多时段条件下动态物流联盟伙伴选择的模糊语言群体决策模型

动态物流联盟组建过程中的一个关键环节就是选择适当的合作伙伴,它直接关系到动态物流联盟的市场响应速度、运行绩效和成败.针对动态物流联盟合作伙伴选择过程所面临的信息不完全性、多时段性,引入模糊语言变量来描述决策者的评估信息,结合多属性群决策理论,建立多时段条件下模糊语言群体决策模型,并详尽论述了其应用过程.仿真算例表明该模型的合理性和有效性,为动态物流联盟伙伴的优化选择提供了一套切实可行的方法.     

基于知识转移的技术联盟合作伙伴选择机制

合作伙伴选择是技术联盟组建过程中的关键环节,也是联盟成败的重要原因。本文通过对技术联盟知识转移过程分析,建立了技术联盟知识转移行为模型。由于选择过程中信息不对称,产生逆向选择问题,应用信号传递理论博弈模型,本文分析了技术联盟合作伙伴的选择机制,针对完全信息和不完全信息情况下的选择方式以及最优策略,本文通过算例进行分析和验证。     

基于遗传算法和模糊决策的大规模联盟伙伴选择方法研究

为解决大规模的网络制造联盟合作伙伴选择问题,在建立该问题数学模型的基础上通过分析引入遗传算法和模糊决策理论,提出一种分阶段的伙伴选择算法:通过遗传算法求解模型缩小选择的范围,利用遗传算法的解通过模糊决策考虑多个影响因素进行最后决策.对于该方法给出了具体的求解步骤,并用算例说明这种方法的可行性.这种分阶段的伙伴选择算法充分利用了数学的工具和决策者的经验,提高了决策的科学性和合理性.     

钢铁企业合作创新项目选择的模糊聚类分析

在合作创新过程中,针对区间数的评价信息,提出一种基于遗传算法的模糊聚类方法.考虑方案各准则的权重、准则值为区间数,同时要求对聚类中心各准则值有严格序关系.然后结合隶属度变量构建优化模型,利用具有动态惩罚函数的遗传算法求解,计算得到各方案的所属类别.实例证明了该方法的有效性和可靠性.     

供应链合作伙伴的选择、评估和动态监控

供应链合作伙伴的选择与评判是企业自身和企业与企业之间的业务工艺流程重构过程。本文分析了此重构过程中的误区和风险防范问题，提出了结合层次分析法与基于指标满意度的模糊综合评判法的备选伙伴评估方法，讨论了合作伙伴关系评价和动态监控的问题。     

基于蚁群算法的动态联盟伙伴选择研究

提出“小生境蚁群算法”（MACO），在利用正反馈的同时，引入时变参数来利用经验信息和启发信息，并在局部寻优时结合了小生境信息盖的思想，从而有效地防止遗传算法中出现的“早熟”问题和蚂蚁算法中发生的“停滞”状态。把制造企业动态联盟合作伙伴的选择抽象为多目标优化的问题，并建立了优化选择目标函数。运用MACO解算选择合作伙伴的多目标问题，获得最优解。     

基于遗传算法的动态聚类方法

针对常规动态聚类方法对初始聚类中心的敏感性以及聚类结果与样本输入次序有关等问题,本文另辟蹊径,提出了一种基于ＧＡ 的动态聚类方法,并将它应用到数据库的数据分析中． 计算结果表明,该方法是一个具有全局最优解的动态聚类方法,其结果明显好于Ｋ－均值聚类算法．     

投影寻踪动态聚类模型

投影寻踪聚类模型在多因素聚类分析中被广泛应用并取得了满意的效果,然而,该模型还存在诸如密度窗宽参数取值经验确定等不足,有待改进提高.本文针对投影寻踪聚类模型的不足,首次把投影寻踪的思想和动态聚类方法结合起来构造投影指标,基于免疫进化算法,建立了投影寻踪动态聚类新模型.新模型一方面在整个运算过程中毋需人为给定参数,聚类结果客观、明确,另一方面,它还具有稳定性好、操作简便等特点.洪水分类的实际应用表明,投影寻踪动态聚类模型切实可行,取得了很好的效果,在多因素聚类分析领域具有广阔的应用前景.     

