收发件同步的快递服务网点选址与车辆线路规划算法研究

快递服务网点的布局需要考虑区域内客户的分布及各客户的收件、发件总量等多重因素.快递服务网点的选址及车辆线路的规划问题可以看作是将向客户发送物件的正向物流和从客户收取物件的逆向物流相结合的双向物流网络优化问题.以网点建设成本及运输成本最小为优化目标,提出一种新的综合考虑双向物流的快递物流网络模型,并设计一种改进的离散人工蜂群算法实现问题的有效求解.通过实际算例验证了提出的算法不但具有较高的求解效率,而且能够得到稳定且高质量的解.     

基于灰关联分析的模糊C均值算法

标准的模糊C均值算法(FCM)采用欧式距离测度,均等地利用所有特征来计算数据间的相似性,但其存在受局部特征影响、对非球状簇识别效果不佳、无法适应高维数据等缺点.为此,提出一种将基于差异信息理论的灰关联分析结合到FCM中的新算法,利用均衡接近度描述数据间的相似性,强调从整体上判断数据的相似程度,减弱局部特征高关联性的影响,能够适应不同形状簇的识别.在人工和真实数据集上的实验表明,所提出的新算法具有更高的聚类精度和更好的稳定性.     

基于影响簇选择模型和MCMC采样的社交圈子识别算法

提出一种新的紧密度公式和一种影响簇发现模型,并在此基础上设计基于局部社团探测的采样算法MCMCS_LCD,以及基于MCMCS_LCD的社交圈子自动识别算法SCD_MCMCS_LCD,算法综合考虑局部模块度和节点间紧密度.在真实数据集上的实验表明,SCD_MCMCS_LCD算法在具有较快收敛速度的同时还具有较好的社交圈子识别效果.     

基于灰关联分析的K匿名方法及其在聚类中的应用

采用泛化和抑制技术对数据进行K匿名化处理,需要在数据的有用性和隐私保护度之间保持平衡。提出一种新的利用基于差异信息理论的灰关联分析实现K匿名的方法,利用数据序列之间的均衡接近度描述数据点之间的相似程度,据此进行相应的泛化和抑制操作,并将K匿名后的数据应用于聚类分析。在真实数据集上的测试验证了该方法的有效性。     

基于随机游走的进化计算社区发现

网络结构关系错综复杂,在复杂网络上寻找最优的社区结构是一个NP-Hard问题,进化计算被认为是解决这类问题的有效方案,人们尝试利用群智能方法来搜索最优的社区结构。目前,针对包含节点属性的属性网络,基于进化计算的社区发现方法还面临若干挑战：（1）基因编码策略都直接或间接采用邻位编码,致使算法的搜索空间受限于拓扑结构,属性信息利用程度低,导致算法精度不足;（2）缺少对社区边缘度较小的节点的考虑,造成社区边界识别较低。针对上述问题,提出了一种基于随机游走的进化计算社区发现算法。首先,设计了一种基于拓扑及属性信息随机游走的社区初始化策略,以准确识别社区边界,提高社区发现的精度。其次,设计了综合考虑拓扑和属性的节点嵌入向量更新策略,使节点的属性信息能够在进化过程中被有效利用,以提高社区划分的质量。通过在真实和人工数据集上实验,验证了提出的新算法能够比现有方法得到更好的社区划分。     

基Hibernate的GDSS数据访问层的研究

简要介绍了群体决策支持系统(GDSS)的发展历程及Hibernate的基本技术思想,提出一种基于Hibernate的GDSS数据访问层的体系架构,该体系架构采用抽象工厂模式以保证在不损失性能的同时提高软件的灵活性.以网络会商群决策支持系统为实例,对该体系架构的合理性和可行性进行具体的研究,并由此总结出在GDSS中应用Hibernate来实现数据访问层的合理的体系架构以及这种体系架构今后的发展方向.     

秦岭及其他地区蝽科分类研究(半翅目:蝽科)

半翅目异翅亚目(Hemiptera Heteroptera)是昆虫纲中的一个较大的类群,全世界已知为30000种,中国半翅目已记录的种类共计3100种,我国现在已查明的蝽科有400种.应用形态分类学方法及聚类分析法对秦岭地区蝽科昆虫进行了分类研究,共记载了6亚科38属56种,其中有2属3种为陕西省新记录.根据分类研究编写了种的检索表,对种间的亲缘关系进行了聚类分析.     

一种基于聚类的数据流隐私保护算法

数据流潜在无限、流动迅速、变化频繁等特点,使在数据流上实现隐私保护面临重大挑战.在阐述数据流匿名的概念及分析现有数据流匿名算法特点的基础上,提出基于聚类的数据流匿名设计思想,并给出算法实现.在真实数据集上的实验结果表明,新算法在满足匿名要求的同时能够降低概化和抑制处理带来的信息损失.     

基于灰关联分析的加权自适应谱聚类算法

为了降低谱聚类采用高斯函数作为相似性度量方式对参数的敏感性,以及能够发现多密度簇的同时降低噪声点的干扰,提出了一种将基于均衡接近度的灰关联分析结合到谱聚类中的新方法,采用加权的自适应相似性度量方式。最后用改进的FCM算法对其进行聚类。在真实数据集和人工数据集上分别对提出的算法和现有算法进行了比较分析。研究结果表明,提出的新算法能够消除参数的影响,具有更高的聚类精度。聚类精度采用F测度指标。     

融合节点影响力与多标签传播的重叠社区发现算法

重叠社区发现是复杂网络分析研究的重要目标之一。针对传统多标签传播算法存在的社区发现结果具有随机性、不稳定性,以及忽视节点影响力对标签传播的影响等问题,提出一种基于节点影响力与多标签传播的能够生成稳定社区的重叠社区发现算法。算法在节点影响力的计算、排序和核心节点识别基础上,通过邻居节点初始标签的再处理和基于平衡系数的节点标签异步更新策略,实现复杂网络重叠社区的有效识别。在真实数据集和人工数据集上的实验综合表明,算法性能优于各对比算法,适用于大规模复杂网络。