散乱点集拓扑邻域均值逆向漂移查询算法

为获取散乱点集的拓扑邻域数据,提出一种基于均值逆向漂移的自适应迭代搜索查询算法,基于R*树动态空间索引,采用动态扩展空心球k邻域查询算法快速获取目标样点的拓扑邻域参考数据,根据邻域查询与点集密度分布的关系,采用核密度估计描述点集的分布规律,利用均值漂移算法计算得到能够反映散乱点集局部分布特征的均值漂移矢量和均值点,将邻域搜索区域沿逆向均值漂移矢量移动进行邻域查询并实时更新样点的拓扑邻域参考数据,进而完成拓扑邻域查询的均值逆向漂移迭代计算,最终实现样点拓扑邻域数据的自适应搜索查询。试验表明,该算法可快速获取复杂型面均匀或非均匀采样点集的邻域数据,查询结果包含Voronoi邻域及其他有效邻域参考数据,能更好地反映散乱点集局部型面特征。

基于拓扑邻域的序信息系统属性权重确定方法

在多属性决策中,属性权重是影响决策结果的重要因素,其可由决策群体根据偏好信息直接给出、也可根据数据分布差异性来确定。然而,属性之间的关联性往往被忽视,准确地刻画多个属性之间的相互关系,有利于获得较为客观的决策结果。针对序信息系统属性权重问题,本文基于AFS拓扑邻域构建属性模糊测度度量方法及相应的Choquet积分,并将其应用于学生成绩排名问题中。实例分析表明所构建方法能有效地利用多粒度信息来减少属性确定中的主观程度和体现属性间的关联度。

一种基于强化学习的自适应多邻域人工蜂群算法

邻域拓扑是提高人工蜂群算法性能的一种有效手段.然而,现有相关工作主要是在种群层次上实现了单一邻域拓扑,这种方式忽略了不同类型的邻域拓扑能优势互补,使得算法性能还有一定局限性.为此,本文结合强化学习,提出在个体层次上实现多邻域拓扑。将种群中的个体视作智能体,设计了基于邻域拓扑的状态和动作,选用4种不同特征的邻域拓扑用于构建邻域候选池,之后采用Q-learning方法根据个体的奖励情况为其自适应选择不同的邻域拓扑.该方式相对于现有的单一邻域拓扑,更能充分发挥不同邻域信息对算法搜索的引导作用.在CEC2013和CEC2017两套测试集以及两个实际优化问题上进行了大量实验,与4种邻域相关ABC和4种知名改进ABC进行了性能对比,结果表明该算法的收敛精度和速度均有更好表现,可有效增强邻域人工蜂群算法的性能.

基于二项熵和邻域节点间范德华力的关键节点识别方法

对节点重要性进行排序是复杂网络中识别关键节点的一种常用分析方法,分析网络中节点的重要性,有助于深入了解网络特性。在现有方法上为进一步提升节点评估精准度,引入二项熵概念来量化节点在网络中的重要性,通过邻域相似度衡量节点间的相互影响力,同时采用范德华力抽象节点之间的相互作用关系,提出一种基于二项熵和邻域节点间范德华力的关键节点识别方法,该方法从网络的整体信息流和相邻节点之间的位置和交互关系,综合考虑节点的局部和全局特征,并选取3个同类算法通过3个评价指标验证性能优劣,实验结果表明该算法对重要节点的判断具有良好的性能。

面向聚类分析的邻域拓扑势熵数据扰动方法

针对现有数据扰动方法难以维持原始数据的聚类可用性问题,提出了一种隐私保护数据扰动算法DPTPE.基于邻域拓扑势熵将节点划分为不同类型,对于邻域分散型节点,以该节点的k邻域中节点坐标的均值替换其原始坐标;对于邻域紧密型节点,在其安全邻域中随机选择一个节点替换该节点。实验结果表明,DPTPE算法可以保护数据的隐私安全,还能够较好地维持数据集的聚类可用性。

基于环形邻域拓扑的自适应速度PSO算法

为克服全局粒子群优化算法易陷入局部最优的缺点,基于全局自适应速度粒子群优化(SAVPSO)算法,给出一种基于环形邻域拓扑的局部SAVPSO算法来求解约束优化问题,同时采用动态目标方法(DOM)来有效处理约束条件,并以13个经典的测试函数为例对算法的性能进行仿真实验研究。测试结果表明,与全局SAVPSO算法相比,该算法具有较强的全局寻优能力,可以较好地避免陷入局部最优;另外,粒子的邻域大小及实现形式对算法的性能均有一定的影响。

