基于适应性Agent图的交通系统脆性研究

针对系统脆性的研究,以复杂适应系统和图论为理论基础,提出了Agent图的概念,其中图的每个顶点被看作一个具有适应性的主体。然后将Agent图应用于交通系统脆性的研究,交通网络组成了一个赋权图,网络中各节点作为顶点;考虑到它们之间的交互作用,建立了系统主体崩溃程度的演化规则,进而对交通系统脆性行为进行仿真。     

基于级联网络和图搜索的轨迹模式学习算法

提出了一种基于级联竞争神经网络和有向无环图搜索的运动目标轨迹分布模式提取算法。采用级联竞争神经网络提取不同时序处流矢量的分布,根据轨迹点之间的时序转移关系构造有向无环图,通过深度优先搜索来获取轨迹分布的显式表示,并在此基础上给出了一种基于轨迹点对齐的异常轨迹检测方法。构造的级联网络自动隐含了轨迹点的时序关系,可以处理不同长度轨迹模式的学习问题。不同场景的仿真实验表明此方法可以应用于复杂场景下的目标异常行为检测。     

基于偶图匹配和禁忌搜索的排课新算法

针对目前高校的特点,提出一种偶图匹配和禁忌搜索相结合的排课新算法.将排课五要素恰当地绑定封装成课元和课栈两个向量,并以二维权值矩阵描述课元和课栈之间的关联权重,按照重权优先的原则并根据正确性原则进行约简,获得课元和课栈之间的匹配偶图.在此基础上,引入禁忌搜索算法,以排课的完备性原则、合理性原则和人性化原则的加权和为目标函数,以随机二维权值矩阵生成的匹配偶图为初始解,对二维权值矩阵进行扰动构成搜索邻域,以生成的匹配偶图为禁忌对象,采用全局藐视准则,获得最优的排课方案.给出典型算例验证提出的方法,结果表明了其可行性,并且具有考虑因素多和计算效率高的特点.     

跳跃扩散模型下美式回望期权定价方法

回望期权是一种严重路径依赖性期权,美式回望期权的价格尤其依赖于标的资产的价格路径;实际市场中其标的资产的价格过程存在跳跃现象。考虑到这两个事实,本文应用一种新方法总体最小二乘蒙特卡罗模拟为跳跃扩散模型下的美式回望期权定价。该方法改进Longstaff等提出的最小二乘蒙特卡罗方法,用来为美式回望期权定价,将其定价结果与构造二叉树图的计算结果进行比较发现,用总体最小二乘蒙特卡罗方法为美式回望期权定价是合理的,并且具有一定的优越性。     

双目标进化算法求解图着色问题

根据图着色问题的特征,提出了求解图着色问题的双目标模型;设计的有效、简洁的杂交算子和变异算子,均直接产生可行的后代个体;理论分析表明算法以概率1收敛到问题的最优解集.对标准算例进行了仿真实验,结果表明,双目标进化算法可以获得问题高质量的解,即对图进行着色所使用的颜色接近图的色数.     

基于GPU的加权Voronoi图计算

Voronoi图描述了一种对空间按照欧式距离进行的划分,是关于空间邻近关系的一种基础数据结构,在图像处理、城市规划以及地理信息系统等应用中有着重要的地位.顶点加权Voronoi图是Voronoi图的一种扩展,有着更为广泛的应用,但由于其实现的复杂性,相关算法一直比较少.为此,提出了一种基于GPU的加速算法.该算法利用GPU的高效计算特性,能够实时地生成离散的加权Voronoi图.与现有的算法相比,该方法易于实现,同时实验显示算法具有更好的计算性能.     

基于Image Quilting算法的纹理合成

基于样图的纹理合成方法是继纹理映射、过程纹理合成方法后发展起来的纹理拼接技术,用于解决传统方法中出现的缝隙、扭曲、变形和参数调整等问题.Image Quilting算法是简单易行的接缝消除方法,采用Image Quilting算法合成纹理并生成Wang Tile集,继而拼接大图像.实验表明,Image Quilting算法能够较好地保持纹理特征的连续性,但在接缝处可能破坏纹元特征.     

基于个体协同的子图结构发现混合进化算法

将进化算法与爬山算法的混合进化算法引入图数据挖掘,以克服贪婪式查找易陷入局部极值的问题.针对子图结构发现问题中实例易丢失的特点,提出了一种新的遗传操作--个体协同算子,使得代表同一子结构的不同个体能够以协同的方式进行查找.另外,还提出了一种基于年龄段和个体生成方式的多样性保持方案,以从种群的组成和个体的生成两个方面保持和提高种群的多样性,同时还有助于个体协同算子的执行.在进化过程中随时以新生成的单边子结构替换当前种群中没有潜力的个体的机制在缩小查找空间的同时还使得进化过程成为一个更为完全的查找过程.实验结果表明,以上措施增强了算法的寻优能力,能够获得更优的解.     

复杂网络确定性模型研究的最新进展

复杂网络的确定性模型在复杂网络建模领域起着不可或缺的作用。按照复杂网络经典模型发展的先后次序,依次对随机图、小世界网络、无标度网络以及加权网络确定性模型的研究现状进行较全面的综述,重点介绍了相关模型的构造及其主要性质,并对复杂网络确定性模型未来的部分发展方向进行了展望。