生物启发式的模式挖掘方法综述

频繁项集挖掘、关联规则挖掘和高效用项集挖掘是模式挖掘中相互关联且不断发展的三个领域。近年来,由于传统算法无法应对爆炸式增长的数据环境,启发式算法已成为模式挖掘方法中的研究热点。为揭示模式挖掘领域的研究与发展现状,从粒子群、遗传、蚁群、蜂群等多个生物启发式算法角度对近年的频繁模式和高效用项集方法研究成果进行全面的分析与总结。对不同生物启发的模式挖掘方法,从使用策略、对比算法、数据集、优缺点进行概述,对相同数据集的实验结果及性能指标进行详细的对比分析。针对目前生物启发式模式挖掘方法中的不足,提出了下一步的研究方向,包括动态数据流、多目标进化、模糊计算和复杂数据类型的研究。

基于非参数统计的生物启发式优化算法性能评估

由于生物启发式优化算法性能评估方法存在单一性、片面性且无法进行统一地检验分析问题,从而严重影响了对优化算法性能的深入研究而导致各类优化算法无法准确地应用于解决实际问题。针对这一问题,利用非参数统计检验中典型的Wilcoxon符号秩检验和Quade检验方法,对5种生物启发式优化算法在36种测试函数条件下的仿真结果进行检验分析。测试结果表明:上述检验方法能够有效地对不同类型的优化算法性能进行分析比较,JADE算法相比于其他4种算法,在收敛速度及搜索精度方面表现最优,而GWO算法在精度稳定性方面相比于其他4种算法表现出较优的性能,对各类生物启发式优化算法优化性能的评估与比较提供了新的思路。

生物启发式算法求解多模态优化问题研究

实际生活及工程应用中的诸多问题均可归结为多模态优化问题,研究多模态优化问题的目的在于找出问题的所有全局极值解或有意义的局部极值解。从算法的"完全收敛性"出发,探讨了目前生物启发式算法(如遗传算法、蚁群算法、萤火虫算法、鱼群算法、粒子群算法等)求解多模态优化问题存在的问题和缺陷,并得出其在求解多模态优化问题时必须满足的条件:种群的多样性及种群分布的均匀性。随后概括并总结了目前求解多模态优化问题而保持种群多样性及均匀性的若干策略,着重研究了通过生物启发式算法并结合改进小生境技术在多模态优化问题求解中的研究进展,最后评述了今后一些有意义的研究方向及主要研究内容。

启发式教学法在高中生物教学中的应用

在传统教学中,学生对知识点死记硬背,缺少深层次的理解,即没有较高的学习效率。对此教师在教学过程中可将启发式教学引进高中生物课堂,利用讲授启发、提问启发、实验启发、对比启发等多种启发方式来引导学生深入思考和学习,在提高学生课堂学习效率的基础上提升其思维能力。本文将结合当前教学现状,就教师在教学过程中如何利用启发式教学来提高学生的生物水平作简要分析并提出相关教学策略。

大规模传感网移动多Sink生物超启发式路径规划

大规模无线传感器网络节点数量多、部署范围广、数据传输时延长。针对上述问题,提出移动多Sink生物超启发式路径规划算法,采用蚁群优化作上层算子,根据网络运行过程中的变化,即节点数量和能量变化,实时优选下层算子集,选中的下层算子集规划各移动Sink节点的路径。仿真研究表明,所提算法有效解决多Sink节点的路径规划问题,减小网络时延。

细菌觅食算法在图像压缩中的应用

基于传统反向传播(back propagation,BP)网络,提出一种结合细菌觅食算法(bacterial fora-ging algorithm,BFA)的改进型BP网络(BFA-BP),并将其用于图像压缩.为克服传统BP网络容易陷入局部极小值的缺点,算法引入BFA特有的复制和驱散操作,以提高网络收敛速度,加强全局寻优能力.对标准测试图像进行仿真实验表明,该算法能有效提高重建图像质量.

基于改进蚁群算法模型的三维火灾动态疏散策略

提出了一种基于改进蚁群算法模型的三维火灾动态疏散策略,解决复杂建筑群体内发生火灾时存在的人员疏散问题。该方法首先使用栅格法对设计的建筑物进行三维环境建模;然后使用改进生物启发式蚁群算法对发生火灾时的疏散路线进行自动规划,得出最短的疏散路径;最后针对火情点动态扩散的特性,实时规划出最佳的人员疏散路线。该方法不仅对蚁群算法模型进行了改进,而且于算法中增加目标启发函数和回退策略,一定程度上缩短了路径搜索的时间和提高算法运行效率。仿真实验结果证明了该策略在三维火灾动态疏散的有效性。

