针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据...针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据集;其次,结合k⁃匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪;最后,设计了兼顾距离误差和轨迹相似性的加权距离,并以加权距离为评价指标,基于改进萤火虫群优化(IGSO)算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明,与RD(Differential privacy for Raw trajectory data)、SDTP(Trajectory Protection of Simplification and Differential privacy)、LIC(Linear Index Clustering algorithm)、DPKTS(Differential Privacy based on K-means Trajectory shape Similarity)相比,IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%,说明所提方法发布的干扰轨迹可用性和稳定性更好。展开更多
贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一,利用贝叶斯网络进行分析和推理前首先需要通过结构学习和参数学习获取其网络模型,其中结构学习是参数学习的基础。针对现有萤火虫算法不符合生物学规则以及学习贝叶斯网...贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一,利用贝叶斯网络进行分析和推理前首先需要通过结构学习和参数学习获取其网络模型,其中结构学习是参数学习的基础。针对现有萤火虫算法不符合生物学规则以及学习贝叶斯网络结构存在效率低、容易陷入局部最优等问题,设计了一种基于互信息与性别机制的萤火虫算法(firefly algorithm based on mutual information and gender mechanism,MGM-FA)。首先,通过计算节点互信息得到贝叶斯网络骨架图,基于骨架图驱动MGM-FA算法生成初始种群;其次,引入基于性别机制的个性化贝叶斯网络种群更新策略,以保障贝叶斯网络个体的多样性;最后,引入局部优化器和扰动操作符,增强算法的寻优能力。分别在不同规模的标准网络上进行仿真实验,与现有同类型算法相比,该算法精度和效率均有所提升。展开更多
文摘蛋白质复合物的检测有助于从分子水平上理解生命的活动过程。针对群智能算法检测蛋白质复合物时假阳/阴性率高、准确率低、种群多样性下降等问题,提出了基于强化学习的离散层级萤火虫算法检测蛋白质复合物(reinforcement learning-based discrete level firefly algorithm for detecting protein complexes,RLDLFA-DPC)。引入强化学习思想提出一种自适应层级划分策略,动态调整层级结构,能有效解决迭代后期种群多样性下降的问题。在层级学习策略中个体向两个优秀层级学习,避免算法陷入局部最优。为了提高蛋白质复合物检测的精度,结合个体环境信息提出自适应搜索半径的局部搜索策略。最后,在酵母蛋白质的4个数据集上,与8种经典的蛋白质复合物检测方法进行对比,验证了该方法的有效性。
文摘针对历史轨迹加噪发布干扰轨迹时数据集的冗余问题和轨迹形状相似带来的隐私泄露风险,提出轨迹数据先约简后泛化再进行差分隐私加噪的基于改进萤火虫群优化求解的干扰轨迹发布保护机制(IGSO-SDTP)。首先,基于位置显著点约简历史轨迹数据集;其次,结合k⁃匿名和差分隐私对简化后的轨迹数据集分别进行泛化和加噪;最后,设计了兼顾距离误差和轨迹相似性的加权距离,并以加权距离为评价指标,基于改进萤火虫群优化(IGSO)算法求解加权距离小的干扰轨迹。在多个数据集上的实验结果表明,与RD(Differential privacy for Raw trajectory data)、SDTP(Trajectory Protection of Simplification and Differential privacy)、LIC(Linear Index Clustering algorithm)、DPKTS(Differential Privacy based on K-means Trajectory shape Similarity)相比,IGSO-SDTP方法得到的加权距离分别降低了21.94%、9.15%、14.25%、10.55%,说明所提方法发布的干扰轨迹可用性和稳定性更好。
文摘贝叶斯网络是目前不确定知识表达和推理领域最有效的理论模型之一,利用贝叶斯网络进行分析和推理前首先需要通过结构学习和参数学习获取其网络模型,其中结构学习是参数学习的基础。针对现有萤火虫算法不符合生物学规则以及学习贝叶斯网络结构存在效率低、容易陷入局部最优等问题,设计了一种基于互信息与性别机制的萤火虫算法(firefly algorithm based on mutual information and gender mechanism,MGM-FA)。首先,通过计算节点互信息得到贝叶斯网络骨架图,基于骨架图驱动MGM-FA算法生成初始种群;其次,引入基于性别机制的个性化贝叶斯网络种群更新策略,以保障贝叶斯网络个体的多样性;最后,引入局部优化器和扰动操作符,增强算法的寻优能力。分别在不同规模的标准网络上进行仿真实验,与现有同类型算法相比,该算法精度和效率均有所提升。
