一种新的证据理论改进策略

针对Dempster-Shafer(D-S)证据理论应用于有冲突的证据间融合时,出现证据理论不可用或者得出与事实相悖结论的问题,提出了一种新的证据理论改进策略。首先,通过计算不同证据源之间的距离来度量证据间的相似度,从而判别异常证据体;然后,根据证据对焦元的信任情况以及信任度的大小设置每个证据体的外权重和内权重,再使用加权平均的算法构造出新的替换证据;最后运用原有的组合规则对多源信息进行融合。仿真结果表明,基于这种新的加权方式的策略是有效的,可以解决融合时出现的悖论问题,相较于其他同类改进算法,具有更高的证据信任度。

天赋发掘算法:一种新的元启发式优化算法

元启发式优化算法解决复杂多峰函数时普遍存在稳定性较低和易于陷入局部最优的情况,针对这一情况,提出一种新颖的、受现代社会环境下孩子天赋发掘启发的元启发式优化算法——天赋发掘算法(talent discoveral algorithm,TDA)。TDA通过模拟社会各群体各司其职又相互合作发掘孩子天赋的过程,实现最优解的寻找。使用可变维多峰基准函数和固定维多峰基准函数对TDA进行测试,结果表明:与正余弦算法(sine cosine algorithm,SCA)、灰狼算法(grey wolf optimizer,GWO)、鲸鱼算法(whale optimization algorithm,WOA)和粒子群算法(particle swarm optimization,PSO)等相比,TDA算法在解决优化问题时具有更强的全局搜索能力和更高的稳定性。