基于邻域拓扑的工程图纸三维重建

采用基于邻域拓扑的迭代树方法对工程图纸三视图三维重建进行了研究。首先根据三维线段端点位置关系 ,提出邻域拓扑的定义 ;接着根据投影线段相对图纸坐标系存在的 5种类型 ,结合邻域拓扑定义 ,给出有效三维线段的 7种拓扑关系 ;然后将这 7种拓扑关系转变为一种迭代树方法 ,遍历二维图元得到三维线框模型 ;最后用半边结构表示面环 ,通过最大包围盒给出初始面环方向 ,由拓扑关系得到所有面内外环方向 ,装配得到平面体三维模型。本文算法能够在构建三维线框的同时排除错误的匹配边 ,可以有效地对几何基元进行重建 ,算法效率高 。

基于邻域拓扑文化差分进化算法的无功优化模型研究

提出了求解无功优化问题的一种新算法——基于邻域拓扑文化差分进化算法。将邻域拓扑结构纳入了文化差分进化算法,改进了文化差分进化算法过早收敛,易于陷入局部最优解的问题。并首次将该算法应用到无功优化问题中,使其能迅速获得全局优化解,具有很好的全局收敛性能和更好的优化能力。最后,将该算法在IEEE 30节点系统上进行了无功优化问题的求解,并与应用普通文化差分进化算法的结果进行了比较分析。仿真结果验证了基于邻域拓扑文化差分进化算法在无功优化应用中的有效性。

粒子群算法邻域拓扑结构研究

粒子群算法(PSO算法)是一种启发式全局优化技术。PSO的邻域拓扑结构是决定粒子群优化算法效果的一个很重要的因素,不同邻域拓扑结构的粒子群算法,效果差别很大。文章分析了邻域拓扑结构与PSO算法的关系,阐述了粒子群算法邻域拓扑结构研究现状,提出了未来可能的研究方向。

邻域拓扑粒子群优化算法在电力系统无功优化中的应用

提出了一种基于邻域拓扑粒子群优化算法(NTPSO)的大规模电力系统无功优化新算法。该算法在概念上比标准PSO算法更精确,认为每个粒子是受它邻域范围内最优粒子的影响。研究了当前流行的五种邻域拓扑结构得到五种邻域拓扑粒子群优化算法,其中包括已在一系列标准函数上测试过的比其它拓扑效果更好的Square拓扑。文中应用这五种NTPSO分别对IEEE30节点系统和IEEE57节点系统进行了无功优化的仿真计算,结果表明基于Square拓扑的NTPSO算法的优化效果最好,为求解大规模电力系统无功优化问题提供了新的思路。

基于邻域拓扑结构的目标协同跟踪算法

针对目标跟踪问题,提出一种新的节点协同跟踪方法,通过节点间邻域拓扑结构协同建立各节点的关联性,对目标进行协作监测与跟踪。算法根据节点信息共享时的传播差异,通过节点间的传播概率准确计算各节点捕捉增益,从而确定簇成员,增加了确定目标位置的精度。结合感知区域及最大移动定理界定目标最终移动区域,采用网格法算出区域质心。实验结果证明,与同类方法相比,该算法具有较高的跟踪精度,且跟踪稳定度较好。

基于共同邻居邻域拓扑稠密性加权的链路预测方法

链路预测旨在利用已知的网络节点和拓扑结构信息,预测网络中未连接的两个节点之间存在连边的可能性。基于网络拓扑相似性的链路预测方法计算复杂度低且预测效果好,但现有的相似性指标对共同邻居的邻域拓扑信息考虑较少。针对此问题,提出一种基于共同邻居邻域拓扑稠密性加权的链路预测方法。首先,基于邻域拓扑相对稠密指数量化节点的邻域拓扑结构;然后,利用共同邻居的节点度和邻域拓扑相对稠密指数刻画共同邻居及其邻域拓扑的相似性贡献;最后,提出基于共同邻居邻域拓扑稠密性加权的节点相似性指标。在多个实际网络数据上的实验结果表明,与现有相似性指标相比,该方法能够取得更高的预测精度。

保持拓扑结构的低维嵌入

引入了拓扑邻域、拓扑结构和规则拓扑结构的概念。对拓扑邻域进行了理论分析,说明其是自适应的,随着维数的不断升高,趋于平凡拓扑邻域。为了寻求具有规则拓扑结构的低维数据集,构造了数据结构规则性的度量,提出了保持数据集拓扑结构不变的降维方法。该方法是节省参数的,降维结果是近似规则的。结果表明,它能更好的揭示数据集的结构。

