层级引导的增强型多目标萤火虫算法

针对多目标萤火虫算法在求解过程中易产生振荡和聚集现象,导致开发能力较弱、求解精度不佳的问题,提出一种层级引导的增强型多目标萤火虫算法（hierarchical guided enhanced multi-objective firefly algorithm, HGEMOFA）。构建层级引导模型,利用非支配排序获得不同层级个体,用优势层个体引导劣势层个体进化,明确引导方向,解决了进化过程中出现的振荡,减少了聚集现象的出现,增强了算法收敛性;引入莱维飞行扰动最优层个体,增强算法的全局搜索能力;每代进化完成后,对当前种群采用变异机制,增强算法的局部开发能力;把变异后的种群和前一代种群合并进行环境选择,筛选出和前一代种群规模相同的子代,避免优势解丢失。实验结果表明：HGEMOFA能有效增强解的收敛性和多样性。     

基于密度峰值聚类的Tri-training算法

Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明：相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。     

基于结果聚类分析的个性化推荐模型

提出一种基于结果聚类分析的个性化推荐模型。首先根据用户的访问行为建立用户兴趣模型,再利用多种信息的融合算法对搜索结果重新排序,最后对结果进行聚类分析,调整不同类别文档的权重后进行推荐。教学科研信息推送实验结果表明,基于结果聚类分析的个性化推荐模型能提高推荐效果。