析了χ2函数中自由度选取的不足,给出了自由度选取的修正方案;其次,根据数据类分布等特点,提出了期望频数的改进方案,克服了不同数据集赋予相同期望频数的缺陷,提高了χ2计算的准确性.实验结果表明,改进的方法显著提高了C4.5决策树与Naive贝叶斯分类器的学习精度.     

离散化方法在基于粗糙集焊接建模中的比较

粗糙集建模方法是一种新的且重要的焊接过程建模方法,离散化是粗糙集建模方法中一个必要且重要的步骤.针对已有离散化方法众多、难以取舍的特点,讨论并确立了焊接建模过程中离散化方法的选择标准.以低碳钢的脉冲钨极氩弧焊为背景,针对相同的建模数据,采用除离散化外相同的粗糙集建模步骤,并以十折交叉确认法为验证方法,对比不同离散化方法对焊接粗糙集模型的预测能力的影响.实验表明,基于熵的离散化方法更加适合焊接过程的粗糙集建模.最后,探讨了基于熵的离散化方法的参数选择.     

分类问题中连续属性的离散化方法

提出了连续属性的一种离散化方法,指出与其他离散化方法的不同之处:离散化算法应是与挖掘目标息息相关的.研究和探讨了分类问题中的属性离散化方法,以分类精度和正域的势来评估每一步离散化过程,并将评估结果进行反馈,直至所有属性的属性值判断完为止.通过UCI机器学习数据库的实验表明,属性值个数的减少会提高在数据集上运行数据挖掘算法的效率,离散化后的分类正确率保持不变或有一定的提高.     

基于量子遗传算法的无人机冲突解脱方法

飞行冲突解脱对于无人机飞行安全至关重要,遗传算法(genetic algorithm, GA)在解决无人机冲突解脱时存在求解速度慢、产生的延误距离较大等缺点,针对这些缺点,提出一种基于量子遗传算法(quantum genetic algorithm, QGA)的无人机冲突解脱方法。该方法采用了量子比特编码,设计加入了延误指数函数强制优化策略和变航向优化策略,通过利用量子旋转门实现个体的演化,并在延误距离、冲突解脱航迹等多方面与遗传算法进行了对比实验。仿真实验结果表明,该方法与遗传算法相比,求解速度更快,解的质量更高,所得解脱航迹更平滑,能获得较小的飞行延误,在无人机冲突解脱方面具有有效性和良好的应用价值。