云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。

层次泛函网络构造理论及其在多重数值积分中的应用

对层次泛函网络的全局逼近理论进行研究,证明了层次泛函网络是一全局逼近器。利用这个特性,将层次泛函网络的构造方法和过程应用于多重数值积分计算。最后,通过6个典型的多重数值积分算例,计算机仿真结果表明,这种方法可行有效,具有较高的计算精度。

一种基于泛函网络求数值积分方法研究

提出了一种基于泛函网络求数值积分新方法,给出了一种泛函网络模型及学习算法,并将该模型用于求任意函数的数值积分,理论上证明了泛函网络用于逼近数值积分定理。最后通过5个数值积分算例,并与传统计算方法作了比较分析,仿真结果表明,提出的数值积分方法精度高,适应性强,且不需要确定被积函数的原函数,因此该方法在工程技术中有较大的应用价值。

基于ROC曲线的两类分类问题性能评估方法

为了克服传统分类算法指标存在的不足,即分类准确度、精确度和检测概率等指标对类别先验概率不具有稳健性,采用基于雷达接收机工作特性曲线即ROC曲线的评估方法来评估两类分类算法,通过参数法或非参数法建立ROC曲线,使用几率点欧氏距离、曲线下面积、最佳阈值点等指标对两类算法进行性能评估。实验结果表明,相对于传统算法,基于ROC曲线的评估方法的性能得到了很大的提高,在分类器识别算法性能评估中是一种有效的评估方法。

基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化

针对无线传感网络(WSN)的节点覆盖存在着覆盖率低、节点分布不均匀的问题,提出一种基于多策略改进的蝴蝶优化算法(MIBOA)的节点覆盖优化策略。首先,将基础的蝴蝶优化算法(BOA)与麻雀搜索算法(SSA)结合改进搜索过程;其次,引入自适应权重系数提高寻优精度和收敛速度;最后,对当前最优个体进行柯西变异扰动,提高算法鲁棒性。基准测试函数的寻优实验结果说明,MIBOA基本可在3 s内求解测试函数最优值,且收敛平均值精度较BOA提高了97.96%。将MIBOA应用于WSN节点覆盖优化问题,与BOA和SSA相比,节点覆盖率至少提高了3.63个百分点;与改进灰狼优化算法(IGWO)相比,部署时间缩短了145.82 s;与改进鲸群优化算法(IWOA)相比,节点覆盖率提高了0.20个百分点且时间缩短了1112.61 s。综上,MIBOA可较好提高节点覆盖率并降低冗余覆盖率,有效延长WSN的生存时间。

高职计算机专业“工作室”制教学模式的构建

工学结合是高等职业教育改革的重点,"工作室"制是工学结合的有效实现方式之一。针对当前传统意义上的高职计算机专业教育存在的弊端,分析实施"工作室"制教学模式的必要性,探索其构建过程,为高职院校计算机专业的可持续发展提供有效途径。

求解复杂化学方程根的改进型粒子群算法

针对粒子群优化算法容易陷入局部极值点,进化后期收敛速度慢,精度较差等缺点,把变异算子嵌入到粒子群优化算法中,提出一种改进型粒子群优化算法,并用于求解复杂化学方程的根。通过实例测试证明,该算法收敛速度快,精度高,是一种求解复杂化学方程根的有效方法。

新工科背景下计算机类研究生“产学研”协同育人模式研究

新工科建设背景下,“产学研”协同育人是高校培养新工科人才的重要模式。为适应新工科建设对计算机类研究生的培养要求,高校应根据计算机类专业的特殊需求,积极探索“产学研”协同育人模式,形成产学研办学特色,培育更多具有工程实践能力的创新型人才。基于此,文章阐述了新工科建设背景下“产学研”协同育人模式的内涵,解析计算机类专业对“产学研”协同育人的特殊需求,并探索新工科背景下计算机类研究生“产学研”协同育人模式的构建策略,旨在提升人才培养质量,培养更多新工科创新型人才,更好地适应新经济新形势的发展。

求解TSP问题的社会演化算法

将社会演化算法和蚁群算法相结合,以蚁群算法作为认知主体的推理过程,再以范式的学习和更新方式获得最优解,提出一种求解TSP问题的社会演化算法。最后通过两个算例实验仿真与TSP已知最优解进行对比分析,结果表明,社会演化算法在种群规模较小,迭代次数较少的情况下也可获得TSP最优解。

