一种改进森林优化的K-means聚类算法

针对K-means算法易受聚类中心影响而陷入局部最优的问题,提出一种基于改进森林优化算法的K-means聚类算法。首先,将衰减因子引入传统算法中提出一种自适应微量步长方法,以加快算法收敛速度,并改善算法的全局搜索与局部开发能力;然后,结合遗传算法中的算术交叉操作思想,改进传统算法全球播种阶段的选择策略,使得算法能够跳出局部最优,提高算法优化精度。通过基准测试函数实验,验证了改进算法的有效性和优越性。最后,结合改进算法和K-means算法,提出一种新的聚类算法,并通过在UCI数据集上的实验结果表明,提出的聚类算法具有较高的聚类准确率。     

2种改进的神经网络结构学习算法

针对已提出的灵敏度计算和自构形２种神经网络结构学习算法，提出２种改进的算法，实验证明改进的算法比原算法有更好的泛化能力。     

基于图形处理器的邻接矩阵算法

本文提出一种基于图形出理器的并行邻接矩阵算法,算法利用了图形处理器子素级的向量处理能力完成对n个数据点邻接矩阵的计算,将提出算法与现有算法进行的性能对比分析表明：本算法明显改进了现有文献的研究结果,是一种低成本的邻接矩阵算法。     

一种混合的文本图像细化方法

基于Manjunath Aradhya等提出的四步细化算法（MA）和Hilditch算法思想的分析,充分融合两种细化算法各自的优点,提出了一种新的文本图像细化方法。该算法首先采用改进的MA细化算法对二值图像作预处理;然后采用Hilditch算法进行细化。实验表明,提出的算法能有效的避免断笔,更好的保留字体拓扑信息,细化结果无畸变。     

人工免疫算法的改进

简要介绍了标准人工免疫算法的工作原理,为了克服其存在的不足,该文提出一种改进的人工免疫算法,并用多峰值函数对两种算法进行了比较.实验结果表明,该文提出的改进的人工免疫算法较标准人工免疫算法更为有效.     

基于期望最大化的K-Means聚类算法

针对高维数据下的聚类效果需要提高,提出一种基于期望最大化的k-means聚类改进算法.该算法在没有降维和破坏原有数据结构的情况下,把期望最大化算法和k-means算法相结合,用期望最大化算法选取k-means的算法的初始聚类中心.并针对高维数据提出一种新的距离算法,代替传统的距离算法.实验结果表明提出的算法的可行性,并且在处理高维数据时的有效性.     

一种基于药品检测问题的信息校验算法研究

基于使用小白鼠对药品进行检测的问题,提出了药品检测的算法;在该算法的基础上结合信息校验,提出了一种信息校验算法,把信息校验算法与海明码校验算法进行比较分析,两种算法的算法复杂度一样,效率一样,该信息校验算法更易于理解、更方便阅读.     

基于三支决策模型的代价敏感数据分类方法

三支决策是近年来提出的一种新的决策理论模型,为了将该模型应用于数据的分类中,提出一种基于三支决策的代价敏感数据分类方法。首先根据三支决策模型,定义一种新形式的误分类代价,并提出相应的最小化误分类代价特征选择算法,然后在该特征选择算法的基础上,提出三支决策模型的代价敏感数据分类算法,该算法将数据分类结果分成三种情形,分别为标记特定类别、不标记特定类别和暂不标记。最后通过仿真实验证明了文中所提出的算法具有更好的代价敏感分类效果。     

凝聚型层次聚类算法的研究

本文在综合分析凝聚型层次聚类算法的优缺点和借鉴前人算法的基础上,提出了一种改进算法。实验证明该算法是一种速度更快、效率更高的算法。     

数字信号测量中的平滑算法

本文分析了数字信号测量中使用的两种平滑算法。指出,FIR算法优于HR算法,并提出了一种实现FIR算法的结构。最后,给出了计算机模拟结果。     

基于混合遗传算法的建筑结构优化设计

提出一种离散变量结构优化设计的单向搜索算法并与标准遗传算法结合成混合遗传算法,即发挥了单向搜索算法省时、高效、局部搜索能力强的特点,又发挥了遗传算法全局性好的特点·算例结果表明,该方法能直接计算具有应力约束和截面尺寸约束的离散变量结构优化设计问题,也能处理同时具有稳定约束和位移约束的多工况、多约束、多变量的离散变量结构优化设计问题·这种混合遗传算法优于标准遗传算法和单向搜索算法,是兼二者之长,弃二者之短的高效的理想优化设计方法·     

基于5阶细胞神经网络图像浮雕算法研究

针对如何使图像中的浮雕效果更具有立体感的问题,设计了关于图像的5阶细胞神经网络(CNN)的浮雕算法研究的方案,研究了该算法对于图像的立体化处理的过程,对于同一图像分别采用5阶CNN、3阶CNN算法和拉普拉斯算法进行对图像的立体化处理,并比较了几类算法的优劣.实验表明,基于5阶CNN浮雕算法更接近现实,直观效果更好,在实现图像的实时处理中,能够有效地生成具有艺术效果的浮雕图像.同时,将其应用在遥感图像的处理工作中,取得了很好的效果.     

