基于动态邻域采样的社交推荐模型

基于图神经网络的社交推荐模型在提升推荐系统性能方面有不错的表现。但现有方法都忽略了被查询的目标用户和项目节点与其邻居节点间可能存在特征不匹配的问题,导致噪声的引入而降低了模型性能。为了解决该问题,文中提出一种社交推荐模型DNSSR。首先构建一个包含用户和项目多元关系的关系图谱,图节点间信息关联更丰富;然后利用动态邻域采样机制获得与目标查询对的特征更一致的邻居节点,减少了噪声信息;另外,为了进一步提高模型预测性能,设计了一种增强型图神经网络对采样后得到的关系子图进行建模,它可以区分不同邻居节点的重要性并选择更可靠的信息源,获得更鲁棒的用户和项目嵌入向量用于评分预测。实验结果表明:相比其他先进模型,该模型预测误差明显降低,证明了文中所提各项方法的有效性;尤其是动态邻域采样机制,若将其弃用,DNSSR在Ciao数据集上的RMSE(均方根误差)和MAE(平均绝对误差)指标将分别上升6.05%和7.31%,在Epinions数据集上则分别上升3.49%和5.41%,充分验证了其能有效降低噪声干扰、提高社交推荐模型的性能。

基于动态邻域指标重构的风电机组故障检测方法

复杂多变的运行工况是造成风电机组故障检测中误报和漏报现象的主要原因之一,为此,提出一种邻域规模与阈值动态协同的风电机组故障检测方法。定义阶梯近邻和状态分离度两种重构指标,以评估模型的故障分离能力,据此构建邻域规模的迭代修正策略。提出阈值静态分量与动态分量的融合方法,通过动态邻域规模和动态阈值减少由状态突变引起的误报和漏报。利用兆瓦级风电机组常见的10种故障进行仿真实验,验证所提方法可更有效分离正常状态与异常状态,进而降低误报率和漏报率。

基于DBSCAN的动态邻域密度聚类算法

传统的密度聚类算法在聚类划分时不会考虑数据点间的属性差异,它将所有数据点都看成同质化的点。对此,在DBSCAN算法的基础上,提出了一种动态邻域密度聚类算法DN-DBSCAN(Dynamic Neighborhood-Density Based Spatial Clustering of Applications with Noise)。该算法在聚类时由样本点的属性决定其自身的邻域半径,因此各点的邻域半径是动态变化的,由此可将具有不同属性的点对集群产生的不一样的影响力体现在聚类结果之中,使密度聚类算法更具有现实意义。在算例分析的基础上,针对长三角城市群划分问题应用所提DN-DBSCAN算法进行分析求解,并对比分析DBSCAN算法、OPTICS算法和DPC算法的求解效果。结果显示,DN-DBSCAN算法能根据各城市属性的不同合理地划分出长三角城市群,准确率为95%,准确率分别高于上述3种对比算法85%,85%,88%,说明其具有更好的解决实际问题的能力。

动态邻域粒化方式下的属性约简研究

在邻域粗糙集研究中,往往通过给定的半径来约束样本之间的相似性进而实现邻域信息粒化。若在粒化过程中给定的半径较大,导致不同类别的样本将落入同一邻域中,则会引起信息粒化不精确和不一致。为解决上述问题,考虑到总体样本分布和在约简过程中属性和标签之间的关系对选择邻域半径的影响,提出一种动态邻域的信息粒化机制,然后构造了动态邻域粗糙集模型。在此基础上提出一种多准则属性评估方法,使用前向贪心搜索策略实现了约简求解。在12个公共数据集上进行仿真测试,结果表明,与传统的邻域粗糙集等得到的约简相比,所提方法对不同的数据集可选择合适数量的属性,且提供更高的分类精度。

基于环形拓扑结构和动态邻域的多模态多目标粒子群优化算法

传统多目标优化算法在求解多模态多目标优化问题时未充分考虑解集在决策空间中的分布特性,导致种群早熟收敛且所得Pareto解集不完整.针对该问题,提出一种基于环形拓扑结构和动态邻域的多模态多目标粒子群优化算法.为更好地平衡探索与开发,将进化过程分为2个阶段:1)整个种群被划分为多个小型子种群和一个劣势子种群.采用基于空间距离的无重叠环形拓扑结构提升小型子种群的多样性,使得算法能搜索到更多Pareto最优解,并利用全局最优位置更新劣势子种群,提高搜索效率;2)所有粒子都跟随全局最优位置进行搜索,提高算法的搜索精度.同时,引入周期重组和一种新的全局最优位置更新策略,避免算法早熟收敛.仿真结果表明,所提算法可以有效解决多模态多目标优化问题.

