一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

无约束优化DFP算法的全局收敛性

讨论了无约束优化问题的ＤＦＰ算法的全局收敛性。在适当的条件下，证明了对一致凸目标函数，在非精确线搜索下ＤＦＰ算法具有全局收敛性。     

一种共轭下降算法的全局收敛性

给出了求解无约束优化问题的一种共轭下降算法,该算法具有充分下降性的共轭梯度公式。在较为温和的条件下,利用宽松的非精确线搜索条件得到全局收敛性结果,同时数值实验表明了算法的有效性。     

关于追踪线搜索下DFP算法的全局收敛性

对一致凸二次函数最小值问题，证明了追踪 线搜索下ＤＦＰ算法具有全局收敛性，并且收敛速度为超线性。     

一种共轭梯度算法的全局收敛性

本文提出了一种计算βk的新公式，即提出了一种新的共轭梯度法，证明了一种非精确线性搜索能够保证这种算法的下降性和全局收敛性．     

PR共轭梯度算法的全局收敛性

给出一种新的Armijo型的线搜索,在该搜索下PR共轭梯度算法能保证无约束最优化问题的全局收敛性。     

全局智能优化集成算法研究

针对遗传算法、模拟退火算法等智能全局优化算法的集成问题开展研究,分析归纳了智能全局优化算法和局部搜索算法的一般规律和特性,给出了全局智能优化算法进行集成的统一框架--全局智能优化集成算法(IGIOA),及IGIOA的设计要素,还给出了评价算法的优化性能指标、时间性能指标、鲁棒性能指标,以及将三指标综合的综合性能指标,为智能集成算法的选取和性能比较提供了依据.     

基于K-Means和Apriori算法的多层特征提取方法

根据科技文献的结构特点,论文提出了一种四层挖掘模式,并结合K-means算法和Apriori算法,构建一个新的特征词提取方法——MultiLM-FE方法.该方法首先依据科技文献的结构将其分为4个层次,然后通过K-means聚类对前3层逐层实现特征词提取,最后再使用Aprori算法找出4层的最大频繁项集,并作为4层的特征词集合.该方法能够解决K-means算法不能自动确定最佳聚类初始点的问题,减少了聚类过程中信息损耗,这使得该方法能够在文献语料库中更加准确地找到特征词,较之以前的方法有很大提升,尤其是在科技文献方面更为适用.实验结果表明,该方法是可行有效的.     

求解等式约束最优化问题的Broyden算法的全局收敛性

将单边既约Hesse矩阵SQP方法和无导数线性搜索技术相结合，提出了一种求解等式约束最优化问题的拟牛顿算法．在适当的假设条件下，证明了算法全局收敛于优化问题的KKT点，而且收敛速度是局部超线性的．当迭代次数k充分大时，这种算法可以实现单位步长，因此不会出现Marotos效应．     

一类非单调修正βk^WYL算法的全局收敛性

结合文[1]给出的新公式βkWYL,提出了一种非单调线搜索下的修正βkWYL算法,该方法保证每次迭代中的搜索方向是充分下降的.在较弱的条件下,我们证明了此类非单调修正βkWYL算法具有全局收敛性,数值试验表明该方法具有良好的数值结果.     

一类非单调修正βWYLk算法的全局收敛性

结合文[1]给出的新公式βWYLk,提出了一种非单调线搜索下的修正βWYLk算法,该方法保证每次迭代中的搜索方向是充分下降的.在较弱的条件下,我们证明了此类非单调修正βWYLk算法具有全局收敛性,数值试验表明该方法具有良好的数值结果.     

BFGS算法的全局收敛性分析

对于凸函数，采用两种比较广泛的线搜索技术，在适当的假设条件下，我们得到了ＢＦＧＳ算法的全局收敛性。     

基于仿射算法的确定性全局优化算法

针对传统区间算法求解全局优化问题耗时长、空间复杂度较高及收敛速度较慢的缺点,引入仿射算法及局部优化算法,给出了一种全局优化求解的仿射算法.由局部优化算法和各求解区间上待优化函数的仿射运算得到全局最优解的一个上界,再依据对各区间仿射运算的下界与全局最优解上界的比较来确定相应区间的去留,通过对不含全局最优解的子区间的删除来确定最优解所在的子区间,并最终找到全局最优解.数值实验表明,该算法相对于传统的区间优化算法有较高的收敛速度,且占用的系统资源较少.     

在一种新型线搜索下DFP算法的全局收敛性

给出了一种较Goldstein-Armijor线搜索更广泛的新型非精确线搜索准则，并证明了在满足一定条件下，这种新型线搜索准则下DFP算法的全局收敛性。     

一种基于分布式数据库的全局频繁项目集更新算法

在算法FMAGF的基础上，提出了一种基于分布式数据库的全局频繁项目集更新算法－UAGFI，该算法主要考虑最小支持度发生变化时全局频繁项目集的更新情况。UAGFI在最坏的情况下仅须扫描各局部数据库一遍，并利用已挖掘的结果，可避免传送某些原全局频繁项目对应的条件频繁模式树，从而降低网络通讯代价，实验结果表明，UAGFI算法是有效可行的。     

一类下降算法的全局收敛性

给出了求解无约束优化问题的一类下降算法,该算法具有充分下降性的共轭梯度公式．并且在较为温和的条件下利用宽松的非精确线搜索条件,给出了全局收敛性定理。     

解全局优化问题的有向演化算法

提出了一种新的求解全局优化问题的演化逼近。这种技巧是基于一类搜索和优化的演化策略，计算结果表明，该算法能有效地找到整体最小点，具有高精度和计算时间短的特点。     

基于SOM改进的K-Means聚类算法

随着网络技术和相关学科的发展,入侵检测技术日趋成熟.对SOM算法和K-Means算法进行了具体的分析,提出了一种基于SOM和K-Means的使两类算法优点相结合并克服各自不足的聚类算法,提高了聚类信息的精确度、对攻击的识别率和系统的整体性能.     

基于数据挖掘技术的全局优化算法

在过程系统综合中,许多问题属于非线性规划(NLP)和混合整数非线性规划(MINLP)范畴.它们大都具有奇异、多峰、刚性等特性.人们很难有效地得到它们稳定的全局最优解.而知识性、经验性约束使基于梯度方向的Newton方法无法有效地获取该类问题的全局最优解.通常只能得到该类问题的局部最优解.遗传算法的随机性虽为求取NLP和MINLP问题的全局最优解提供了可能,但是随机过程中的盲目性及"伪穷举"性却又限制了该算法的搜索效率.针对过程系统综合问题的特殊性,在信息提取技术对搜索空间进行充分数据挖掘的基础上,用遗传算法的随机扰动来跳出局部极值陷井,获得全局最优解.对反应器网络综合问题的求解,显示了信息提取技术与遗传算法相结合求取全局最优解的能力.     

一类新的下降算法及其全局收敛性

研究给出了一类新的求解无约束优化问题的下降算法.在无任何线搜索下,证明了新算法能够保证充分下降性,并且在采用Wolfe线搜索时,证明了新算法具有全局收敛性.大量的数值试验表明该算法是非常有效的,能够用于广泛的科学计算.