一种基于混合模型的数据网格副本选择机制

在基于遗传算法和蚂蚁算法的副本选择策略研究的基础上,针对两种算法的优缺点,提出了基于融合算法的副本选择策略,利用遗传算法中的适应度函数初始化蚂蚁算法中的信息素分布,利用蚂蚁算法选择最优副本,即解决了遗传算法求解效率低的问题,又解决了蚂蚁算法初期信息素匮乏问题。通过对仿真结果进行分析比较,基于融合算法的副本选择策略在整个网格环境下和在单个站点都能有效减少作业运行时间,提高副本选择的速度,提高了整体性能。     

全排列递归算法的并行化

全排列问题的递归算法结构清晰,可读性强．为了提高排列的效率,给出了全排列递归算法在MIMP-CREW模型和单指令多数据流的EREW模型上的并行化算法及实例分析．给出的算法成本是最低的．     

一类基于冒泡排序的改进算法的分析与比较

排序算法对于计算机信息处理很重要，一个好的排序不仅可以使信息查找的效率提高，而且还直接影响着计算机的工作效率．目前排序领域许多最简单的算法都是基于冒泡排序算法，该文对这些算法的基本原理进行了介绍和分析，并对它们的算法性能进行了比较．     

带权PLA折叠问题及其启发式算法

本文将可编程逻辑阵列（ＰＬＡ）的折叠问题推广到行列折叠点间带权的一般情况，对这个ＮＰ－完全问题给出三个启发式算法，其中两个为贪心类算法，另一个是利用独立集的启发式算法，分析了各个算法的复杂性。     

遗传算法与神经控制的融合算法研究

遗传算法和神经控制是现代智能控制常用的两种方法,它们具有各自的优点和不足。将遗传算法用于前向神经网络的可能性进行了研究,阐明了遗传算法和神经网络结合的必要性。针对遗传算法和神经控制各自的优缺点,设计了二者的融合算法,将遗传算法应用于神经网络控制器的学习和训练,从而使建立的控制器兼有二者的优点,具有神经网络的广泛映射能力和遗传算法快速全局收敛以及增强式学习等性能,继而提高控制系统的性能。运用该方法对电加热炉温度控制系统进行的仿真实验,实验结果体现了良好的控制效果,证明了融合算法的优越性。     

智能天线中的波束形成算法

首先介绍了智能天线的发展和研究现状，智能天线能够自适应地跟踪用户信号，抑制干扰，增加通信容量，提高频谱复用率，在第三代移动通信系统中占有重要地位.作为智能天线的核心技术之一，波束形成算法引起了众多学者的广泛关注。着重讨论了智能天线中波束形成的各种算法，根据算法对信号处理方式的不同，把它分为三大类,并对其中比较典型的算法进行了讨论。最后，对波束形成算法中的一类比较重要的盲波束形成算法进行了分类介绍。     

连续变量函数全局优化算法—列队竞争算法

提出了一种全局优化搜索新算法——列队竞争算法．算法在模拟进化过程中,始终保持着独立并行进化的家族,通过家族内部的生存竞争和家族间的地位竞争这两种不同的竞争方式,使群体快速进化到最优或接近最优的区域．根据家族的目标函数值大小排成列队,并按家族在列队中的地位不同获得不同的竞争推动力,使得各个家族在列队中的位置发生动态的变化,从而使得局部搜索与全局搜索达到均衡．数值计算结果表明,列队竞争算法具有在复杂搜索空间内迅速搜索到最优解的能力     

Design for a Novel Framework of Hyper-Heuristic Algorithm

A novel framework of hyper-heuristic algorithm was proposed to improve the adaption of evolutionary algorithms （EAs） in optimization. The algorithm could be changed during the evolutionary progress according to their performances. In addition. a large number of elite individuals were employed in the algorithm and the elite individuals helped algorithm achieve a better performance. while such number of elite individuals stagnated the global convergence in conventional single algorithm. The time complexity was analyzed to demonstrate the novel framework did not increase the time complexity. The simulation results indicate that the proposed framework outperforms any single algorithm that composes the framework.