动态邻域混合粒子群优化算法

粒子群优化(PSO)算法对于多峰搜索问题一直存在早熟收敛问题。为在增强PSO算法全局搜索能力的同时提高收敛速度,提出一种动态邻域混合粒子群优化算法DNH_PSO,采用PSO局部模型,将随机拓扑和冯诺依曼拓扑相结合形成动态邻域,提高算法的全局搜索能力,为增强算法的局部搜索能力并加快收敛速度,使用粒子邻域全面学习策略,将拟牛顿法引入算法中。与其他PSO实验对比分析表明,该算法对于多峰搜索问题具有较好的全局收敛性。

求解约束优化问题的动态邻域粒子群算法

粒子群算法(PSO)求解约束优化问题存在较严重的早熟收敛现象,为了有效抑制早熟收敛,提出了基于改进的约束自适应方法的动态邻域粒子群算法(IPSO)。算法采用动态邻域策略提高算法的全局搜索能力,设计了一种改进的自适应约束处理方法,根据迭代代数线性增加搜索偏向系数,在早期偏向于搜索可行解,在后期偏向于搜索最优解,并引入序列二次规划增强算法的局部搜索能力。通过基准测试函数实验对比分析,表明该算法对于约束优化问题具有较好的全局收敛性。

基于动态邻域思想的ACO-CA城市动态模拟——以重庆市沙坪坝区为例

邻域因子是城市动态变化的重要驱动因子,该文提出了动态邻域约束思想,在借助蚁群优化(ACO)算法提取城市用地转换规则的基础上,结合元胞自动机(CA)模型构建了基于动态邻域约束的ACO-CA城市动态模拟模型,实现了对城市用地的动态模拟,并以重庆市沙坪坝区为例,设计不同方案验证了该模型的有效性。研究结果显示:当采用动态邻域方案时,总的Kappa系数比静态邻域方案高1.70%;城市用地的Kappa系数比采用静态邻域方案时的模拟精度高出6.37%。研究结果表明:构建的基于动态邻域思想的ACO-CA模型能够有效模拟城市用地的动态变化;采用动态邻域约束条件时,尽管算法的复杂度有所增加,但与静态邻域约束方案相比,城市用地模拟精度要高,且更符合城市发展演变规律。

一种动态邻域的多目标粒子群优化算法

针对粒子群算法在多目标优化问题中存在收敛性差,容易陷入局部最优等缺陷,提出了一种改进的粒子群优化算法。该算法在原有的粒子群算法上增加了两个操作:一是引入了一种变异算子,该变异算子为正态分布随机变异算子,可以使粒子在邻域内随机变异,使其在精英解集中搜索;二是在个体最优位置选取时,对未进入过精英解集的粒子进行变异,使其在新的可行域中寻找,从而加快粒子的收敛速度。经过测试函数验证,该算法可以加快粒子的收敛速度,使粒子更快找到最优解,提高解的收敛性。

基于采样密度和流形弯曲度的动态邻域算法

针对流形学习的邻域优化问题,提出一种动态邻域的算法。基于局部采样密度和流形弯曲度估计切空间,并为所有样本点动态地选择邻域,其参数可通过计算残差自动确定。实验结果表明,将这种算法应用于ISOMAP后,邻域得到进一步优化,嵌入结果也更加准确。

基于自适应动态邻域结构的人工鱼群算法

针对人工鱼群算法易陷入局部最优且寻优精度不高的问题,提出了一种基于自适应动态邻域结构的人工鱼群算法。算法中,每条人工鱼先根据鱼群中其他人工鱼与自身的距离及当前迭代次数自适应调整动态邻域结构,再根据该动态邻域结构自适应计算视野和步长;还结合粒子群算法信息策略和公告板对人工鱼的行为进行了改进。仿真实验结果表明,该算法克服局部极值实现全局寻优的能力更强,优化精度更高。

一种动态邻域自适应粒子群优化算法

针对粒子群优化算法(PSO)易出现早熟收敛及寻优精度低等缺陷,提出一种动态邻域调度策略DNSS,该策略的基本思想是:结合全局版PSO快速收敛和局部版PSO收敛精度高各自优点,选用环形和星形拓扑结构来构建不同的粒子邻域,通过监测粒子聚集度因子来自适应地确定粒子邻域拓扑结构.进一步地,设计了基于DNSS的自适应PSO算法APSOD.使用6个基本测试函数对APSOD算法及其他2个算法进行仿真实验比较,结果验证了算法APSOD能增强寻优能力,且具有较强的稳定性.

