基于避障寻优改进蚁群算法的机器人路径规划

针对蚁群算法在处理路径规划过程中存在收敛速度慢,规划路径冗余等问题,提出了一种基于避障信息和快速寻优策略的改进蚁群算法。为了改善蚁群的首次搜索效率和精度,引入切比雪夫距离改进距离启发函数,在转移概率中增加目标点对机器人的引导作用;采用自适应转移概率调整路径规划过程中节点的选择方式,并根据节点周围的障碍物分布设置初始信息素,使得蚂蚁首次生成有效路径的比率从60%提高至92%;同时删除生成路径的垃圾信息,提高最优路径节点的信息素浓度,平衡了蚁群的局部和全局搜索能力,加快了最优路径的速度;通过平滑生成的路径,减少机器人转弯次数,缩短了路径距离。选择SSA、ACO、IACO、I-ACO等算法在3种栅格环境上进行性能测试。结果表明,改进的蚁群算法路径寻优上优于其他算法。

基于深度网络投票的抗血管生成肽识别

血管生成在各种疾病中,尤其是癌症的发病机制中起着关键作用,因此开发更加快速高效的抗血管生成肽(AAPs)智能识别工具尤为重要.基于多种特征工程、深度学习和集成学习构建了一个深度网络投票的识别模型iAAPs-DNV.采用AAindex编码、分组权重编码(EBGW)、K-间隔氨基酸对(KSAAP)、基于物理化学性质的二阶移动平均(SOMA)和BLOSUM62编码提取氨基酸序列的特征信息.利用软投票策略集成加入了注意力机制(attention)的双向长短期记忆网络(BiLSTM)和卷积神经网络(CNN),并通过全连接层输出识别结果.iAAPs-DNV模型在Main数据集和NT15数据集上的识别精度明显优于已有的识别模型,表明该模型能够高效准确地识别抗血管生成肽.

基于双HSIC和稀疏正则化的多标签特征选择

为了合理地利用多标签数据中的样本信息和标签信息,提高模型的分类性能,提出了基于双希尔伯特-施密特独立性准则(Hilbert-Schmidt independence criterion,HSIC)和稀疏正则化的多标签特征选择(DHSR)。该方法在线性映射的基础上引入双HSIC作为正则项,增强伪标签空间和特征空间之间的依赖关系,增强伪标签空间和真实标签空间之间的依赖关系。并使用L2,1范数作为稀疏正则项,以提高模型的泛化能力和减少模型的计算复杂度。最后,在多个经典多标签数据集上的对比实验结果验证了DHSR的有效性和优越性。

混沌映射的粒子群算法分析比较

为解决粒子群算法(Particle Swarm Optimization, PSO)易受初值影响、迭代后期早熟收敛、局部寻优结果不稳定等问题,提出混沌映射粒子种群初始化的方案。即在算法前期根据混沌映射初值敏感性、随机性等特征,基于6种混沌映射对粒子群算法分别进行初始化,进而增加种群多样性和解的覆盖。引入动态惯性权重系数,提高算法收敛速度。通过6个测试函数进行仿真实验,对比不同混沌映射数据结果,实验证明该算法能在不改变原有时间复杂度的基础上较好地提高算法的收敛速度和寻优精度。

基于多策略组合的改进差分进化算法

作为求解全局数值优化及复杂黑盒问题的流行方法之一,差分进化算法的性能主要取决于其变异策略和控制参数的设置。为避免算法陷入局部最优和早熟收敛,提出了一种基于多策略组合的改进差分进化算法。首先,该算法利用个体种群适应度排名,再将种群分成3个不同子种群,并依据各子种群特征分配不同的变异算子。其次,为进一步提高算法的搜索能力,分别考虑不同差分项的作用并充分利用父代和子代间的差异信息,提出了改进的自适应参数设置方法。最后,通过在IEEE CEC2014标准测试集上进行数值实验,并与5个DE变体相比,数值实验及非参数检验结果表明所提算法具有更快的收敛速度和寻优能力。

基于多源特征和双向门控循环单元的抗高血压肽识别

为了开发快速、高效和智能的抗高血压肽(anti-hypertensive peptides,AHTPs)识别工具,针对AHTPs的识别,构建基于多源特征和深度学习的识别模型。利用新增强分组氨基酸组分(novel enhanced grouped amino acid composition,NEGAAC)、约简的二肽组分(reduced dipeptide composition,RDPC)、二肽频率与预期平均值之间的偏差(dipeptide deviation from expected mean,DDE)、氨基酸物理化学性质的距离变换(amino acid physicochemical properties-based distance transformation,AAP-DT)和BLOSUM62编码对肽序列进行特征提取。采用双向门控循环单元(bidirectional gated recurrent units,BiGRU)对蛋白质特征进行深度学习,进而有效识别AHTPs。在10-折交叉验证下,基于多源特征和深度学习的识别模型在基准数据集和独立数据集上的识别精度达到96.78%和98.72%。