新的混合智能系统R-FC-DENN

以认知心理学、模型集成理论为基础,构建了集粗糙集理论、聚类理论、模糊逻辑理论、遗传算法理论、人工神经网络理论于一体的一个新的混合智能系统R-FC-DENN。它首先通过粗糙集将输入样本进行约简,然后用聚类技术将简化后的样本进行聚类,对不同的聚类使用经过遗传算法改进了的神经网络进行训练,接着将这些经过不同神经网络训练的样本用模糊权值组合起来,放入新的用遗传算法改进了的神经网络再进行训练,从而完成整个训练过程。最后用UCI下的实际数据库对提出的混合智能系统R-FC-DENN的实用性进行了检验,证明方法是可行的。     

一种基于小生境遗传算法的星座识别方法

提出了一种新的PSK/QAM星座识别方法,将星座聚类问题转化为星座二维密度函数的数值优化问题,采用小生境遗传算法对该多峰值函数数值矩阵进行有效搜索,获取星座中心,最后结合聚类有效性评价和星座模板匹配,实现了信号星座类型的识别。与基于模糊C-均值的星座聚类方法相比,新方法与初始聚类中心和样本输入次序无关,缩减了星座识别过程中对聚类结果的评价,减小了运算量。     

基于矩阵分解和自适应图的无监督特征选择

在高维数据分析中,一个不可避免且棘手的问题是维度诅咒,因而如何将高维数据通过特征选择降维为低维数据显得尤为重要。对此, 提出了基于鲁棒矩阵分解和自适应图的无监督特征选择模型(unsupervised feature selection model based on robust matrix factorization and adaptive graph, MFAGFS), 实现在一个统一的学习框架下执行鲁棒矩阵分解、特征选择以及局部结构学习。模型首先通过鲁棒矩阵分解可获得聚类标签, 将聚类标签和局部结构信息用来引导特征选择过程, 再从特征选择的结果中自适应地学习数据局部结构。通过局部结构学习和特征选择这两个基本任务的相互作用, MFAGFS可以精确捕获数据的结构信息以及选择出具有判别性的特征。然后,详细阐述了算法优化求解方法, 并证明了算法的收敛性。最后,在6个公开数据集上进行试验对比分析, 参数敏感性分析, 验证了所提模型的有效性。实验结果表明, 所提的方法与其他方法相比, 性能均有不同程度的提高。     

改进的基于矢量空间的群体聚类算法

针对群体聚类算法中,一般以群体成员偏好矢量的相似度作为相聚依据,但这类方法通常不能保证群体聚类后聚集的一致性的问题。提出了成员与成员集的相似度概念,给出了基于聚集一致性的成员与聚集相聚的条件,描述了一个改进的群体聚类启发式算法。同时,还定义了群体及聚集一致性的偏差指标和相对偏差指标,用以评估聚类结果。实例测试表明,该算法有较好的聚类性能和较低的一致性偏差指标。     

基于高拉伸度遗传算法的相关干涉仪测向算法

针对相关干涉仪测向中相位差模糊导致的强非线性问题,提出一种基于高拉伸度的改进遗传算法,该算法以遗传算法中择优选取机制为基础,通过定义拉伸度,根据相关干涉仪测向中相关函数及其对自变量的偏导数在目标方向附近均趋近于0的特性,设计新的适应度函数,增大全局最大值附近适应度函数的拉伸度,扩大与其他方向的适应度的差距,从而实现对选取机制的优化。仿真实验表明,该算法复杂度低,当测向精度基本相同时,测向时间约为网格法的1/600,且具有良好的适用性,可以广泛应用于其他求解最大值的问题中。     

一种基于能量熵的快速遗传算法研究

在分析标准遗传算法的优越性与存在不足的基础上,提出了对遗传算法的改进方法.将能量熵的选择加入到遗传算法的退火选择中,以充分地探索解空间,保持种群的多样性.将伪梯度搜索应用于对个体的邻域搜索,利用当前种群的有效信息及系统信息,提高寻优速度.对典型的TSP问题及一实际电力网络故障恢复的仿真研究表明,改进算法全局优化性能优于启发式遗传算法及标准、退火遗传算法,同时使收敛速度有了较大的提高.     

