基于改进磷虾群优化的中心极大化KFCM算法在IDS的应用

针对核模糊C-均值算法(kernel fuzzy C-means,KFCM)随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类等问题,提出一种改进算法。改进算法在原目标函数中引入中心极大化约束项来调控簇间分离度,从而避免算法出现一致性聚类结果。利用磷虾群算法对基于新目标函数的KFCM算法进行优化,使算法不再依赖初始聚类中心,提高算法的稳定性。基于距离最大最小原则产生多组较优的聚类中心作为初始磷虾群体并在算法迭代过程中融合一种新的精英保留策略,从而确保算法收敛到全局极值;通过对个体随机扩散活动进行分段式Logistic混沌扰动,提高算法全局寻优能力。使用KDD Cup 99入侵检测数据进行仿真实验表明,改进算法具有更好的检测性能,解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。

一种基于特征点的移动机器人路径规划算法

目的提出一种基于障碍物特征点的移动机器人全局路径规划算法,克服传统全局路径规划算法信息存储量大,计算量大,规划速度慢的缺点.方法通过膨胀原理建立环境地图,只记录障碍物的特征点,减少了算法信息的存储量.然后采用最大最小原则,逐步搜索子目标点,最终到达目标.结果该算法能以最小的距离代价逐步绕过当前距离机器人最近的障碍物,并能保证搜索到的路径是安全有效的.结论笔者所提算法简单,计算量小,仿真实验验证了算法的有效性.

一种基于改进的K-means算法的人名消歧系统的设计与实现

人名歧义是一种身份不确定的现象,指的是文本中具有相同姓名的字符串指向现实世界中的不同实体人物。人名消歧很长时间一直是一个具有挑战性的问题,关注网页里的人名消歧的问题。因为经典的K-means算法如果选择了一个差的随机初始聚类中心,算法会遇到局部收敛的问题,所以文章提出一种基于最大最小原则的改进的K-means算法来进行人名消歧。同时使用了WePS的训练数据作为实验的语料。实验结果表明,改进的方法比层次聚类方法有着更好的性能。

基于改进Canopy-K-means算法的并行化研究

随着互联网数据的快速增长,原始的K-means算法已经不足以应对大规模数据的聚类需求;为此,提出一种改进的Canopy-K-means聚类算法;首先面对Canopy算法中心点随机选取的不足,引入“最大最小原则”优化Canopy中心点的选取;接着借助三角不等式定理对K-means算法进行优化,减少冗余的距离计算,加快算法的收敛速度;最后结合MapReduce框架并行化实现改进的Canopy-K-means算法;基于构建的微博数据集,对优化后的Canopy-K-means算法进行测试;试验结果表明:对不同数据规模的微博数据集,优化后算法的准确率较K-means算法提高了约15%,较原始的Canopy-K-means算法提高了约7%,算法的执行效率和扩展性也有较大提升。

云环境下的高效K-Medoids并行算法

传统聚类算法K-Medoids对初始点的选择具有随机性,容易产生局部最优解;替换聚类中心时采用的全局顺序替换策略降低了算法的执行效率;同时难以适应海量数据的运算;针对上述问题,提出了一种云环境下的改进K-Medoids算法,该改进算法结合密度法和最大最小原则得到优化的聚类中心,并在Canopy区域内对中心点进行替换,再采用优化的准则函数,最后利用顺序组合MapReduce编程模型的思想实现了算法的并行化扩展;实验结果表明,该改进算法与传统算法相比对初始中心的依赖降低,提高了聚类的准确性,减少了聚类的迭代次数,降低了聚类的时间。

论刑事被追诉人自行聘请律师的优先性——以罗尔斯的正义理论为分析框架

免费律师帮助权是基于平等原则对律师帮助权的一种再分配,这种再分配应当遵循罗尔斯正义论的两个基本原则:自由原则和最大最小化原则。其中第一个原则又优于第二个原则。根据自由原则,所有人平等地享有获得律师帮助权,但该项权利仅限于以自己的财产支付律师费用。根据最大最小化原则,免费律师帮助权只有分配给社会中最少受益者也就是经济困难者的时候,才是正当的。根据自由优先原则,不能以免费律师帮助权侵犯当事人自行聘请辩护律师的权利,也就是说当事人自行聘请辩护律师的权利具有优先性。司法实务中偶有以政府指派的法律援助律师取代和阻碍当事人自行聘请律师的现象,应当予以纠正。对未成年人,盲、聋、哑人,精神病人以及可能面临死刑、无期徒刑的人,固然可以为他们指派律师提供法律帮助,但如果上述人员不属于经济困难者,则应当要求其在享受相应服务后承担相应费用。在刑事案件律师辩护全覆盖背景下,也不能以指派法律援助律师的名义侵犯当事人自行辩护以及委托律师辩护的权利。

基于Spark的K-means聚类的并行实现与优化

为解决传统聚类算法K-means在处理海量数据聚类时对初始中心点的选取十分的依赖,容易得到部分最优而非全局最优的聚类后果,提出了一种基于Spark改进的聚类优化DMCK-means算法。DMCK-means算法首先应用密度法排除孤立点和噪声点使初始聚类中心选取趋于最优化;采用Canopy算法和最大最小距离原则,粗略聚类降低运算规模同时避免中心选取的盲目性。实验结果表明:该改进算法不仅降低了对初始聚类中心点选取的依赖,而且降低了聚类的时间,具有良好的扩展性和可行性,在处理大规模海量数据时能展示出较大的优势。

试论罗尔斯的“原初状态”

罗尔斯的《正义论》是以一种严密的逻辑形式展开的,"原初状态"是这一逻辑推理过程的逻辑起点,也是他为他的两个正义原则必然被选择而假设的一种人类的原初存在状态。因而正确理解罗尔斯的"原初状态"是领会他的两个正义原则的逻辑关卡。本文试图从"原初状态"提出的重要性、罗尔斯的"原初状态"和霍布斯的"自然状态"的差异、"原初状态"在罗尔斯的正义论的推理中的重要意义三个方面来对罗尔斯的"原初状态"做一个诠释。

罗尔斯差别原则的推导与质疑

在罗尔斯的正义理论中,差别原则是最富创见也是争议最大、最受质疑的政治主张。罗尔斯差别原则的首要问题在于:站在原初状态下的定约者,并不必然像罗尔斯所论证的那样遵循最大最小原则进行选择。借用当代实验经济学关于人们在原初状态下选择分配原则的研究,可以为罗尔斯不能从"原初状态"中推导出差别原则提供一个论证。

论一种作为公平的代际正义

在分析罗尔斯对代际正义证明的三种进路存在问题的基础上,通过对于人类存在的两个基本事实的确认和“同一时间入口”假设的区分,在正义环境要求获得满足的条件下,以最大最小原则可以证明代际正义在本质上仍然是一种作为公平的正义。