基于DPSO最小碰集算法的掩盖故障识别

针对可测性分析中掩盖故障识别的难点,提出一种掩盖故障存在性的判定及计算其冲突集方法;并将离散粒子群算法(discrete binary particle swarm optimization,DPSO)用于求解冲突集的最小碰集,实现掩盖故障最小碰集的求解;为克服DPSO易陷入局部最优的缺点,还比较了惯性权重对DPSO算法性能的影响。实例验证表明:与求解掩盖故障的其他方法相比,惯性权重线性变化的DPSO算法不仅提高了算法效率,而且避免了其他算法求解时容易出现"计算爆炸"的问题,尤其适合于识别大型复杂系统的掩盖故障。     

基于最小割序集的独立电力系统可靠性分析

故障树分析方法是对系统进行可靠性评估的有效方法,但在独立电力系统可靠性的计算中存在可靠性参数计算量大、求解困难等问题。对此,采用故障树最小割序集方法求解独立电力系统的可靠性指标,针对求解可靠性指标时存在的组合爆炸问题,提出了基于时间运算符求解最小割序集的方法。运用分层模块的方法简化动态故障树模型,并根据最小割序集的逻辑运算规则得到最小割序集。最后运用失效概率公式求解得到独立电力系统的可靠性指标。以某常规独立电力系统和B787飞机电力系统可靠性分析为例,验证了所提算法的可行性和正确性,为求解独立电力系统的可靠性指标提供了一种新的思路。     

基于改进BPSO的聚类选择性集成

首先针对离散二进制粒子群(binary particle swarm optimization, BPSO)容易陷入局部收敛的问题,提出一种改进的BPSO算法。在分析高斯密度函数对尺度敏感性的基础上,利用粒子群与全局最优粒子的一致性动态调节尺度参数,并利用密度函数对称区间的定积分确定全局最优粒子的变异概率。而后将聚类的选择性集成抽象为组合优化问题,利用聚类成员有效性和差异性的加权组合定义适应度并以改进BPSO的进化过程实现聚类的选择性集成。最后基于标准数据集和图像数据集验证算法的有效性。     

频繁项目集二次挖掘方法研究

针对关联规则数据挖掘中频繁项目集的二次挖掘问题,提出了一种能够解决当最小支持度发生变化而交易数据库不变情况下进行二次挖掘的改进算法(UMSA)。该算法充分利用频繁项目集的特性,通过新的拼接方法来减少候选项目集的生成,在扫描交易数据库确定k维频繁项目集时,采用在交易数据库中剔除无用的交易,达到不断减小交易数据库规模的目的,克服了一些算法中存在的漏采现象,并在一定程度上解决了非确定性问题。通过举例说明该算法的执行过程及其算法的正确性和有效性,并对其性能进行了分析。     

度约束最小生成树(DCMST)的竞争决策算法

度约束最小生成树是网络设计和优化中的一个NP难题，介绍了一种基于竞争造就优化和决策左右结果的新型算法——竞争决策算法，利用竞争决策算法的通用模型，给出了一种基于竞争决策思想求解度约束最小生成树的快速求解方法，经过数据测试和验证，并与其它算法的结果进行了比较，得到了较好的结果．     

启发式交叉求解TSP问题的混合遗传算法

在给出度约束最小生成树的快速生成方法的基础上，设计了一种启发式交叉求解TSP问题的混合遗传算法．该算法在交叉操作的设计上，与其他遗传算法有本质的不同，该交叉操作是在不违反度约束和不形成圈的前提下，每次从父代基因所拥有的边中加入权最小的边，从而形成子代．利用该算法得到了TSP CHN144问题迄今为止最好的解．     

基于模糊机会约束SVDD的故障诊断方法

针对使用不确定性数据进行多故障模式诊断问题,以模糊事件的可能性测度为基础,提出一种基于模糊机会约束支持向量数据描述的诊断方法。为有效地求解故障分类模型,提出模糊机会约束规划的对偶规划,根据贯序最小算法 (sequential minimal optimization,SMO)思想提出快速训练算法,利用支持向量数据描述使用一类数据求解分类面的优势,构建多类分类器。数值试验表明,本方法可以有效处理基于不确定数据的故障诊断问题,在故障类别较多的情况,速度有较大提高,具有一定实践意义。     

基于最小生成树与概率松弛结合的谱匹配算法

提出了一种基于最小生成树与概率松弛结合的谱匹配算法。该算法分别对给定的两个待匹配的特征点集构建最小生成树,通过最小生成树构造Laplace矩阵,由奇异值分解该矩阵得到的特征值和特征向量,计算出特征点匹配的初始概率,利用概率松弛迭代法,获得最终匹配结果。用大量的真实序列图像进行比较实验,结果验证了该算法的有效性和准确性。     

基于最小生成树的LAPLACE谱图像匹配算法

提出了一种基于最小生成树的Laplace谱图像匹配算法.首先分别对两幅待匹配图像的特征点集构造完全图,其次寻找最小生成树,然后通过各自的最小生成树构造Laplace矩阵,接下来进行分解并利用分解结果构造匹配矩阵,最后通过匹配矩阵实现两幅图像匹配.实验验证了该算法能够降低匹配的时间复杂度和获得较高的匹配精度.     

双倍体差分进化粒子群算法在VRPSDP中的应用研究

针对粒子群算法和差分进化算法的不足,根据生物遗传学规律,提出了双倍体差分进化粒子群算法,并将其用于具有集送货需求车辆路径问题的求解中.个体有显性隐性两种状态,显性状态执行粒子群优化规则,隐性状态执行差分进化规则,通过比较适应度显性隐性可以互换.根据算法和问题特点,提出了一种实数编解码方案,使用启发式算法修正和改进算法结果.通过仿真实验,分析讨论了算法的参数,并与其他算法进行了比较,表明该算法是求解具有集送货需求车辆路径问题的有效方法.     

