结合力导向图分布算法的特征加权深度嵌入聚类

聚类分析作为无监督学习领域的一个重要研究方向,是许多数据驱动应用的核心.但是高维数据特有的高维距离趋同特性,使得高维空间样本近邻结构遭到破坏,从而使得大量基于距离(基于近邻)的聚类算法性能急剧下降.目前,大量研究者认为,高维数据往往包含大量与任务不相关特征及相互关联的特征,其真实特征维度往往要比原始特征维度低很多.在学习样本低维等价表示上,基于深度自编码器的深度嵌入学习尽可能地保留重构信息.然而,现有此类方法往往需要聚类损失引导聚类,这虽然提高了聚类性能,但聚类损失与重构损失间的内在矛盾,限制了聚类性能的进一步提高.基于力导向图分布算法的降维算法则是尽可能保留近邻结构信息的基础上学习样本低维表示,但是高维距离趋同的特性使得此类算法较难准确获取样本高维近邻结构信息.本文在深度自编码器与力导向图分布算法的基础上引入特征加权思想,使模型在具有强大的低维等价表示能力及根据数据近邻结构凸显簇结构能力的同时考虑特征对聚类任务的适合程度.5个数据集上与最新高维聚类算法的对比实验充分证明了本文算法的合理性与优越性.

基于Ceph存储的数据均衡分布算法

针对Ceph分布式存储系统中可扩展哈希下的受控复制(Controlled Replication Under Scalable Hashing,CRUSH)数据分布算法导致设备间存储数据容量之差达到40%,进而在数据量大、高并发情况下“热点”成为系统性能瓶颈的问题,本文对CRUSH算法进行深入研究,设计并实现了Writing_Balance算法来对数据分布进行性能优化,以达到消除“热点”所导致的负载失衡以及磁盘利用率过高的问题。通过实验发现,Writing_Balance算法可使“热点”的PG数量分布优化率较之前提升4.4%;磁盘利用率稳定性提高了3%左右;并且在较小输入key空间下对于数据整体均衡度优化也有明显的提升。

复合材料小尺寸不规则孔隙随机分布算法

以碳纤维/环氧树脂复合材料中的孔隙为研究对象,建立一种可以生成小尺寸不规则孔隙的随机分布算法。首先利用Matlab软件对复合材料的微观形貌图像进行处理,以获取小尺寸不规则孔隙的尺寸分布统计数据。然后以该统计数据为依据,采用改进的邻点融合法,通过C++编程建立小尺寸不规则孔隙随机分布算法。最后将孔隙微观形貌图和随机分布算法生成的孔隙分布图进行对比分析,结果表明本文算法生成的孔隙与实际孔隙的形状和分布基本相同,证明了小尺寸不规则孔隙随机分布算法的有效性和合理性。

分布式数据库系统中的文件二次分布算法

基于分布式数据库中文件分布的要求,许多文件储存的优化算法已被相继提出,但从站点资源利用率来看,以往算法未能达到充分利用站点空间的目的。采用分布式数据库文件二次分布算法,不仅可使站点资源得到更为充分的运用,而且可使各站点间的通信总开销得到进一步的减少。

基于形状分布算法的三维模型相似性研究

为消除传统的形状分布算法分辨力不高的缺陷,在传统形状函数D2距离的基础上提出了两点改进:将三维模型表面的随机样本点对依据其连线的几何属性进行分类,以反映模型的凹凸特征分布情况;引入点所在邻域法向量的夹角信息,进一步区分多面体盒形件、回转类零件或自由曲面信息。通过实验,证明该算法具有更高的分辨能力和精度。

克隆选择单变量边缘分布算法

针对单变量边缘分布算法(UMDA)求解复杂优化问题的局限性,将人工免疫系统引入分布估计算法(EDAs)领域,提出了一种基于克隆选择原理的单变量边缘分布算法.该算法在进化过程中的每一代执行若干次克隆选择算法(CLONALG),利用克隆选择过程中的高频变异操作提高混合算法的局部搜索能力.通过对2种不同旅行商问题(TSP)的仿真实验表明,与UMDA、CLONALG以及UMDA和2-opt局部搜索算法的混合算法(UM-DA2-opt)相比,克隆选择单变量边缘分布算法具有更高的优化性能.

