改进DNA遗传算法求解非线性多约束规划研究

基于生物DNA信息遗传机理及生物进化规则,给出一种基于DNA编码方法的改进遗传算法,以求解非线性多约束规划问题,原始的选择算子和交叉算子分别被改造为动态选择算子和基因传递算子;算法中还加入了一个新的算子——淘汰算子,分析及算法仿真结果表明,本算法可有效求解该问题。     

Fuzzy集上基于一般蕴含算子的三I算法

由于三I算法中的蕴含算子都是特定的,选择适合某一特定问题的蕴含算子十分困难。将经典蕴含算子泛化后得到Fuzzy集上一般蕴含算子的定义,本文将三I算法推广到一般蕴含算子上,并给出了基于一般蕴含算子的三I算法通用的计算公式,分析了基于一般蕴含算子的三I算法的还原性,这为在特定问题中用其它优化算法选择合适的蕴含算子提供了可能性。     

基于可变网元的离散路网设计模型与算法

对离散路网设计问题中新增道路带来原有路网单元结构与属性变化的影响进行分析,指出考虑这一影响后,Braess诡异出现的可能性大大增加.进而建立了基于可变网元的离散路网设计模型,采用路网生成算子来表征道路增减带来的路网单元结构的变化,设计了路网生成算子的算法流程.最后给出了求解离散路网设计模型的模拟退火遗传算法,并给出了算法实例.     

一类扩散方程参数算子识别反问题的模拟退火算法

文章给出了利用模拟退火算法求解一类扩散方程的参数算子识别反问题的一种新方法。该方法把对于参数算子识别反问题转化为优化问题并用模拟退火算法进行求解。在Matlab语言环境下实现了该算法,并且与其他文献中用遗传算法求解的例子进行比较。数值模拟结果表明,该算法同样具有可行性和有效性,并且具有较高的精度。     

基因算法在求解非光滑优化问题中的应用 (三峡地区资源环境生态研究)

本文考虑了基因算法在求解非光滑优化问题中的应用。非光滑优化方法致力于求解目标函数为连续不可微函数的数学规划问题。因为目标函数的不可微性,传统的以梯度为基础的确定性算法在求解非光滑问题时会遇到障碍,所以运用不需要梯度信息而只需要目标函数值信息的遗传算法来求解非光滑问题是一个不错的选择。遗传算法是基于自然界生物遗传变异过程而设计的一种优化算法,它首先对问题的可行解进行编码,编码方法有0-1编码,格雷编码和实数编码,然后运用交叉算子,变异算子和选择算子产生下一代种群。当种群迭代达到一定的次数后,种群中的最优染色体就会收敛到原问题的最优解。本文设计的基因算法基于实数编码,算子分别采用算术交叉算子,非一致变异算子,最佳选择算子。     

采用算子分裂法求解不可压黏性流动

采用算子分裂算法求解Dirichlet边界条件的不可压黏性流动，通过时间离散，在每个时间步把Navier-Stokes方程分解成两个广义Stokes问题和一个非线性问题，分别采用共轭梯度算法求解这两类问题，从而逐个解决了不可压缩性和非线性两大数值困难，同时计算了一个存在解析解的广义Stokes问题和顶盖驱动流问题．计算结果表明，该算法求解不可压流动是可行的，并且具有精度高、稳定性好、收敛速度快的特点．     

八皇后问题所有解的模拟DNA算法

建立了求解八皇后问题所有解的数学模型.根据八皇后问题解的性质提出了7个相关的算子:主转置算子、行翻转算子、列翻转算子、倒置算子、顺旋算子、逆旋算子和倒转算子.给出了等价可行解的概念,并以这7个相关算子为工具研究了等价可行解的性质和八皇后问题解空间的性质.由此给出了求解八皇后问题所有解的模拟DNA算法,并用Mathematica软件进行了实现,并得到了所有的可行解,进而验证了算法的正确性和可行性.     

免疫遗传算法在车间作业调度中的应用

为了求解车间作业调度(JSP)这一典型的NP难题,提出了基于免疫遗传算法(IGA)的JSP问题求解方法.在该求解方法中,结合免疫原理和遗传算法提出了应用于JSP问题的IGA算法流程;算法采用基于工序的编码方式、自适应交叉和变异;同时为了改善交叉算子的性能提出了一种改进的基于工序编码的交叉算子.另外,采用车间作业中“最短处理时间原则”作为IGA算法的免疫疫苗,同时给出了免疫算子的设计方法.最后,通过“Muth and Thompson”基准问题的仿真实验验证了IGA算法在JSP问题求解中的有效性.     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

融入遗传算子的蚁群算法求解TSP问题

提出一种融入遗传算子（Genetic Operator）的蚁群算法（ACAGO）求解旅行商问题（TSP）．蚁群算法（Ant Colony Algorithm）是一种受自然界蚂蚁群体觅食行为启发而提出的进化计算算法,并且已经在求解TSP问题上成功地应用．然而,基本的蚁群算法存在收拟速度慢,容易陷入局部最优等不足．ACAGO算法通过使用遗传算法的交叉算子和变异算子扩大解的局部搜索空间,而选择算子则可以使好的解集的信息素的浓度得到增强,加快了算法的收敛速度．文章对ACAGO算法的执行过程进行了说明并且给出了具体的实现方案,同时通过TSP PLib上的测试样例将该融入遗传算子的蚁群算法和基本的蚁群算法进行了比较．比较结果表明了本文的新的ACAGO算法具有更大的优势,它不但能使算法求解到更好的解,而且加快了算法的收敛速度．     

Energy-efficient spectrum-aware clustering for cognitive radio sensor networks

As a smart combination of cognitive radio networks and wireless sensor networks, recently introduced cognitive radio sensor network (CRSN) poses new challenges to the design of topology maintenance techniques for dynamic primary-user activities. This paper aims to provide a solution to the energy-efficient spectrum-aware CRSN clustering problem. Specifically, we design the clustered structure, establish a network-wide energy consumption model and determine the optimal number of clusters. We then employ the ideas from constrained clustering and propose both a centralized spectrum-aware clustering algorithm and a distributed spectrum-aware clustering (DSAC) protocol. Through extensive simulations, we demonstrate that DSAC can effectively form clusters under a dynamic spectrum-aware constraint. Moreover, DSAC exhibits preferable scalability and stability with its low complexity and quick convergence under dynamic spectrum variation.     