二分k-means锚点提取的快速谱聚类

光谱聚类(spectral clustering,SC)由于在无监督学习中的有效性而受到越来越多的关注。然而其计算复杂度高,不适用于处理大规模数据。近年来提出了许多基于锚点图方法来加速大规模光谱聚类,然而这些方法选取的锚点通常不能很好地体现原始数据的信息,从而导致聚类性能下降。为克服这些缺陷,提出了一种二分k-means锚点提取的快速谱聚类算法(fast spectral clustering algorithm based on anchor point extraction with bisecting kmeans,FCAPBK)。该方法利用二分k-means从原始数据中选取一些具有代表性的锚点,构建基于锚点的多层无核相似图;然后通过锚点与样本间的相似关系构造层次二部图。最后在5个基准数据集上分别进行实验验证,结果表明FCAPBK方法能够在较短的时间内获得良好的聚类性能。

一种分组多策略蝙蝠算法

针对蝙蝠优化算法存在维度敏感、稳定性差、收敛精度低等问题,提出采用分组策略对蝙蝠进行等级划分的算法,并采用混合搜索策略避免搜索跳过最优解,加入惯性权重策略,提升了种群多样性。采用六个基准函数进行仿真,结果表明所提出的DGMBA算法性能优于ELBA、BA、FPA和PSO算法。对该算法进行秩检验,结果证明该算法比较稳定,是较为有效的算法。

多目标花粉算法在电力投资市场中的应用

针对电力市场的投资组合优化问题,采用多目标花授粉算法(MOFPA)构造Pareto最优解集,为发电商面临不同的交易做出选择。为避免多元化不足,增加一个目标以增强多元化,得到四目标的均值-方差-偏度(MVS-D)组合模型。与MOPSO和MOGAS进行比较,算例结果表明MOFPA能够得到的基于MVS-D优化模型较优的帕累托解,能为发电商提供更好的权衡解决方案,同时促进发电企业投资主体的多元化。

基于萤火虫算法的自适应花授粉优化算法

花授粉算法是一种新的启发式算法,由于存在易陷入局部最优且演化后期收敛速度慢等缺陷,导致算法的寻优能力受到限制。针对该算法存在的不足,在局部授粉过程中引入自适应的变异因子,并对花授粉算法中的转换概率进行自适应调整后,将其与萤火虫算法相结合,提出了一种基于萤火虫算法的改进花授粉算法;最后,通过经典的标准测试函数对新提出的算法与DE-FPA、PSO-FPA做比较实验。实验结果表明,改进后的算法比基本花授粉算法具有更高的收敛精度和稳定性。

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法(MACS)。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率p代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明:改进布谷鸟算法(MACS)的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。

动态调整概率的双重布谷鸟搜索算法

布谷鸟搜索算法是一种新兴的仿生智能算法,存在着求解精度低、易陷入局部最优及收敛速度慢等缺陷,提出了动态调整概率的双重布谷鸟搜索算法(DECS)。首先,在自适应发现概率P中引入了种群分布熵,通过算法的所处迭代阶数和种群分布情况,动态改变发现概率P的大小,有利于平衡布谷鸟算法局部寻优和全局寻优的能力,加快收敛速度;其次,在布谷鸟寻窝的路径位置更新公式中,采用了一种新型步长因子更新寻优方式,形成Levy飞行双重搜索模式,充分搜索空间;最后,在随机偏好游走的更新公式引入非线性对数递减的惯性权重策略,使得算法有效克服易陷入局部最优的缺陷,提高寻优搜索能力。与4种算法相比和19个测试函数的仿真结果表明:改进布谷鸟算法的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。

基于差分进化的飞蛾算法在电力调度中的应用

针对基本MFO算法存在后期收敛速度较慢、收敛精度低等缺点,提出了一种基于差分进化的改进飞蛾优化算法(DEMFO)。该算法首先将差分进化算法融合到MFO算法中,使得飞蛾种群个体之间具有变异、交叉、选择机制,DEMFO算法拥有更强的全局和局部搜索能力;运用柯西变异算子对飞蛾最优位置进行变异更新产生新解,保持飞蛾种群的多样性,帮助算法跳出局部最优;再引入动态自适应权重因子,使飞蛾的更新方式更具灵活性,引导算法朝着正确的搜索方向进行,从而有效地提高了算法的收敛性和精度;对该算法用8个测试函数进行仿真实验,从实验结果可以看出DEMFO算法在收敛速度和收敛精度上有了显著提高。将该算法成功应用于求解电力系统负荷经济调度(Economic Dispatch,ED)模型,在Matlab平台对140台机组算例进行了仿真,相比基本MFO算法,提出的DEMFO算法能够获得更高质量的优化解,提供更好的负荷经济调度方案,从而有效降低发电成本,产生巨大的经济效益。

基于萤火虫算法和高斯扰动的飞蛾优化算法

针对飞蛾优化算法易陷入局部最优、寻优精度不高的缺点,提出一种基于萤火虫算法和高斯扰动的飞蛾优化算法。采用萤火虫算法改善飞蛾优化算法的初始种群质量,增强飞蛾种群的多样性;将指数递减策略引入飞蛾位置更新公式,使算法迅速进入全局寻优并展开精确搜索;构造高斯扰动项加入到局部新解产生公式,防止陷入局部最优;设计扰动控制因子以控制高斯扰动的扰动范围,增强算法的稳定性。通过10个测试函数进行仿真实验。结果表明:改进的飞蛾优化算法的寻优性能明显提高,收敛速度更快,求解精度更高,稳定性更强。