视觉注意与显著性计算综述

人类视觉系统通过选择性视觉注意机制来对场景中位于重要位置的视觉内容进行动态的序列采样,进而获取必要的视觉信息。本文系统地总结了计算化注意模型和显著度计算领域的研究现状。通过在YORK-120和MIT-1003这两个国际标准数据库上进行的人眼视点预测实验,本文对20种计算模型的实际性能进行了详细的评估和对比。结果表明,基于统计的模型要比其它的方法更容易获取较好的预测结果。

基于区域扩散机制的无线传感器网络时间同步算法

针对当前无线传感器网络时间同步算法无法满足物联网对于网络实时性的要求,提出了一种基于区域扩散的无线传感器网络时间同步算法。该算法分为两个阶段进行:第一阶段根据生物觅食理论(OFT),按照收益率最高的原理提出一种代言人信息选择算法(SIE)进行区域内时间同步;第二阶段根据时间偏移量最小节点选择区域代言人并在区域之间进行二次同步,同时将同步过程映射到马尔可夫链,提出基于马尔可夫链的代言人加速算法(MarSAA)。理论分析和实验证明,提出的算法具有较好的时间复杂性;并且两阶段算法可以并行进行,相对于传统算法在全网时间同步上具有非常好的性能。

若干新型群智能优化算法的对比研究

随着计算机技术的发展,算法技术也在不断交替更新。近年来,群体智能算法受到了广泛的关注和研究,并在诸如机器学习、过程控制、工程预测等领域取得了进展。群智能优化算法属于生物启发式方法,广泛应用在解决最优化问题上,传统的群智能算法为解决一些实际问题提供了新思路,但是也在一些实验中暴露出不足。近年来,许多学者相继提出了很多新型群智能优化算法,选取了最近几年国内外提出的比较典型的群智能算法,蝙蝠算法(Bat Algorithm,BA)、灰狼优化算法(Grey Wolf Optimization,GWO)、蜻蜓算法(Dragonfly Algorithm,DA)、鲸鱼优化算法(Whale Optimization Algorithm,WOA)、蝗虫优化算法(Grasshopper Optimization Algorithm,GOA)和麻雀搜索算法(Sparrow Search Algorithm,SSA),并进一步通过22个标准的CEC测试函数从收敛速度、精度和稳定性等方面对比了这些算法的实验性能,并对比分析了其相关的改进方法。最后总结了群智能优化算法的特点,探讨了其今后的发展潜力。

具有突触规则的脉冲神经膜系统综述

膜系统是受到细胞、组织、器官和系统的结构和功能的启发而提出的一类生物启发式计算模型。具有突触规则的脉冲神经膜系统是一类受神经元间信息交流方式的启发而提出的膜系统,该类模型中神经元是存储信息的单元,突触是整合并传递信息的媒介,整个系统采用分布式、并行方式处理信息。文中回顾了具有突触规则的脉冲神经膜系统的定义及相关概念,介绍了若干个脉冲神经膜系统变体,并对比了各系统的同异;列出了该系统及其变体在不同工作模式下计算能力方面的研究进展,以及该系统在求解计算困难问题、算术运算和破解密码方面的应用;提出了尚待研究的若干问题,以期为具有突触规则的脉冲神经膜系统理论研究提供方向,同时为相关系统的应用研究拓展思路。

基于突触扩展规则的带电荷脉冲神经膜系统计算能力研究

带电荷脉冲神经膜系统是受生物神经元细胞膜具有极化现象启发而提出的一种新型脉冲神经膜系统。在带电荷脉冲神经膜系统的基础上,结合生物反射弧现象,利用神经元能够通过突触传递信号给相邻神经元的生物特性,提出了一种基于突触扩展规则的带电荷脉冲神经膜系统。在这类系统中,每个神经元的规则集合被放置在神经元突触上,由神经元的电荷状态控制规则的使用。研究了基于突触扩展规则的带电荷脉冲神经膜系统作为任意自然数的产生和识别装置的计算通用性,结果表明该系统可以计算任意图灵可计算自然数,具有与图灵机等价的计算能力。

群智能优化算法最新进展

群智能优化算法是一种模拟自然界中生物群体行为特征的优化算法,具有全局搜索能力强、适应性强、并行性强和易于实现的优点。群智能优化算法属于生物启发式算法,在解决复杂优化问题时,面临收敛速度、参数敏感性和鲁棒性的挑战。近年来,在群智能优化算法领域,研究者已经提出了一系列新型的群智能优化算法。综述了最新提出的六种群智能优化算法及其变体模型和应用,并在CEC2020测试函数上进行实验。全面评估了这六种群智能优化算法的收敛精度和稳定性,并简要阐述了群智能优化算法的未来发展趋势。