求解JLSP问题的遗传禁忌混合优化算法

针对批量与排序的集成问题设计一种遗传算法和禁忌搜索相结合的混合算法,用遗传算法作为主框架优化批量,排序部分由禁忌搜索单独优化,并将排序最优解反馈到遗传算法的主框架中生成集成计划继续寻优。遗传算法的选择算子和变异算子分别采用不同的自适应机制,以提高算法的搜索能力和收敛速度。对3种不同规模算例进行测试,其结果与其他算法比较,验证了所提算法的有效性。     

一种融合遗传算法和粒子群算法的改进模糊C-均值算法

针对模糊C-均值(FCM)算法必须预先给定聚类数c和容易陷入局部极小的缺点,提出了融合遗传算法和粒子群算法的GA-PSO-FCM算法.遗传算法(GA)嵌套在FCM算法的外层,用于自动寻找最优聚类数,并把有效性准则函数作为其适应度函数;粒子群(PSO)算法嵌套在FCM算法的内层,用于优化类中心向量,提高算法的全局搜索能力.最后,运用GA-PSO-FCM算法对Iris data、Wine data、Zoo data、WPBC data和WDBC data进行仿真实验,并与基于有效性准则函数改进的FCM算法、GA-FCM算法的仿真结果进行比较,表明GA-PSO-FCM算法能在预先未知聚类数的情况下,提高分类结果的精确性和稳定性.     

基于规则的无人机编队队形构建与重构控制方法

针对已有方法在无人机编队队形控制方面的不足,结合无人机系统有限范围感知的特点提出一种基于规则的队形控制方法。首先,利用目标位置选择算法为编队成员选择刚体中的期望位置点,使分布式条件下的复杂无人机编队队形控制问题转化为个体对自身期望位置点的追踪问题;其次,通过控制协议的设计引导编队成员对自身的期望位置点进行追踪和避免碰撞;最后,在netlogo平台上实现了队形的控制;进一步,将目标位置选择算法与基于全局信息的“禁忌搜索”优化算法的效果进行了对比。实验表明:本文的控制方法简单,生成的航迹图简洁、平滑,其效果与基于全局信息的优化效果接近,且可生成任意队形和对突发威胁能主动有效的规避。     

群延时均衡器的遗传算法优化设计

在已有文献报道中多采用Powell法设计均衡网络,但Powell法是确定性优化方法,结果的好坏与初始点的选择关系密切,并易陷入局部极值点。由于遗传算法是一种全局随机搜索方法,即使定义的适应性函数不可导或不连续,它也可能以很大的概率求得全局最优解,因而在工程领域中将有十分广泛的实际应用前景。将一种新的实数码遗传算法应用到群延时均衡器的设计中,并给出了巴特沃斯滤波器群延时均衡器的设计实例,结果表明提出的方法十分有效。     

面向任务的拼修策略问题及求解算法

研究了一种面向任务的拼修策略问题, 建立了该问题的多维背包问题模型,提出了基于遗传算法的求解方案.然后设计了一种求解效果较好的两阶段遗传算法, 进行了包括编码, 交叉,变异, 最优前沿限定算法, 适应度函数,选择策略和退火局部搜索算法在内的全面的分析和设计. 最后,给出了一个算例,检验了求解方案的实用性,并且通过计算实验分析了遗传算法的有效性.     

Genetic Algorithms for Auto-Clustering in KDD

1. INTRODUCTIONClustering analysis is one of the major techniques in knowledge discovery in database (KDD),and other fields such as pattern recognition [1, 91. It is an approach to divide a data set illtosome categorically homogenous subsets called "clusters". The K-means algorithm [1] is a wellknown algorithm for this problem. It is a typical iterative hill-climbing algorithm, and thesolution obtained depends on the initial clustering. Although the K-means algorithm has beenapplied to …