一种求解集合组合问题的离散粒子群优化模型

针对变长集合组合优化问题,提出了一种离散粒子群优化模型.该模型将集合的概念和运算引入粒子群优化中,定义了一个可变集合搜索空间,并重新定义了粒子的位置、速度及作用于此空间的运算规则,既保留了粒子群本身的优化特性,又体现了集合组合优化的特点.采用典型的变长集合组合优化问题——背包问题来验证此模型的性能,并与二进制粒子群优化(BPSO)算法进行了对比.结果表明,该模型具有较强的寻优能力和更高的稳定性.

基于冯诺依曼邻居的粒子群多阈值分割算法

针对多阈值分割问题,提出了一种新的多阈值分割算法。该算法对传统的Otsu进行修改,使其能够更准确地找到直方图中谷的位置;并利用冯诺依曼拓扑邻居粒子群作为阈值优化算法,提高了优化性能。提出了构造冯诺依曼拓扑结构的方法,并分析和比较了它与全互连结构的差别。实验结果显示此算法具有较好的性能。

预测RNA二级结构离散粒子群优化算法

根据RNA二级结构预测问题实质和基本粒子群优化算法特性,提出一种离散粒子群优化算法模型.定义该模型中一个可变集合搜索空间,设计了基于此空间粒子群速度与位置更新公式及运算规则.采用局部精英粒子优化策略解决了粒子群算法易陷入局部最优的问题.实验结果表明,该算法在收敛速度和精度上都具有较好的性能.

利用Visual C++做虚拟仪器界面

针对传统的软件界面可视性、实用性等上的不足,本文介绍了一种目前比较流行的软件界面设计方法:虚拟仪器界面,并介绍了如何利用Visual C++来实现这种界面。

基于NW小世界邻居的粒子群多阈值分割算法

针对多阈值分割问题,提出了一种新的多阈值分割算法。此算法采用相对类内方差代替传统Otsu算法中的绝对类内方差,改善了传统Otsu对小对象分割不理想的弱点;采用NW小世界模型作为粒子群优化的社会认知拓扑结构,具有较好的全局寻优能力和较快的收敛速度。实验结果显示此算法具有好的性能。

基于DOM树结构的Blog网页自动识别

针对当前Internet中大量出现的博客网页,通过分析博客网页自身的结构特点和技术特征,结合网页的DOM节点特性,提出了基于DOM树分析和模式匹配的博客网页自动识别算法,并通过实验对本算法进行了验证,指出需进一步完善的研究内容和方向。

基于信用的重复博弈模型在节点转发中的应用

机会网络信息转发决策中,由于节点的自私性可能出现通过欺诈表现而故意导致转发决策失败的问题,并由此带来损益表的明显变化。针对这一现象,提出了基于信用合作和重复博弈的欺诈行为解决方案。在引入信用合作机制的基础上,将单次阶段博弈行为转变为其生命周期和全局网络内的重复博弈过程。通过惩罚机制和信用机制,将欺诈节点单次欺诈行为收益与惩罚周期的巨大损失相比较,迫使博弈节点在博弈过程中仔细权衡其欺诈行为可能带来的损益比,从而减少欺诈行为的可能,提高机会网络中信息转发过程的成功率。仿真实验结果表明,该方法可显著提高节点博弈过程中的诚信度和合作率。

基于移动自组网的服务发现体系结构设计

移动自组网络(MANET)是自治的无基础设施的网络,在此基础上进行的服务发现体系有别于传统的服务发现体系,需要从网络传输、服务注册以及服务发现等方面充分考虑移动无线网络和移动设备的特性。现有的基于有线网络或者单点自组网络协议的相关服务技术标准及协议用于MANET存在很大的局限性和不足。充分考虑移动自组网中设备的移动性和网络环境的不稳定性后,提出了一个基于分簇的体系架构设计,并在该体系架构中就服务传输协议、面向容错的分簇策略、非集中式的服务注册和服务发现机制等方面提出了针对性的设计方案。仿真结果显示,在移动自组网的特殊网络和设备环境下,这一新的体系架构和相关服务发现策略从服务匹配准确度、反馈时间等方面都优于传统方式的服务描述模式和服务发现机制。