多邻域改进粒子群算法

为了改进标准粒子群算法的性能,提出了多邻域改进粒子群算法。算法提出了一种较为简单的多邻域拓扑方案,对速度惯性权重的更新策略进行了改进,引入了速度和搜索区间限制算法。经过对经典测试函数的计算测试,算法表现出良好的复杂问题求解能力。最后,针对多目标优化问题,给出了多目标应用在粒子群算法中的处理方法,并对经典的5维优化和Golinski减速器设计问题进行了求解,通过数据比对,证明了算法性能远优于现有的一些算法。

基于动态邻域的QPSO算法

为了保证种群的多样性,提高算法的全局搜索能力,在具有量子行为的粒子群优化算法(QPSO)中引入邻域拓扑结构的概念,采用邻域结构中的轮形结构,提出一种基于动态邻域的具有量子行为的粒子群优化算法(NQPSO)。并用若干个标准函数进行测试,比较了NQPSO算法与标准PSO(SPSO)和传统QPSO算法的性能。实验结果表明,NQPSO算法具有强的全局搜索能力,其性能优于其它两个算法,尤其体现在解决高维的优化问题上。

基于变惯性权重及动态邻域的改进PSO算法

分析并验证基于变惯性权重的粒子群优化(PSO)在粒子寻优过程中的有效性,论述类无标度网的特殊拓扑性质。将有向动态类无标度网作为粒子寻优邻域,提出一种基于变惯性权重及动态邻域的改进PSO算法。实验结果证明,与传统PSO算法相比,改进算法的寻优效果较好,可在一定程度上避免陷入局部最优。

邻域自适应的微分变异约束分数阶粒子群优化

分数阶粒子群算法(FOPSO)是一种具有路径记忆的改进型粒子群优化算法。在多峰约束优化问题中,针对FOPSO易于早熟和依赖于初始参数的问题,文中提出了一种邻域自适应的约束分数阶粒子群优化方法(NAFPSO)。在算法中,依据进化状态来动态调整邻域拓扑从而更新粒子位置和速度,以提高可行解的全局寻优能力和收敛速度;采用带惩罚因子的罚函数约束处理技术,迫使粒子趋向可行区域;设计了微分变异策略以增加种群多样性,增强粒子逃脱局部最优的能力。用9个约束优化基准函数实验验证了NAFPSO的有效性和收敛性能,并应用于2个约束工程设计问题,结果表明,提出的算法寻优能力强、收敛快、精度高、稳定性好,可用于有效地解决复杂的约束工程设计优化问题。

不同拓扑结构的并行粒子群优化算法的实现

针对粒子群优化算法的邻域拓扑结构对算法性能有重要影响、PSO算法在CPU上求解最优化问题时计算效率低下这两点,分析了邻域拓扑结构改变时PSO算法的并行特征,实现了环形和星形拓扑结构的PSO算法在统一计算设备架构上的寻优过程。分别在CPU和GPU上用两种PSO算法对7个benchmark测试函数进行求解。程序仿真结果显示,基于CUDA的PSO算法计算效率均大大高于CPU;同时发现,GPU显著地加快了星形结构PSO算法的收敛速度,而对环形结构PSO算法影响不大。

一种基于可变多簇结构的动态概率粒子群优化算法

针对传统粒子群优化算法中全连接型拓扑和环形拓扑的特点,引入了一种粒子群信息共享方式——多簇结构,进而基于多簇结构提出了动态可变拓扑策略以协调动态概率粒子群优化算法的勘探和开采能力,并从理论上分析了最优信息在各种拓扑中的传播,同时从图论角度分析了几种经典拓扑以及动态可变多簇结构的统计特性.通过典型的Benchmark函数优化问题测试并比较了几种经典拓扑以及可变拓扑在高斯动态粒子群优化算法中的性能.实验结果表明,基于多簇结构的可变拓扑策略在求解复杂优化问题时优势明显,可以有效地避免算法陷入局部最优,在保证收敛速度的同时增强了算法的全局搜索能力.

一种基于Kalman滤波和粒子群优化的测试数据生成方法

为减少进化代数,提高路径覆盖成功率,提出了多邻域Kalman滤波PSO测试数据生成方法.在该方法中将粒子固定划分到不同邻域中,各邻域内指定一个粒子向全局最优粒子学习,其余各粒子向所在邻域中最优粒子学习,而全局最优粒子利用无速度项的简化PSO进化.在此过程中,除全局最优粒子外的各粒子利用Kalman滤波方程更新粒子的位置.实验表明,相较于基本PSO和其他PSO方法,即使是覆盖困难的路径,本文方法也具有进化代数少、路径覆盖成功率高及性能稳定的特点.