快速傅立叶变换在苹果形状识别中的应用

介绍了快速傅立叶变换在苹果形状识别中的应用,首先需要将苹果图像的边缘像素进行极坐标转换,经过FFT变换后的数据较多,因此还需采用主成份分析法对其进行处理,得到能够描述苹果形状的两个主成份值。

基于AP聚类的约简孪生支持向量机快速分类算法

孪生支持向量机TWSVMs分类过程的计算量和样本的数量成正比,当样本个数较多时,其分类过程将会比较耗时。为了提高样本集的稀疏性,从而提高TWSVMs的分类速度,提出了一种基于AP聚类的约简孪生支持向量机快速分类算法FCTSVMs-AP。首先对原始数据集进行AP聚类操作。聚类的中心为约简后新的样本集,按照分类误差最小的原则构建优化模型,用二次规划方法求解新的决策函数的系数,并证明了当样本集压缩时,收紧新的快速决策函数和原始决策函数之间的误差等价于在样本空间对原始数据集进行AP聚类操作。在人工数据集和UCI数据集上的实验表明,保持分类精度的损失在统计意义上不明显的前提下,FCTSVMs-AP可以通过有效压缩样本数量的方式提高分类速度。

光滑孪生参数化不敏感支持向量回归机

作为机器学习方法之一的孪生参数化不敏感支持向量回归机(TPISVR)有着简洁的数学模型,良好的学习性能,特别适合于求解带有结构异方差噪声的数据回归问题,然而TPISVR的训练速度较低,训练效率有待提高。TPISVR的传统算法可以归结为通过转化对偶问题的方法求解2个带有不等式约束的二次规划问题,然而这种求解二次规划问题的方法对于样本数目较大的问题将受到时间和内存的制约,这是导致TPISVR训练效率低的关键所在。针对此问题,首先,引入正号函数,将TPISVR的2个二次规划问题转化为2个不可微的无约束优化问题;其次,引入CHKS光滑函数和正则项,对TPISVR模型进行正则化,并对不可微的无约束优化问题进行光滑逼近,从而将不可微的模型转化为可微的无约束优化问题,并用收敛速度快的Newton-Armijo方法求解新模型,提出光滑孪生参数化不敏感支持向量回归机(STPISVR);最后,从理论上证明了STPISVR模型是收敛的,并具有任意阶光滑性。为了验证所提算法的有效性和可行性,对机器学习常用的人工数据集和UCI数据集进行仿真实验。实验结果表明:和其他机器学习方法相比,STPISVR在保证精度不下降的前提下,获得了更高的训练效率。

求解物流配送中心选址问题的改进鸽群算法

为了提高鸽群优化算法求解物流配送中心选址问题的优化效果,减少物流配送成本,提出了一种改进的鸽群优化算法。该算法在基础鸽群优化算法上,引入灰狼优化算法在寻优过程中的捕食策略,能够有效地提高鸽群优化算法的局部搜索能力、增强算法的寻优性能。由函数测试实验可得,该算法在求解测试函数最优值上具有寻优速度快、收敛精度高的特点。最后,将其应用到求解物流配送中心选址问题中,实验结果表明:改进的鸽群优化算法更适合求解高维物流配送中心选址问题。

一种基于Newton-Armijo优化的多项式光滑孪生支持向量机

针对光滑孪生支持向量机(smooth twin support vector machines,STWSVM)采用的Sigmoid光滑函数逼近精度低的问题,提出一种基于Newton-Armijo优化的多项式光滑孪生支持向量机(polynomial smooth twin support vector machines based on Newton-Armijo optimization,PSTWSVM-NA)。在PSTWSVM-NA中,引入正号函数,将孪生支持向量机的两个二次规划问题转化为两个不可微的无约束优化问题。随后,引入一族多项式光滑函数对不可微的无约束优化问题进行光滑逼近,并用收敛速度快的Newton-Armijo方法求解新模型。从理论上证明了PSTWSVM-NA模型具有任意阶光滑性,在人工数据和UCI数据集上的实验结果表明该算法具有较高的分类精度和较快的训练效率。

