需求连续的无向网络上最小距离和问题算法

设施位置优化决策是运筹学中的重要领域和供应链战略规划的一个很重要的部分。企业在建立分散的服务系统时，会面对如何选择服务设施建立位置才能使设施与客户距离的平均值最小的问题。这里将运筹学与图论相结合，提出的有连续需求无向网络上的 ＭＳＰ（ＭｉｎｉＳｕｍ ｐｒｏｂｌｅｍ最小距离和问题）算法，并开发了一个基于此算法的计算机程序。此算法能够解决任意平面图上的最小加权距离总和问题，并且以离散方法代替导数方法来寻找图上距所有需求的加权距离总和最小点的位置。这里对所提出的算法进行了数值例子验证，证明本算法由于避免Ｔ ＮＰ问题，所以能够在较短的时间里求出可行解。

一种基于嵌入技术的异构信息网络的快速聚类算法

异构信息网络聚类分析是当前的热点研究问题之一。利用异构信息网络的稀疏性,该文提出一种基于嵌入技术的星型模式的异构信息网络的快速聚类算法。首先从相容的角度将异构信息网络转化为若干个相容的二部图,使用随机映射和一种线性时间求解程序快速计算出每个二部图的近似通勤距离嵌入,每个嵌入都存在一个子集指示目标数据集;然后,使用这些指示子集构建一个通用的聚类模型;最后,将所有指示子集的类设置标号,通过计算指示同一目标对象的指示数据与标号相同类的中心点的加权距离总和,同时划分所有的指示子集,从而快速获得通用模型的极小值。通过理论分析及实验验证,该文算法聚类速度快,聚类准确率高。

嵌入技术的动态异构信息网络的演化聚类

为研究动态异构信息网络划分问题,利用异构信息网络的稀疏性,提出一种解决星型模式的动态异构信息网络的演化聚类算法。首先从相容的角度将异构信息网络转化为若干个相容的二部图,并构造时间平滑二部图,使其能够表达某时刻及先前时间结点间的关系;然后由随机映射和一种线性时间的求解程序快速计算出每个时间平滑二部图的近似commute time嵌入,获得指示目标数据集的多个指示子集;最后计算指示同一个目标对象的所有指示数据与标号相同的类的中心点加权距离总和,由k-means方法确定目标对象所属的类。经验证,该算法划分动态异构信息网络的准确率较高,计算速度较快。