一类函数优化问题的求解

针对一类函数优化问题,通过对粒子群优化算法的惯性权重和算法公式的分析,提出了一种改进的粒子群优化算法.该算法突破惯性权重常规取值.实验证明:该算法可以提高算法的效率,用极少次数的迭代,使原本复杂甚至不能求解的问题得以解决.算法具有迭代次数少、对高维函数的鲁棒性强与空间复杂度低等优势.     

基于局部线性嵌入的半监督仿射传播聚类算法

针对运用半监督仿射传播聚类算法处理高维数据时聚类精度低和计算量大的问题,提出一种基于局部线性嵌入的半监督仿射传播聚类算法.该算法首先通过LLE算法将高维输入数据集映射到低维空间得到低维数据集,计算低维数据集的相似度矩阵,再用半监督算法调整相似度矩阵,最后用仿射传播聚类算法对低维数据进行聚类分析.仿真结果表明,本文提出的算法与半监督仿射传播聚类算法相比,在处理高维数据时聚类效果更好,精度更高,迭代次数更少.     

一种快速因果网络骨架学习算法

针对传统因果网络结构学习算法难以适用于高维网络的问题,该文提出1种快速且适用于高维网络的因果网络骨架构建算法。采取基于最大依赖性、最小冗余度的互信息加速策略,在2个节点间找出2个因果节点集,在这2个因果节点集的并集内分别对节点进行条件独立性测试。真实数据实验表明,在对高维网络进行结构学习时,该文算法的时间复杂度优于传统算法;由于减少了条件独立性测试的次数,提高了网络识别的准确率。     

用低维二次规划法求解高维线性互补问题

把高维线性互补问题转化为与之等价的高维二次规划问题，然后把高维二次规划问题分解为一系列低维二次规划问题．提出了一种算法，该算法运用这一系列低维二次规划子问题的解去逼近高维线性互补问题的解．证明了该算法的收敛性．数值实验的结果表明该算法是有效可行的，且具有存储量小、精度高等特点，是一类求解大规模线性互补问题的新途径。     

高维时序数据的相似搜索

作者提出了一种针对高维时序数据相似搜索,改进了以前时序数据中的相似搜索只适应于低维的算法。这种方法是基于二元匹配算法,可视为二元匹配算法在高维时序数据的扩展。     

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.     

一种高维航迹融合协方差交集算法降维实现方法

在互相关性未知的分布式融合系统中,协方差交集算法是一种有效的融合算法,但其在融合高维航迹时存在计算量大、精度低的问题,为此对高维航迹进行了降维处理,把高维航迹的融合变为多组二维航迹的融合,从而得到了一种降维的协方差交集算法(Dimensionality Reduction Intersection Algorithm,DRCI)。理论分析表明该算法能有效降低运算量,仿真实验结果表明,该算法的精度高于协方差交集算法(Covariance Intersection,CI),与Kalman融合算法处于同一水平。     

收敛因子非线性变化的鲸鱼优化算法

针对基本鲸鱼优化算法在处理复杂全局优化问题时存在解精度低和收敛速度慢等缺点,提出一种收敛因子随进化迭代次数非线性变化的改进鲸鱼优化算法.该算法利用混沌方法替代随机方法初始化种群,使群体具有较好的多样性.受粒子群算法惯性权重启发,设计出一种随进化迭代次数增加而非线性变化的收敛因子更新公式,以平衡算法的全局搜索和局部搜索能力.对当前最优鲸鱼个体执行混沌扰动策略以扩大其搜索范围.选取6个高维标准测试函数进行数值实验,结果表明该算法具有较高的收敛精度和较快的收敛速度.     

高维小采样数据集的贝叶斯网络结构学习算法

现有的贝叶斯网络结构学习算法都需要对高维数据项集进行大量地计算，极大地影响了算法的可靠性、健壮性以及精确度，同时高维计算也耗费了大量时间，为了解决这个问题，提出基于特征选择技术贪婪贝叶斯网络结构学习算法。理论分析表明，本算法在效率上优于现有算法,实验结果也表明，对于高维相对小采样数据集，本算法在精度上也优于大多数算法。     

空间分割微粒群算法

提出了一种适用于高维数值优化问题的空间分割微粒群算法。该算法通过将整个搜索空间分割成若干子空间,在这些子空间上利用嵌入零搜索算子的微粒群算法进行优化。实验结果表明该改进微粒群算法可以有效地解决高维数值优化问题。     