Cooperative extended rough attribute reduction algorithm based on improved PSO

Particle swarm optimization (PSO) is a new heuristic algorithm which has been applied to many optimization problems successfully. Attribute reduction is a key studying point of the rough set theory, and it has been proven that computing minimal reduction of decision tables is a non-derterministic polynomial (NP)-hard problem. A new cooperative extended attribute reduction algorithm named Co-PSAR based on improved PSO is proposed, in which the cooperative evolutionary strategy with suitable fitness functions is involved to learn a good hypothesis for accelerating the optimization of searching minimal attribute reduction. Experiments on Benchmark functions and University of California, Irvine (UCI) data sets, compared with other algorithms, verify the superiority of the Co-PSAR algorithm in terms of the convergence speed, efficiency and accuracy for the attribute reduction.     

构造网络不交化最小路集的一种新算法

网络系统不交化最小路集的求解是进行网络系统可靠性分析的重要途径.本文以网络计算为基础,根据不交化代数及不交化最小路集的树生成算法提出了一种新的直接求解网络系统不交化最小路集的算法.该算法简便易行,具有分布计算的特点,为大型网络系统的可靠性分析提供了一种新的途径.     

基于多维特征差异的个性化学习资源推荐方法

协同过滤算法和二进制粒子群算法是目前学习资源推荐领域研究热点.然而,协同过滤算法推荐的学习资源过于随机化,不能满足学习者进行整体知识建构的要求.而基于二进制粒子群算法构建的资源推荐模型,以推荐所有学习者完整的学习资源为目标,且模型数据较难预测,不符合在线智能化学习的趋势.针对以上问题,提出了基于多维特征差异的个性化学习资源推荐算法:首先根据学习者和学习资源多维特征差异建立学习资源推荐模型,并考虑了学习偏好;其次引入协同过滤技术对模型数据进行预测;最后针对推荐模型的多目标优化特征,将协同过滤算法和二进制粒子群算法结合,提出了对惯性权重和种群多样性进行动态协同调整的自适应二进制粒子群算法,实现了个性化学习资源推荐.实验证明,该算法具有较好的准确性,能够满足个性化学习资源推荐的需要.     

基于粗糙逻辑的增量式属性约简算法

知识约简、决策规则的获取是粗糙集理论研究的核心内容。以粗糙逻辑为基础，首先给出了在新实例加入论域后判断约简变化与否以及判断原极小决策算法中决策规则变化与否的判定依据。在此基础上，提出了一种增量式属性约简算法。该算法能有效地减少计算属性约简与极小决策算法的计算量，提高了计算效率。     

微波接力组网的节点再优化研究

为进一步完善常规方法构建的微波接力网组网拓扑,提出了一种基于最优链路集的网络节点再优化方法。该方法综合考虑节点吸引系数、链路衰落概率、节点通信冗余等因素,借助网络拓扑优化的思想,采用遗传算法构造了微波接力网的最优链路集;以节点在该集合中的度为依据,通过对节点的合理排序,以部分用户节点代替非必要的干线节点,完善了组网拓扑。在修改链路和节点价值集后,该方法还可解决其他网络干线、中继节点的选择问题。     

基于局部弹性路由层的关键航路段改航规划

空中交通流量管理中,改航规划是一项重要工作,可为失效的航班提供新的飞行路径,减小延误损失,提高空域利用率。目前的改航策略往往只考虑静态网络中的最短路问题,忽略了流量负载均衡,不利于解决多航段故障问题。本文提出了一种基于局部弹性路由层(local resilient routing layer, LRRL)的改航规划策略:利用连边删除评估法识别航路网络中的关键航路段集合,对其建立LRRL,通过二进制粒子群优化(binary particle swarm optimization, BPSO)算法进行优化,形成最优改航规划预案。仿真结果显示,该方法在多机场多航段故障时可提供兼顾流量负载均衡、重要航路保护度及其改航成本的改航预案,辅助管制指挥人员决策。     

Multiple-target tracking with adaptive sampling intervals for phased-array radar

A novel adaptive sampling interval algorithm for multitarget tracking is presented.This algorithm which is based on interacting multiple models incorporates the grey relational grade (GRG) into the particle swarm optimization (PSO).Firstly,the desired tracking accuracy is set for each target.Secondly,sampling intervals are selected as particles,and then the advantage of the GRG is taken as the measurement function for resource management.Meanwhile,the fitness value of the PSO is used to measure the difference between desired tracking accuracy and estimated tracking accuracy.Finally,it is suggested that the radar should track the target whose prediction value of the next sampling interval is the smallest.Simulations show that the proposed method improves both the tracking accuracy and tracking efficiency of the phased-array radar.     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

Improved artificial bee colony algorithm with mutual learning

The recently invented artificial bee colony (ABC) algorithm is an optimization algorithm based on swarm intelligence that has been used to solve many kinds of numerical function optimization problems.It performs well in most cases,however,there still exists an insufficiency in the ABC algorithm that ignores the fitness of related pairs of individuals in the mechanism of finding a neighboring food source.This paper presents an improved ABC algorithm with mutual learning (MutualABC) that adjusts the produced candidate food source with the higher fitness between two individuals selected by a mutual learning factor.The performance of the improved MutualABC algorithm is tested on a set of benchmark functions and compared with the basic ABC algorithm and some classical versions of improved ABC algorithms.The experimental results show that the MutualABC algorithm with appropriate parameters outperforms other ABC algorithms in most experiments.