RNA二级结构预测SVMs模型研究

扩展NSSEL标签,对RNA分子中的stem-loop结构和伪结结构进行标记.将RNA分子序列中的碱基编码输入,经过支持向量机(support vector machines,SVMs)模型计算输出相应的结构标记.该模型经过训练后,待预测的RNA分子序列可得到对应的结构标识序列,这些标识序列可通过特定算法,唯一构建包括伪结在内的二级结构.实验结果表明,该算法在可接受的预测精度范围内具有较低的计算复杂度,克服了传统算法计算时间过长,无法在有限时间内得到有效结果的缺点.

面向移动自组网的Web服务元数据描述

从建立面向移动自组网的Web服务应用的平台出发,针对移动自组网的特点和该环境内Web服务应用的特征,提出了一种基于语义的元数据描述模型,并结合该元数据描述模型设计了高效可行的服务匹配策略。实验表明该元数据描述模型可以充分体现移动终端的变化性和时间性,与之结合使用的匹配策略算法在实用性明显优于Jini等方式实现。

研究生计算智能课程教学探索

文章针对学术型研究生与专业型研究生的不同特点,以计算智能课程教学为例,介绍"授课—项目实践—研讨"三阶段承接的教学模式,从教材选用、教学内容设置、教学环境及技术支持、课程考核等方面阐述其实施环节及实施过程中应注意的问题;提出面向不同的授课对象,教学内容的设置也应各有侧重,以此培养不同型研究生应具备的不同能力。

基于PCA的高维多目标优化可视化方法

高维多目标优化问题的高维解集由于目标和解的个数众多,对其可视化较为困难。针对上述问题,结合降维和非降维数据分析技术,提出一种高维多目标优化的可视化方法。该方法对高维多目标算法运行后的一组解集进行预处理,运用主成分分析方法分析数据特征,获取转换后的数据及其对应的贡献率。按照贡献率由大到小的顺序调整转换后的数据列顺序;利用主成分贡献率求解转换后数据的行间距离,运行分级聚类算法并对转换后的数据按行排序,重新组织数据,将最终的结果用热图显示。实验结果表明,该方法既能使用户明确转换后每个目标所占的贡献率,又能取得较满意的视觉效果,便于用户理解数据的整体分布并做出决策。

一种求解动态背包问题的离散粒子群优化算法

动态背包问题(DKP)是一类经典的动态优化问题,可以用来描述许多实际的问题。迄今为止,针对动态背包问题的研究主要集中在遗传算法上,而对粒子群优化算法的研究较少。在离散粒子群优化模型的基础上,引入环境变化的探测以及环境变化后的响应机制,提出一种求解动态背包问题的离散粒子群优化算法(DSDPSO)。将该算法和现有经典的自适应原对偶遗传算法(APDGA)在两个动态背包问题上进行了对比实验,结果表明,DSDPSO算法在环境变化后能迅速地找到最优解并稳定下来,更适合于求解动态背包问题。

高维多目标优化算法分析研究

目前,大部分多目标进化算法MOEA(Multi-Objective Evolutionary Algorithms)是针对2到3个目标问题而设计,并且已经取得良好的优化效果,而对于目标个数大于或远大于3个的高维多目标问题,用MOEA逼近Pareto前沿和保持较低的计算复杂度都十分困难。通过讨论分析目标个数对高维优化算法带来的困扰,总结针对这些困扰引入的一些算法和策略。介绍了已有的高维多目标算法对占优机制进行的改善,并着重对现存的高维多目标减少算法做了系统的分类综述,对比分析验证了各类算法的优化效果,并给出进一步可研究的方向。

一种邻居动态调整的粒子群优化算法

为了达到全局寻优能力与寻优速度的平衡,提出一种邻居动态调整的粒子群优化算法.该算法依据粒子的多样性变化和进化状态,实现邻居结构的动态改变.算法引入种群熵评估粒子的多样性,定义粒子邻居扩充因子和局部影响因子来描述粒子的进化状态,并提出邻居扩充与约束策略来控制好粒子的影响力.实验结果表明,该算法具有较强的全局寻优能力和较好的寻优速度.