Adaptive spectral clustering ensemble selection via resampling and population-based incremental learning algorithm

In this paper,we explore a novel ensemble method for spectral clustering.In contrast to the traditional clustering ensemble methods that combine all the obtained clustering results,we propose the adaptive spectral clustering ensemble method to achieve a better clustering solution.This method can adaptively assess the number of the component members,which is not owned by many other algorithms.The component clusterings of the ensemble system are generated by spectral clustering(SC) which bears some good characteristics to engender the diverse committees.The selection process works by evaluating the generated component spectral clustering through resampling technique and population-based incremental learning algorithm(PBIL).Experimental results on UCI datasets demonstrate that the proposed algorithm can achieve better results compared with traditional clustering ensemble methods,especially when the number of component clusterings is large.     

基于模糊系统聚类学习的自适应控制算法

在自适应控制最小方差自校正控制器设计中，当被控对象的数学模型未知时，可采用模糊系统代替实际系统。提出了一种新的模糊系统的聚类学习算法，根据初始聚类中心的选取原则，可以使最终获得的聚类结果是全局近优解。该方法只需计算一遍样本间的广义距离，即可完成初步的聚类，通过迭代运算可以使聚类结果得到进一步优化。仿真结果证明了自适应控制器的控制效果。     

一种基于黑洞算法的模糊C均值文本聚类方法

FCM算法应用于文本聚类时,由于初始聚类中心点选择的随机性,以及容易陷入局部最优的问题,导致文本聚类效果较差.为了提高FCM算法的聚类精度,提出了采用黑洞算法寻找FCM最优初始聚类中心的方法.黑洞算法是一种启发式优化方法,在FCM初始聚类中心寻优的过程中,始终保持黑洞为全局最优解,最终发现FCM的最优初始聚类中心.实验结果表明,基于黑洞算法的FCM文本聚类方法可以解决FCM算法对初始中心点敏感和容易陷入局部最优的问题,聚类精度明显提高.     

K近邻的自适应谱聚类快速算法

谱聚类算法建立在谱图划分理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。然而,谱聚类算法涉及如何选取合适的尺度参数σ构造相似度矩阵的问题。并且,在处理大规模数据集时,聚类的过程需要较大的时间和内存开销。研究从构造相似度矩阵入手,以传统NJW算法为基础,提出一种基于K近邻的自适应谱聚类快速算法FA-SC。该算法能自动确定尺度参数σ;同时,对输入数据集分块处理,并用基于K近邻的稀疏相似度矩阵保存样本信息,减少计算的内存开销,提高了运行速度。通过实验,与传统谱聚类算法比较,FA-SC算法在人工数据集和UCI数据集上能够取得更好的聚类效果。     

动态模糊ISODATA聚类方法及其在故障诊断中的应用

根据故障诊断分类的特点，用变分原理导出了动态聚类的最优解的存在条件，讨论了相应的算法及其收敛性，并在柴油机供油系统故障诊断中的实现故障分类的动态表示，证明了其在故障分类识别中的有效性。     

基于聚类中心分离的模糊聚类模型

在模糊C-均值聚类（FCM）目标函数的基础上按聚类中心分离原则增加一个聚类中心分离项来扩展FCM算法,提出基于聚类中心分离的模糊聚类模型(FCM_CCS)。该模型可使聚类过程中的聚类中心之间距离扩大,从而得到更好的聚类效果。由于该模型和FCM一样对噪声敏感我们提出它的可能性聚类模型(PCM_CCS),最后进一步扩展成它的可能性模糊聚类模型(PFCM_CCS)。基于聚类中心分离的可能性模糊聚类模型在处理噪声数据和克服一致性聚类问题方面表现出良好的性能。对数据集的测试实验结果表明了提出的PFCM_CCS能同时产生模糊隶属度和典型值,使聚类中心间距扩大,同时具有更好的聚类准确率。     

一种用于文本聚类的改进k-means算法

k-means是目前常用的文本聚类算法,针对其最终搜索的局部极值与全局最优解偏差较大的缺点,采用一种基于局部搜索优化的思想来改进算法,并推导出目标函数的变化公式。根据目标函数值的改变对聚类结果作再次划分后,继续k-means迭代,拓展其搜索范围。理论分析和实验结果表明修改后的算法能有效地提高聚类的质量,且计算复杂度仍与数据集文本总数呈线性变化。     

基于DBSCAN聚类算法的Web文本挖掘

Web文本聚类是文本挖掘的重要组成部分。该文章分析了Web文本挖掘的方法,通过比较现有的几种聚类算法之后,着重研究了一个基于DBSCAN的聚类算法．以及它在文本挖掘中的具体实现过程。     

基于改进粒子群的模糊聚类超声图像分割

医学超声图像由于存在斑点噪声等模糊和不确定性的特点使得分割一直是一个难题。模糊C-均值聚类算法是一种结合无监督聚类和模糊集合概念的技术,广泛应用于图像分割,但存在着受初始聚类中心和目标函数高度非线性影响,极易收敛到局部极小的缺点。将集群智能的粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验结果表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。