一种基于元启发式策略的迭代自学习K-Means算法

类内误差平方和最小化的聚类准则求解是NP难问题,K-Means采用的迭代重定位方法本质上是一种局部搜索的爬山算法,因此聚类结果对初始代表点的选择非常敏感,只能保证局部最优。为此,引入元启发式策略,通过建立评估函数对K-Means初始代表点和目标函数之间的依赖关系进行近似,然后利用近似评估函数指导新的初始代表点的选择,构成一种迭代自学习框架下的K-Means算法。实验表明算法可以很好地克服K-Means对初始代表点的依赖性,获得较高质量的聚类结果。

考虑警情处置可靠性的警力备勤选址研究

针对警情处置中可能出现的出警延迟或警员装备不足等情况,研究多点协同出警的备勤选址问题.首先分析警情处置可靠性的关键要素,并根据处置要求重新划分警情类别.通过考虑出警决策部署时警员战斗力与机动能力的差异,重构警力属性与警情处置的对应关系,在此基础上建立支持多警协同的备勤选址决策模型.文章提出了基于随机警情事件的选址优化算法,以B市D派出所真实发案数据统计模拟,采用多元启发式策略求解.结果表明该模型能够有效降低案件滞延率,提升警情处置可靠性.通过多季节发案数据验证,优化后的备勤警力能够较好地满足公共安全需求,并为犯罪预防提供新的思路.