基于MMHC算法的贝叶斯网络结构学习算法研究

贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的有效工具之一,迄今为止已经提出了许多贝叶斯网络结构学习算法.MMHC算法是一种较新的贝叶斯网络结构学习算法,该算法的评分搜索阶段应用了贪婪搜索算法,但该算法容易陷入局部最优而无法得到全局最优网络,针对该缺点,在MMHC算法的评分搜索阶段应用模拟退火、随机重启爬山搜索、禁忌搜索3种搜索策略取代贪婪搜索,详尽的实验结果表明在MMHC算法中这3种搜索算法的效果普遍优于贪婪搜索,其中模拟退火搜索学习效果最好,MMHC算法的评分搜索阶段可以用模拟退火搜索替代贪婪搜索达到提升算法的学习效果.     

带参数的混合共轭梯度算法及其收敛性研究

提出一种混合共轭梯度算法来解决无约束优化问题,该算法的搜索方向满足充分下降性条件而不依赖于任何线搜索,在使用Wolf线搜索的条件下,该算法具有全局收敛性。数值算例结果表明算法是有效的。     

基于智能搜索和特殊划分的人工蜂群算法

人工蜂群算法是一种具有强大搜索能力的全局搜索算法。传统的人工蜂群算法使用雇佣蜂、观察蜂和侦察蜂进行相互合作,每种蜜蜂有不同的分工,但不同类型的蜜蜂之间并没有差别。提出一种通过智能搜索和特殊划分来提升性能的人工蜂群算法。该算法中,不同的雇佣蜂和观察蜂会使用不同的搜索策略来寻找食物来源。该算法放弃了贪婪选择算法且在每次迭代时更新食物来源的位置。因此,该算法能够利用整个蜂群的经验来引导蜜蜂的搜索,通过一系列基准算法的性能分析证明了该算法的有效性。     

Wolfe线搜索下一种修正的HS共轭梯度法及其全局收敛性

提出一种修正的HS共轭梯度法.该算法产生的搜索方向为充分下降方向,且这一性质与所采用的线搜索方法无关.并在Wolfe线搜索的条件下证明了该算法全局收敛性.数值实验结果表明算法是有效的.     

一种线搜索下修正LS共轭梯度法的全局收敛性

根据一种可获得更大步长的非精确线搜索条件，结合LS共轭梯度法的计算公式，本文给出了一种修正LS算法，该算法保证每次迭代中的搜索方向是充分下降的，并证明了该算法是全局强收敛的．     

混合的深度优先及宽度优先球形译码算法

结合深度优先及宽度优先算法,提出了一种混合算法,将搜索树分成两部分:一部分进行深度优先搜索;另一部分进行宽度优先搜索.利用深度优先搜索的结果裁剪宽度优先搜索中那些距离较大的点,以降低搜索复杂度.该算法合理地综合了2种算法的优点,具有较低的计算复杂度及较高的性能.仿真结果表明,该算法的性能与最优算法相比差别非常小,与宽度优先算法相比节省了大量的计算复杂度,在高信噪比的情况下,计算复杂度的节省尤其明显.     

自适应贪婪搜索的人工蜂群算法

人工蜂群算法是受蜜蜂觅食行为启发提出的一种群体智能优化算法,为了增强人工蜂群算法的开采性能,本文更好地模拟了观察蜂的觅食行为,提出一种自适应贪婪搜索的改进人工蜂群算法,在观察蜂阶段,搜索半径自适应减小,成功搜索某食物源之后可以贪婪地再次搜索该食物源,以充分利用成功的搜索经验,减小搜索盲目性。在10个标准测试函数上的实验表明,改进算法的收敛精度超过ABC和最近提出的q ABC算法,而计算复杂度低于这两种算法。     

一种基于混沌搜索改进的人工蜂群算法

针对人工蜂群算法存在容易陷入局部最优解以及收敛速度慢的不足,提出了一种改进的人工蜂群算法.该算法在基本人工蜂群算法的基础上,根据可能解上的适应值定义搜索步长来解决陷入局部最优的问题,根据可调的参数定义食物源选择概率模型来解决收敛速度慢的问题,该选择的概率模型是基于混沌搜索定义全局最优解的搜索方法.最后,在7种不同的测试函数上对改进后的算法进行了实验测试,实验结果表明该改进算法比基本人工蜂群算法有着更高的搜索精度和较低的时间复杂度.     

在Armijo线搜索下WYL方法的全局收敛性

提出一种新Armijo型线搜索,并证明了在此搜索下一种新共轭梯度算法具有全局收敛性.新Armijo型线搜索能够使新的共轭梯度算法找到合适的初始步长,从而使它能够更好地运行.数值试验表明在新Armijo型线搜索下的该方法是有效的.     

求解随机型双边装配线平衡问题的混合回溯搜索优化算法

针对现实生产中普遍存在的操作时间为随机的双边装配线平衡问题,提出一种混合回溯搜索优化算法。该算法将变邻域搜索算法的局部搜索能力融入到回溯搜索优化算法的全局搜索中,从而实现广度搜索和深度搜索的平衡。运用基于随机键的编码将用于求解连续问题的回溯搜索优化算法应用于离散组合优化问题,同时提出一种基于均衡双边负载的边选择策略和减少工位空闲时间的任务选择策略的解码方法,并将该方法同另外4种解码方法进行对比,以验证其优越性。标杆算例测试表明,所提出的算法具有可行性和有效性。