维格纳-威利分布算法研究及应用

介绍了一种利用FFT计算维格纳 威利 (WVD)的算法。针对WVD二次时频分布数值计算的复杂性和计算量大的特点 ,提出了一种抽样算法。它在不改变采样频率的情况下 ,增加了处理数据的长度。在同样数据长度下 ,大大缩短计算时间。并用该算法对时变正弦信号和处理铁窗关闭声进行了时频联合分析 ,得到了满意的效果。

双曲线与圆圆定位最优岸台分布算法研究与比较

对于陆基无线电导航系统,为了得到最优的岸台分布算法,尽可能通过改善岸台分布提高工作区的定位精度,通过理论分析与仿真,详细研究与比较了双曲线定位和圆圆定位两种定位方式下的工作区某点GDOP值与岸台布局之间的关系,同时研究并对比了同一岸台布局下两种定位方式的定位精度分布,仿真结果表明双曲线定位方式要优于圆圆定位方式,并得到两者最佳的岸台分布方案。

并行粗粒度任务的动态分布算法(PTDD)及其鲁棒性

并行计算系统发展所面临的主要问题之一是怎样在各处理器上更有效地分布并行任务并协调它们的高效执行,使并行任务总的完成时间最短.本文揭示和探讨了并行多机系统中并行粗粒度任务的粒度变化对静态任务分布的影响,给出了基于预分布的并行粗粒度任务的动态分布算法PTDD,理论上严格地定义和证明了PTDD算法的鲁棒性(Robust Property).研究结果η~*(t~*)≤η(t~*)表明PTDD算法通过局部调整预分布方案,可以稳定地、有效地获得近似最优的并行任务分布.

分布式问题分解与分布算法研究

分布式问题分解与分布算法是分布式人工智能(DAI)中的基本问题之一。本文引用模式表示法对带有宏求解描述的问题形式化,然后通过证明若干支持问题分解的结论和引入υ分解运算给出问题分解的方法,进一步,在问题分解的基础上,结合网络动态信息,我们给出了三种问题分布算法。

分布式OA系统中数据分布算法

在分布式OA系统中,数据资源的分布会影响整个OA系统的效率。为了能够合理进行数据资源分布,提高OA系统的效率,提出了一种基于分布式数据资源的分布模型及算法,该算法给出了可减少网络流量、降低整个分布式系统开销的数据分布方案,由此提高OA系统的整体性能,使之更能适应OA应用需要。

快速二变量边缘分布算法及其应用研究

1.引言 近年来,一些研究者从统计学的观点出发,将构造性模型引入进化算法的研究,形成一类基于概率分布的进化算法[1～3],文献中也称这类算法为分布评价算法(EDA),概率分析构造遗传算法(PMBGA)等名称,本文统一称之为概率分析进化算法,简称为PMEA(Evolutionary Algorithm basedon Probability Modeling).和传统的进化算法不同,PMEA的基本思想是通过从当前优选的解集合中提取信息,然后依据这些信息建立概率分布模型,再利用这种分布产生新的解,如此重复,直到满足算法的终止条件.

基于区分度的智能组卷难度正态分布算法

给出了一种依据试卷区分度确定算法参数的智能组卷难度正态分布算法。实例表明,相对于目前的通过设定组卷难度区间的概率和为1来确定算法参数,生成的试卷更好地体现了组卷难度分布设计所要求的试卷对不同考生的知识能力的区分和鉴别的考核要求。