基于动态邻域和自适应惯性权重的微粒群算法

针对微粒群优化解决复杂优化问题时易陷入局部收敛、效率不高的缺点,提出一种基于动态邻域和自适应惯性权重的微粒群优化算法。通过定义动态邻域及其最优维值,提出种群个体的动态邻域最优维值学习策略,使微粒跟踪个体极值和邻域的最优维值进行搜索,以增加学习样本的多样性,避免局部收敛;提出一种基于个体适应度的惯性权重动态调整方法,提高算法的寻优效率。通过优化5个典型测试函数验证了本文所提方法的有效性。

融合动态邻域搜索机制的蚁群系统算法

针对蚁群算法收敛速度慢,容易陷入局部最优解等问题,提出一种融合动态邻域搜索机制的蚁群系统(DNS-ACS)算法。首先,在蚁群系统算法的基础上,引入2-opt算子进行局部搜索,加快算法收敛速度;然后,动态调整邻域搜索范围和信息素更新规则,使其跳出局部最优,避免早熟现象;最后,利用本文提出的DNS-ACS算法对16个经典TSP算例进行仿真模拟,并与其他算法进行对比实验。实验结果表明,DNS-ACS算法的求解精度明显提高,证明了该算法的有效性。

基于动态邻域的交叉路口车流检测

本文在根据实际交通场景确定图像的检测区域后,将检测区域划分为直行区域和左转区域,进而利用动态邻域确定了不同区域的车辆排队长度,并且转换成实际的长度,然后利用一组图像求得排队长度的变化速度。通过在计算机上的实验,证实该法适应能力强、计算量小,计算速度快,准确度高。

自适应动态邻域布谷鸟混合算法求解TSP问题

针对离散布谷鸟算法求解旅行商问题时邻域搜索效率低和易陷入局部最优解等问题,提出了一种自适应动态邻域布谷鸟混合算法(Adaptive Dynamic Neighborhood Hybrid Cuckoo Search algorithm,ADNHCS)。为了提升邻域搜索效率,设计了一种圆限定突变的动态邻域结构来降低经典算法的随机性;此外,提出了可根据迭代过程进行自适应参数调整的策略,并结合禁忌搜索算法来提升全局寻优的能力。使用MATLAB和标准TSPLIB数据库中的若干经典算例对算法性能进行了实验仿真,结果表明与其他基于布谷鸟算法、经典和新型群智能优化算法相比,ADNHCS算法在全局寻优能力以及稳定性方面表现更优。

一种具有动态邻域特点的自适应最近邻居算法

传统的最近邻居算法主要分为k-最近邻居和逆最近邻居,然而二者均在邻域参数选择问题中饱受困扰。在这两种思想的基础上,提出一种具有动态邻域特点的最近邻居算法——自然邻居,并围绕其概念与特性形成了一套有效的方法。该算法从根本上克服了传统最近邻居思想在任意形状(如流型)数据集中参数选择的难题,摆脱了传统方法的参数依赖,并且取得了极佳的效果。自然邻居思想具有完善的理论模型和详细的实现算法,并且经验证其具有很强的鲁棒性和适应性。

基于动态邻域的粒子群算法的研究

研究了邻域拓扑结构对粒子群算法性能的影响。设计了两种动态邻域生成策略,并基于一组具有代表性的测试函数,对两种典型的算法模型——标准的粒子群算法(CPSO)和充分联系的粒子群算法(FIPS)进行实验。实验结果表明,不同的邻域拓扑结构和不同的算法模型都能够影响粒子群算法的性能。

基于自适应多普勒及动态邻域的改进BA算法

蝙蝠算法(BatAlgorithm,BA)是一类新型元启发式算法,针对其在算法后期寻优精度降低、易陷入局部极值的不足,提出一种具有自适应多普勒策略及动态邻域策略的改进算法。根据蝙蝠个体在捕食过程中与猎物间存在的相对运动现象,引入自适应多普勒策略改进频率参数,增强算法全局探索的寻优能力。将动态邻域策略与BA算法有机结合,增加蝙蝠个体寻优结构的多样性,改善算法易陷入局部最优的不足。从理论上分析了改进后算法的收敛性和运算复杂性。在数值实验部分对改进后的算法进行了性能及应用测试:对10个经典标准测试函数在不同维度下进行对比实验,将其应用于求解螺旋压缩弹簧优化设计问题,并与其他算法进行了对比分析。实验结果证明了具有自适应多普勒策略及动态邻域策略的改进算法具有更优的收敛速度、收敛精度以及稳定鲁棒性。

求解旅行商问题的动态邻域差异演化算法改进研究

旅行商问题(Traveling Saleman Problem,TSP)是一个典型的组合优化问题,针对该问题主要采用动态规划和智能优化等算法。为了有效求解TSP问题,设计了一种带邻域操作的差异演化算法。为了克服差异演化算法容易收敛于局部最优的弱点,通过引入簇和邻域的概念,将种群中的个体归入距离其最近的子种群,用个体的当前邻域极值替换群体的当前最佳。同时,算法在进化过程中动态调整邻域大小。通过在多个TSP问题上的仿真实验表明,该算法在求解TSP问题时鲁棒性强,求解精度高。