基于混合鸡群优化算法的WSN节点部署优化

无线传感网络(Wireless Sensor Network,WSN)技术,在节点随机部署的情况下,容易出现节点分布不均的问题.为了提高节点部署的覆盖率,提出了一种基于混合鸡群优化算法(Hybrid Chicken Swarm Optimization Algorithm,HCSO)的WSN节点部署优化方法.首先为了平衡算法的全局搜索和局部搜索的能力,提出了一种自适应种群分配策略;其次,结合正余弦算法思想,改进了公鸡种群更新公式,提高其收敛速度和精度;最后,优化小鸡种群学习方式,使其不仅学习母鸡,也向公鸡和最优个体学习,提高小鸡粒子的质量.将HCSO算法在基准函数上测试,实验结果表明,本算法比其他算法的法收敛精度提高了10%,收敛速度均比原算法提高了0.05~0.10 s.最后将HCSO算法应用于WSN节点部署优化中,结果表明所提出的方法所得到的覆盖率高于其他算法,提高了0.2~13.1个百分点,充分证明了基于HCSO算法的WSN节点部署优化方法的优越性.

一种多策略混合型烟花算法

针对传统烟花算法存在寻优精度低,多样性差,爆炸更新具有盲目性的不足,提出一种融合算术优化算法的混合型烟花算法。首先,该算法利用算术中乘除运算和加减运算实现烟花的爆炸操作,从而提高算法的收敛能力和寻优精度。其次,采用“精英”选择策略取代“轮盘赌”选择策略,降低算法复杂度。最后,通过对8个基准函数优化测试以及联合谱聚类算法对2个UCI基本数据集进行分类实验来评估该算法的有效性。实验结果表明,该算法对于函数优化能够较好的寻优求解在4个测试函数上精度误差从10^(-100)附近降低至10^(-300),在谱聚类算法的应用中适应度值平均值至少优于原算法3.3%,总体性能优秀。

基于混沌初始化和高斯变异的鸽群算法

针对鸽群优化算法在求解非线性优化问题中,容易陷入局部最优,收敛精度不高的问题,提出改进的鸽群优化算法。采用混沌映射中的立方映射方法对鸽群位置进行初始化,增加种群的多样性;引入高斯变异算子,弥补鸽群算法容易陷入局部最优的不足,提高算法的全局搜索能力和搜索效率;在地标算子中添加递减因子,能够有效避免算法由于过早收敛而陷入局部最优,提高算法的收敛精度。测试19个基准函数和电力系统经济调度工程应用实验的结果表明,改进后算法与其它群智能算法相比,拥有更好的寻优能力。

基于模糊核聚类粒化的粒度支持向量机

针对传统的粒度支持向量机(granular support vector machine,GSVM)将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法(fuzzy kernel cluster granular support vector machine,FKC-GSVM)。FKC-GS-VM通过利用模糊核聚类直接在核空间对数据进行粒的划分和支持向量粒的选取,在相同的核空间中进行支持向量粒的GSVM训练。在UCI数据集和NDC大数据上的实验表明:与其他几个算法相比,FKC-GSVM在更短的时间内获得了精度更高的解。

基于自适应调节极大熵的孪生支持向量回归机

孪生支持向量回归机(Twin Support Vector Regression,TSVR)的数学模型是求解一对约束优化问题,如何将约束优化问题转化为无约束优化问题进行求解是一个难题.在TSVR约束优化模型的基础上,依据最优化理论提出TSVR的无约束优化问题.然而,无约束优化问题的目标函数有可能不可微,为解决这个问题,引入极大熵函数,确保优化问题都是可微的.标准的极大熵函数法有可能发生数值溢出,所以对极大熵函数法进行了改进,提出自适应调节极大熵函数法来逼近TSVR的不可微项,并提出基于自适应调节极大熵函数法的TSVR学习算法.实验结果表明,和其他回归方法相比,所提算法不仅能够提高回归精度,而且效率得到了较大的提高.

基于改进蝴蝶算法的水文地质参数优化

针对水文地质参数求解精度不足以及传统配线法等策略在求参过程中效率低下等的问题,提出一种基于黄金正弦加权蝴蝶优化算法的水文地质参数优化策略。首先在蝴蝶优化算法的全局与局部搜索阶段引入黄金正弦算子,缩小算法解空间;其次引入自适应权重,调整算法后期种群个体移动步长与搜索方向。通过6个基准测试函数的寻优对比测试结果表明:黄金正弦加权蝴蝶优化算法的寻优精度较高且收敛速度较快。将该优化策略应用于水文地质参数导水系数与贮水系数的优化以达到最小降深误差,并与粒子群优化算法、配线法等优化策略进行实验对比。结果表明黄金正弦加权蝴蝶优化算法能有效优化水文地质参数并提高泰斯公式计算性能,获得更小抽水降深误差,为后续抽水试验提供了新方法。