结合启发式算子的单变量边缘分布算法求解SAT问题

单变量边缘分布算法(UMDA)是一种新的进化算法,是求解复杂问题的一种有效算法。根据SAT问题的特点,本文提出了一种求解SAT问题的改进单变量边缘分布算法(HeUMDASAT),该算法结合SAT问题本身固有的结构信息与当前群体的优秀解所提供的全局信息,构造了一个新的启发算子,并将此算子结合到单变量边缘分布算法中。此算子不同于随机搜索算子,由其产生的个体可以使得算法跳出局部最优并探索新的潜在区域,并且加快算法的收敛速度。用SATLIB库中的标准SAT问题对HeUMDASAT算法进行测试,实验结果表明该算法在求解速度和成功率方面都有明显的改善。

基于模糊集理论的MCM热分布算法研究

基于模糊集理论,提出了MCM模糊热分布算法。算法中MCM的每个芯片受到芯片间的排斥力、基板边缘对芯片的吸引力及基板中心对芯片的吸引力三种视在作用力。通过模糊推理规则分析了这些力和芯片分布间的模糊关系。高度法解模糊化后,以三力之和最小时的芯片分布作为最佳芯片分布方案。利用有限元法验证了模糊热分布算法的有效性,并将仿真结果与采用四分法得到的结果比较,表明利用该算法得到的MCM热分布比采用四分法得到的热分布更合理、更稳定。

二变量边缘分布算法及其性能研究

该文研究二变量边缘分布算法,着重讨论了算法的快速实现问题。在此基础上,利用测试函数分析了算法求解问题的能力。实验结果表明,算法具有较好的性能。

基于门诊号源的均匀分布算法的设计与研究

文章主要为了解决在已设置好的基础号源中均匀地设置给定数量的“网上开放”号源,从而达到网上限号的目的。解决方法:假设基础号源数为M,需要设置的“网上开放”号源数为N,将N与M进行约分,得到最小分子(FZ)和分母(FM),然后将基础号源数M分成多个FM,然后在每个FM中取FZ个号源设置成“网上开放”号源。这种方法的好处是让“网上开放”号源尽量均匀的分布,但也存在极端情况,当N与M根本不能约分时,这样就造成了“网上开放”和“院内开放”的号源各占一端的极端情况。为了解决这种极端情况,本文引入了近似约分的概念,当N和M的最大公约数为1不能约分时,我们就将M逐步加1,直到可以约分为止,这样可以得到一个近似的最小分子和分母。当近似分子分母还不够理想时,我们还可以做二次微调近似约分,从而得到理想的分子分母。在实际应用中,算法加入了一些必要的限制条件。

卫星通信网系统最优业务分布算法研究

本文给出了一种低轨星座卫星通信系统业务模型,基于这种模型,考虑到卫星功率受限,提出了基于仰角、基于线性规划以及两者相结合等三种业务分布算法,通过数值分析比较,得出混合的分布算法具有最优性能。

单变量边缘分布算法与蚁群算法的混合算法收敛性分析

智能混杂算法是当前智能优化算法的研究热点,可以融合多种优化算法的优势,提高算法的性能。单变量边缘分布算法具有大范围快速全局搜索能力,但不能很好地利用系统中的反馈信息;蚁群算法是一种并行的分布式正反馈系统算法,但其初期信息素匮乏,求解速度慢。将单变量边缘分布算法与蚁群算法相结合,可以优势互补。基于上述思想,提出一种基于单变量边缘分布算法与蚁群算法混合的算法,并运用马尔科夫随机过程理论对该算法的收敛性进行了分析,结果表明了该算法的优化解满意值序列是单调不增的和收敛的。

最大熵分布算法及其应用

分布估计算法是一种新的基于种群进化的算法,它通过统计当前群体中较优个体的信息构建其概率分布模型,然后对模型进行抽样生成下一代群体。针对分布估计算法在求解搜寻最优网络结构的NP-Hard问题,提出一种新的最大熵分布算法,该算法以Jaynes原理为依据,利用随机变量的最大熵估计随机变量的最小偏见概率分布,并以此作为算法的进化模型,有效地降低了算法的计算复杂度。以旅行商问题和误导问题为例所进行的计算结果证明了该算法具有更高的全局搜索能力与更稳定的收敛性。