无三边形极小3连通图的非基本边数

给出无三边形极小3连通图G的非基本边数的下界︱G︱ 3,并证明图G的非基本边数达到下界当且仅当G同构于K3,3.     

基于递阶遗传算法的一类多旅行商问题优化

针对最小化单个旅行商路程的多旅行商问题,提出了一种递阶遗传算法和矩阵解码方法。该算法根据问题的特点,采用一种递阶编码方案,此编码与多旅行商问题一一对应。用递阶遗传算法优化多旅行商问题不需设计专门的遗传算子,操作简单,并且解码方法适于求解距离对称和距离非对称的多旅行商问题。计算结果表明,递阶遗传算法是有效的,能适用于优化多旅行商问题。     

论复杂性的基本根源——从系统科学的角度

从复杂性的一般性特征描述中分析出复杂性的产生根源：系统中多个子系统数目、子系统间的非线性相互作用、系统的进化机制、系统处于混沌的边缘、层级结构、自组织机制、适应性以及人类认识能力的局限性等。同时说明这些因素之间联系非常密切并不是彼此孤立的。     

空间轨迹问题的粒子群仿真研究

空间轨迹的搜索问题具有多个全局最优解,一种有效的解决方法是采用粒子群算法进行搜索.然而与一般的优化问题不同,轨迹问题要求算法中粒子适应值与粒子位置同时收敛.为此,针对已有的粒子群算法在轨迹搜索上的不足,提出了一种减速粒子群优化算法(Slowdown ParticleSwarm Optimization,简称SPSO),从位置角度改善粒子群的收敛性能.该算法利用独立子群技术保证粒子收敛于不同的位置,并根据粒子适应值情况减半更新粒子飞行速度,以达到位置收敛的目标.仿真实验的结果表明了减速粒子群算法在位置收敛效果上的优越性.     

基于级联卷积神经网络的港口多方向舰船检测与分类

港口舰船目标自动检测的定位和类型分类是一个重要而具有挑战性的问题。针对高分辨率光学遥感影像中多方向性排列密集的近岸舰船目标定位和识别困难的问题,提出基于级联区域卷积神经网络和手工提取特征相结合的近岸舰船检测识别框架。首先,使用级联的区域卷积神经网络对舰船位置进行粗定位并对类别进行估计,得到一系列粗定位的垂直预测框。然后,设计一个可以准确定位舰船的斜框旋转回归器,其将第一阶段所得粗定位垂直矩形框转变为带方向的斜矩形框。最后,使用非极大值抑制的方法去除冗余的预测框。实验采用谷歌地球上采集的数据集进行训练和预测,实验结果表明所提算法在精准率和召回率上均具有较大优势。     

经济复杂性系统主体学习算法理论综述

对经济复杂性系统研究文献中常见的主体学习算法进行了一个全面的梳理.将学习算法分为来自智能计算或演化计算的学习算法以及来自心理学和实验经济学的学习算法,并结合文献介绍了各类学习模型在经济学研究中的主要应用.还回顾了文献中对各种算法的分析比较,并对学习算法的发展前景进行了展望.由于学习算法还是一个相对较新的领域,对经济系统中个体学习行为需要进行更加深入的研究和探索.     

一种新的混合聚类算法

聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。K-平均算法是经典的聚类算法。蚂蚁聚类算法是近来涌现的新的聚类算法,它通过模拟蚁群的智能行为进行聚类分析,已经在数据挖掘中得到应用。通过分析蚂蚁聚类算法和K-平均算法两种不同聚类算法的基本思想,将两种算法结合得到混合聚类算法,仿真实验证明混合聚类算法的算法性能优于蚂蚁算法和K-平均算法。     

自然计算——人工智能的有效实施模式

对自然计算理念给出统一的框架描述,并以反馈式神经网络和群体智能算法为例加以具体论述.在所定义模型框架下,自然计算领域内算法中的相关智能体群表现出一种相对统一的智能计算模式.     

基于位置关系约束的SAR图像与光学图像匹配

SAR图像与光学图像有较大差异,为实现SAR图像与光学图像的匹配,提出了一种新的多子区SAR景象匹配算法。算法依据SAR图像噪声特性,提出了用于SAR图像边缘提取的基于小波包变换的改进断面检测法。匹配中将实时图分为多个子区,由子区灰度标准差和频谱直方图判别其可匹配性,用各子区位置分布关系约束匹配结果。匹配搜索策略为基于提升小波的金字塔分层搜索。用SPOT-5卫星光学基准图进行了大样本实验,实验结果表明了该方法是一种有效的图像匹配方法,具有鲁棒性,并且与中心点匹配方法相比,能为飞行器定位提供更多有效信息。     

A multiple intelligent agent system for credit risk prediction via an optimization of localized generalization error with diversity

Company bankruptcies cost billions of dollars in losses to banks each year. Thus credit risk prediction is a critical part of a bank＇s loan approval decision process. Traditional financial models for credit risk prediction are no longer adequate for describing today＇s complex relationship between the financial health and potential bankruptcy of a company. In this work, a multiple classifier system （embedded in a multiple intelligent agent system） is proposed to predict the financial health of a company. In our model, each individual agent （classifier） makes a prediction on the likelihood of credit risk based on only partial information of the company. Each of the agents is an expert, but has limited knowledge （represented by features） about the company. The decisions of all agents are combined together to form a final credit risk prediction. Experiments show that our model out-performs other existing methods using the benchmarking Compustat American Corporations dataset.