基于三重动态调整的花授粉算法

针对花授粉算法存在的收敛速度慢、易陷入局部最优及收敛精度低等缺点,提出了基于三重动态调整的改进花授粉算法。采用动态转换概率切换算法的搜索模式,在全局搜索更新机制中引入新型动态因子,并在局部开发更新机制中引入正余弦步长因子。通过对7个测试函数的仿真实验结果和与FPA、CS、ASCSA等算法相比,表明改进的花授粉算法具有更强的全局搜索能力和跳出局部最优能力。

融合正弦余弦和种群初始化策略的布谷鸟算法

针对布谷鸟优化算法存在的易陷入局部最优、收敛速度慢等问题,提出了融合正弦、余弦和种群初始化策略的布谷鸟算法。在布谷鸟初始种群产生时引用一种结合均匀化与随机化的策略,以半均匀半随机的方式产生初始种群,有效地减小了因为初始种群完全随机而产生的随机误差,提高了算法寻优速度;分别在全局搜索和局部搜索的上一代鸟窝位置处引入正弦、余弦算子,灵活调整上一代鸟窝位置,有效克服算法易陷入局部最优的缺陷,提高寻优搜索能力;引入了指数型动态概率代替固定概率,动态平衡全局搜索和局部搜索。与其他4种算法相比较并通过6个测试函数仿真,结果表明:融合正弦、余弦和种群初始化策略的布谷鸟算法收敛速度更快,求解精度更高,具有更好的寻优性能。

基于RF的Elastic Net-Logistic个人信用违约风险评估

以南德信贷数据为基础,针对信贷数据中解释变量维数高、类型丰富、好坏客户数量不均衡等特点,通过分析影响个人信用违约风险的因素,构建了一种基于随机森林(random forest,RF)的Elastic Net-Logistic个人信用违约风险评估模型。并与传统Elastic Net-Logistic模型、基于RF的Lasso-Logistic模型进行比较,证明所提出的模型表现更优。为更进一步验证模型有效性,采用澳大利亚信贷数据进行实例分析。结果表明,该模型的违约召回率与分类精度比Elastic Net-Logistic模型和基于RF的Lasso-Logistic模型分别提高了0.88%、8.78%和0.79%、6.06%。验证了基于RF的Elastic Net-Logistic模型对信贷数据有更好的分类效果。

基于指数惯性权重和自适应变异的樽海鞘算法

针对樽海鞘算法(SSA)求解精度低,收敛速度慢,易陷入局部最优等缺陷,提出一种基于指数惯性权重和自适应t分布变异的改进樽海鞘算法。通过用最优位置替代个体位置改进了跟随者位置更新公式,提升了其寻优能力。将带有随机扰动项的指数递减惯性权重引入到改进后的跟随者位置更新公式中,平衡了算法全局搜索和局部搜索能力。在搜索过程中对每次更新后的位置以一定概率进行自适应t分布变异,避免其陷入局部最优。将改进算法与4种算法在8个不同维度、峰度的测试函数上进行了对比测试,并将其应用到2种工程设计问题中,结果表明:改进算法具有更好的全局和局部搜索能力,以及更高的寻优精度和更快的收敛速度,同时在求解实际问题时也表现出良好性能。

网络多媒体数据中舆情关联主题的挖掘方法

如何高效地从图像、视频等多媒体数据中挖掘网络舆情事件的关联主题给网络舆情的有效监管带来了重大挑战.研究图像和视频截图等多媒体数据中文本信息的抽取方法,并在此基础上实现舆情关联主题的检测.选择新浪微博中的3个典型舆情事件为研究对象,设计网络爬虫收集事件中的文本、图像和视频多模态数据;采用连接文本提议网络(connectionist text proposal network,CTPN)的文字检测算法实现文本信息定位,利用DenseNet网络和连接时序分类(connectionist temporal classification,CTC)相结合的方法进行文本提取;提出多粒度潜在狄利克雷分布(multi granularity-latent Dirichlet allocation,MG-LDA)和jieba分词相结合的舆情关联主题提取方法.实验结果表明,所提出的方法可准确提取多媒体数据中不同格式、不同分辨率、不同颜色、不定位置和不同角度的文本信息,为精确把握舆情演化态势提供有力的数据支撑.

广义逐步混合截尾下Marshall-Olkin 扩展指数分布的可靠性分析

研究Marshall-Olkin扩展指数分布的可靠性指标。基于该分布的广义逐步混合截尾模型,通过经典估计和贝叶斯估计给出该分布的未知参数估计。利用数值迭代方法和渐近正态理论,给出未知参数的最大似然估计值及渐进置信区间。在先验分布为伽马分布的条件下,利用Metropolis-Hastings抽样算法得到了未知参数的贝叶斯估计值和最大后验密度可信区间。数值模拟结果表明,贝叶斯估计的均方误差和区间长度均优于经典估计方法。