港口管理中高维线性规划问题的递阶算法

针对港口调度中所产生的高维线性规划问题,本文根据大系统分解协调理论,提出了一种新的递阶算法。它的收敛速度在高维情况下优于普通的单纯形法,同时计算量和存贮量均大大减少。本算法对原问题的形式无特殊要求,可推广求解一般的高维相关性强的线性规划问题。     

基于变异策略的粒子群算法

在研究粒子群算法的特点之后,将变异因子融入到粒子群算法之中,提出了一种带有变异策略的粒子群算法(MPSO).该变异因子可以提高算法对解空间的开发能力,从而降低了粒子群算法陷入局部最优的可能性.实验结果表明,经过对4个无约束问题、1个高维线性约束问题以及1个实际应用问题的测试,带有变异策略的粒子群算法可以成功地解决高维无约束问题和带有线性约束的高维问题.实验结果也表明,MPSO算法具有很强的收敛性和稳定性,是一种很有前途的优化算法.     

一种基于基尼指标的高维数据离群挖掘算法

针对高维数据集中的离群点挖掘任务,给出了一种基于基尼指标和属性相关性分析的高维数据离群点挖掘算法.该算法首先采用属性相关性分析方法,删除高维数据集中的冗余属性,缩减了数据集的大小;其次采用基尼指标作为离群度量因子,从缩减后的数据集中,挖掘出不同离群程度的数据点;最后,实验采用天体光谱数据作为实验数据集,经实验验证,该算法对高维数据集中离群点的挖掘算法是有效的和可行的,其效率得到了明显的提高.     

组合仿生智能算法的高维复合函数求解

提出一种基于仿生智能算法的高维复合函数求解方法.首先采用粒子群算法对高维复合函数进行初步求解,然后采用蟑螂群优化算法对解进一步求精,最后采用标准高维复合函数分析其性能.仿真测试结果表明,该方法能够加快高维复合函数的求解速度,获得较高精度的求解结果.     

粒子群优化算法仿真及其应用

根据MATLAB仿真工具的特点，研究了粒子群优化算法的仿真方法，并对一种有约束多峰函数进行测试。仿真结果表明了该算法具有较快的收敛速度和较高的计算精度。基于矩阵运算的粒子群算法对处理高维非线性函数有着明显的优势。     

类保持投影

给出了一种高维数据可视化方法——类保持映射．即在对高维数据投影过程中，强调类的数目尽量保持．在对原数据点间距离加以适当权重后，这种投影方向给出了距离损失最小的二维构图．模拟表明此程序是主分量分析的扩展，且优于塞曼算法．     

高维数据流的聚类离群点检测算法研究

针对基于聚类的离群点检测算法在处理高维数据流时效率和精确度低的问题,提出一种高维数据流的聚类离群点检测（CODHD-Stream）算法。该算法首先采用滑动窗口技术对数据流划分,然后通过属性约简算法对高维数据集降维;其次运用基于距离的信息熵过滤机制的 K-means 聚类算法将数据集划分成微聚类,并检测微聚类的离群点。通过实验结果分析表明:该算法可以有效提高高维数据流中离群点检测的效率和准确度。     

一种改进的基于超网络的高维数据聚类算法

高维数据聚类问题是当前聚类分析研究的重点。笔者提出了一种改进的基于超网络的高维数据聚类算法。首先,将高维数据映射到一个大规模带权超网络中;其次,定义超网络中边的权重;再次,采用优化的超图划分方法划分带权超网络;最后实现高维数据聚类。这样有效过滤掉聚类中的噪声数据,避免了传统聚类方法在降维过程中产生的弊端。实验证明,该算法具有较理想的有效性和精确度。     

一种基于海量高维数据的软子空间聚类改进算法

基于加权的软子空间聚类是处理高维数据的一种有效手段,在原有的软子空间聚类算法基础上对目标函数进行改进,从而结出一种新的软子空间聚类算法.相较之原算法,此算法具有更高的抗噪性及聚类效率;通过与典型的软子空间聚类算法比较试验,结果表明可有效提高海量高维数据的聚类处理效率.     

基于粗糙集的高维分类型数据子空间聚类算法

现有的优秀的聚类算法大多是处理低维数据的,但是对于高维数据,由于其分布特性与低维情形有很大的差异,这些算法失效.为解决高维分类型数据聚类问题,提出了一种基于粗糙集的高维分类型数据子空间聚类算法,基于粗糙集的上、下近似集的类边界描述,确定了类边界范围,然后采用相容度来调整类边界,聚类的过程采用增长子空间的思想,从低维到高维迭代地搜子空间类簇.最后通过在soybean、zoo数据集上的对比实验,实验结果表明了算法不仅可行,而且精度高.