有毒重气泄漏事故的应急资源调度

针对有毒重气泄漏事故具有发生的突然性、危害的严重性等特点。建立了以应急加权总时间、应急总成本最小化为目标的多需求点、多供应点、多物资类型的优化调度模型。为了增强模型的实用性,增加了对车辆载重及最优路径选择的考虑。利用改进了的Dijkstra算法,将其作为多目标粒子群算法(MOPSO)的子算法对模型进行求解。针对MOPSO算法易陷入局部最优解的缺点,对惯性权重的更新方式进行了设计,增强了算法的全局搜索能力,同时在对粒子进行选择操作时借鉴了自适应网格法的思想,丰富了粒子群的多样性。最后,通过一个仿真实验验证了所提模型及算法的有效性。     

基于Binary logistic模型的公共自行车出行选择影响因素研究

以江苏省盐城市为调查对象,运用SP和RP相结合的调查方法,设计调查方案并采集分析数据;基于Binary logistic建立公共自行车出行选择模型,探讨公共自行车使用者的潜在动机和非使用者的阻碍因素。结果表明:年龄、是否拥有私家车、政策决策支持、步行至站点距离太远和基础设施条件5个因素影响公共自行车的出行选择,其中政策决策支持和步行至站点距离太远是影响三线城市有桩公共自行车选择的主要因素。     

改进Markov过程的异构无线网络垂直切换算法

针对当前异构无线网络垂直切换算法存在切换次数多, 服务质量难以满足实际应用需要的问题, 以获得更优的异构无线网络服务质量为目标, 提出一种基于改进Markov过程的异构无线网络垂直切换算法. 首先, 建立异构无线网络整体性能评价指标体系, 然后采用灰色关联分析法确定网络整体性能评价指标的权重值, 最后利用Markov决策过程对异构无线网络的状态进行预测, 选择最优的接入网络, 并通过异构无线网络垂直切换的仿真对比实验测试和分析其性能. 实验结果表明, 相对其他异构无线网络垂直切换算法, 该算法可降低平均切换次数, 避免了频繁切换现象的发生, 大幅度减少了网络数据传输的丢包率, 改善了用户满意度, 获得了更高的服务质量.     

否定选择算法的自体半径分析

对于异常检测问题,负选择算法有着显著的检测效果,其检测性能受多个参数的影响,如自体半径和预期覆盖率等.传统的否定选择过程在检测器生成阶段的参数是根据经验选择的,这使得检测性能各不相同.对NSA参数提出一组新的方法评估分析,将自体边界通过迭代算法计算最佳自体半径,并生成不同参数的可变半径检测器.通过实验获取最佳自体半径的同时,还能同时提高检测器对非自体区域的覆盖面积.     

基于split-and-conquer和非参数向前选择法的变量选择

变量选择是统计学界研究的重要课题之一.当处理高维数据时,一些常用的变量选择方法大多比较耗时,因此提出了一种既能筛选出高维数据中的变量又能节省时间的方法:基于split-and-conquer的非参数向前选择法.首先使用split-and-conquer方法将数据进行拆分,然后使用B样条函数逼近的非参数向前选择法进行研究.实验结果表明:基于split-and-conquer的非参数向前选择法可以较好地将变量选择出来,并且节省了大量时间.     

无线传感器网络基于改进遗传算法的节点调度

节点调度问题是经典的NP-hard组合优化问题之一。为解决该问题提出了诸如蚁群算法、粒子群算法和遗传算法等智能算法,以遗传算法(genetic algorithm,GA)更为有效,但经典的遗传算法在解决节点调度问题时,其算法自身存在寻优速度慢,容易陷入局部最优。提出一种改进的轮盘赌优化方法,该方法基于适应度比例的选择,即用全部个体的选择概率来计算累计概率,产生完整的子代个体并保留其基因,避免陷入局部最优,进而快速精确地求出节点调度问题的最优解,实验结果表明,经过改进的遗传算法求解的路径长度、收敛性和运行时间等指标均有明显改善。     

XGBoost启发的双向特征选择算法

针对特征选择过程中特征评价指标单一性的问题, 基于集成学习中的极端梯度提升算法, 提出一种新的特征选择算法. 该算法首先应用极端梯度提升算法中构建集成树模型的指标作为特征选择的特征重要性度量指标, 然后利用一种新的双向搜索策略, 权衡了多种特征重要性对结果的影响, 并优化了评价过程的效率. 通过11个不同维度的标准数据集进行测试, 实验结果表明, 该算法能增加特征子集的多样性, 加快特征选择的速度, 并在中维和低维数据集上均具有较高的计算效率, 且能处理高维数据集.     

基于樽海鞘群与粒子群混合优化算法的特征选择

针对现有特征选择方法中存在的收敛速度慢和计算效率低等问题,提出了一种基于樽海鞘群与粒子群优化的混合优化(hybrid optimization of salp swarm algorithm and particle swarm optimization,HOSSPSO)特征选择方法,该方法在樽海鞘群算法(salp swarm algorithm,SSA)的基础上,引入粒子群优化(particle swarm optimization,PSO),提高了SSA的收敛速度,改进了探索和开发步骤的效率,增加了解空间更多的灵活性和多样性,使得方法能够迅速获得全局最优值.为了验证算法的性能,在2个实验序列上进行了测试:第一个实验序列使用基准函数,将HOSSPSO与标准SSA、PSO进行了比较;第二个实验序列采用不同的UCI数据集,通过提出的算法确定最佳特征集.实验结果表明,相比于其他优化算法,HOSSPSO的性能更具优势,在多项评估指标中获得较好的效果,能以极少量的特征获得最大的分类精度.     

基于卷积神经网络与特征选择的 医疗图像误差预测算法

针对传统医疗图像误差预测算法无法很好的选择图像特征,存在图像误差预测值与实际值拟合度低、预测耗时长等问题,提出基于卷积神经网络与特征选择的医疗图像误差预测算法.首先,选取5种集成规则构建自适应多分类器,对医疗图像区域进行分类;其次,训练卷积神经网络,利用训练完成的神经网络提取不同类别医疗图像区域特征,以此为基础计算区域距离,寻找出相似度最小的区域,完成图像可疑区域定位;再次,融合多评价标准生成特征子集,从中搜索得到最优特征子集,完成可疑区域图像特征选择;最后,以选择得到的特征区域像素点作为训练样本,建立预测样本与训练样本之间的多元线性回归矩阵,实现误差预测.实验结果表明,所提算法的集成规则适应度较高,分类性能好,区域距离计算准确率高达95％左右,特征选择的AUC值(Area Under Curve)高,且预测结果拟合度和预测耗时均优于传统算法.     

粗糙互信息的不平衡多标记特征选择算法

特征选择作为处理多标记学习中数据高维性的一种有效方法,得到了众多学者的研究与关注.由于部分特征仅仅与某些标记有着强相关性而与整个标记空间的相关性不强,不能简单通过与标记空间整体的相关性判断取舍.此外,多标记的分布是不平衡的.因此,根据标记密度对标记空间进行划分,并分别进行相关性的判断,同时在不同标记空间进行不同比例的采样.引入具有补的性质的粗糙熵代替传统熵的度量方式,提出了基于粗糙互信息的不平衡多标记特征选择算法,在5个公开数据集上的实验结果表明了算法的有效性.