属性探索算法研究

Baader等人于2004～2007年将FCA方法引入描述逻辑中,建立了初步的属性探索算法。介绍了他们提出的属性探索算法,研究了该算法会产生冗余计算的可能情形。从相关性的角度提出了两种改进算法,并证明了它们的正确性。改进的算法在一定程度上避免了冗余,简化了计算。

离散单调能力需求空间探索生成算法

在实际的作战问题分析中,往往需要通过仿真实验的方式,获得一个能够达到某一目标的需求空间。为此需要将实验中的每个能力指标都离散化为有限个水平值,在一定需求约束的条件下,探索出所有符合需求的策略组合。这种方法需穷举所有组合,从而引起组合爆炸而难以计算。为解决此问题,基于能力指标的单调性,提出了一种高效探索离散能力需求空间的算法;以高炮武器系统为例,建立了高炮武器系统抗击空中目标的仿真模型,并运用该算法实现了对高炮武器系统离散能力需求空间的高效探索;通过对计算结果的分析,验证了算法的正确性和高效性。

属性探索算法在知识发现中的应用研究

从人工智能的角度考虑,在具体的知识领域中,所有个体和属性构成了不同的形式背景。对于属性集合有穷,但是所有个体集合基数很大甚至无穷的研究领域的形式背景。我们设计扩充的属性探索算法求特定知识领域的Duquenne-Guigues基,并通过实例计算展示算法的功能。

属性探索算法的一种改进方法

在介绍了形式概念分析中的伪内涵和属性探索算法之后,通过对属性探索算法进行研究,该算法的一种新改进方法被给出了。

一种连续探索型遗传算法的设计与应用

提出了一种连续探索型遗传算法 ,它不仅能提高简单遗传算法的收敛速度 ,而且能有效地保证种群的多样性 ,并在全局范围内搜索解空间 ,得到最优解 .将算法应用于多峰值函数的优化 ,仿真表明了该算法的有效性和效率性 .

求解TSP问题的增强型自探索粒子群算法

分析了单点调整思想自探索粒子群算法求解TSP问题的不足,并以此为基础构造了求解TSP问题的增强型自探索粒子群算法。在算法中进一步强化了粒子的自探索行为,增加了随机序列段调整思想,以提高算法发现全局最优解的概率。实验结果分析,表明了该增强型自探索粒子群算法具有较强的全局搜优能力,比其他同类算法获得了质量更高的解。

一种连续探索型自适应遗传算法及其应用

对经典遗传算子中的交叉算子和变异算子进行了重新设计 ,提出一种连续探索型自适应遗传算法。该算法能够根据种群进化情况 ,动态地调整遗传算子 ,维持种群的多样性 ,克服过早收敛并加快了搜索速度 ,得到高品质解。将该算法用于最短路径求取中 。

PAC最优的RMAX-KNN探索算法

探索与利用的均衡是强化学习研究的重点之一。探索帮助智能体进一步了解环境来做出更优决策;而利用帮助智能体根据其自身当前对于环境的认知来做出当前最优决策。目前大多数探索算法只与值函数相关联,不考虑当前智能体对于环境的认知程度,探索效率极低。针对此问题,提出了一种基于状态空间自适应离散化的RMAX-KNN强化学习算法,算法根据当前智能体对于环境状态空间的离散化程度改写值函数形式,然后基于此值函数对环境进行合理的探索,逐步实现对于环境状态空间的自适应离散化划分。RMAXKNN算法通过将探索与环境状态空间离散化相结合,逐渐加深智能体对于环境的认知程度,进而提高探索效率,同时在理论上证明该算法是一种概率近似正确(PAC)最优探索算法。在Benchmark环境上的仿真实验结果表明,RMAX-KNN算法可以在探索环境的同时实现对于环境状态空间的自适应离散化,并学习到最优策略。

一种基于改进天牛须探索算法的多点定位算法

天牛须探索(Beetle Antennae Search,BAS)算法具有搜索速度快、运算量少和实施便捷等优点,受到越来越多研究者的关注。但是,由于天牛的大小,BAS算法并不适合远距离的定位,这限制了BAS算法的进一步应用,同时,天牛每次移动的步长未能随着算法的运行而实时变化,这将会导致天牛每次移动的距离与定位所需存在一定的不适应性。针对这种情况,对BAS算法进行改进,提出了基于Chan算法的改进BAS算法。通过对BAS算法各个步骤的分析,针对天牛初始位置、天牛迭代运行方程以及天牛每次移动步长结合实际情况进行改进。对初始位置采用一次定位方式进行确定,将大空间区域定位缩小为小空间区域;对运行方程增加一个实时运行角度进行实时变化,将每次移动距离由定值转换为变值;对步长采用训练方式进行确定,将最合适的步长应用于定位。再将所得数据运用到Chan算法中进行定位。经过Matlab仿真可以发现,经过改进后的BAS算法相较于之前有很大的优化。

单源点疏散问题的Online探索算法研究

课题所研究的问题是受困人员如何从未知情形的受灾区域中尽快地完成撤离.单源点疏散问题是指受灾人员位于危险区域P中的某个位置,需要找到一条能够快速地到达安全位置(P的边界)的疏散路线.由于受灾人员不知道P边界的任何信息,所以采用online探索算法,针对单组单源点疏散问题,提出了三角形疏散策略探索凸多边形区域,计算出所提算法的竞争比为19.48,低于已有算法的竞争比,即优于现有求解该问题的其它算法.同时提出了分组数为2的半圆疏散策略用于探索P为任意多边形区域的情形,得到了一个较小的竞争比,结果表明,单源点半圆疏散策略可以较好地解决疏散区域为非凸多边形的疏散问题.

一种路径时延约束下构造最低代价多播树的探索算法

提出了一种新的探索算法 ,它根据源与目的节点间的时延约束 ,构造最低代价的多播树。并且可以在网络节点请求加入或离开时 ,通过更新现有的多播树 ,实现多播树的动态维护。对该算法进行了仿真 。

基于连续探索型遗传算法的多峰值函数的优化

提出了一种连续探索型遗传算法 ,它不仅能提高简单遗传算法的收敛速度 ,而且能有效地保证种群的多样性 ,在全局范围内搜索解空间 ,得到最优解 .将算法应用于多峰值函数的优化 。

基于点阵的线探索优化布线研究

提出了基于布线点阵的线探索优化算法,它继承了计算几何中无网格布线的优点,克服了计算几何算法中当器件排列繁杂时,其效率可能比传统的网格布线还要低的问题。首先采用布线点阵,减少探索的次数;然后运用死点避免方法保证算法的完备性,确保能够找到实际上存在的路径;另外还采用了路径优化方法减少了路径的拐点。最后,利用电路板测试结果展示平台仿真实验,获得了良好的布线结果和展示效果。

矢量图中绕过障碍物的最短路径算法研究

通过比较几种常见的有障碍物时求最短路径的算法 ,在线探索算法的基础上提出了一种改良的求障碍物群中两点间最短路径的近似算法。

基于改进RRT算法的机械臂路径规划

针对快速探索随机树(RRT)路径规划算法缺乏导向性和规划空间增大时算法时间复杂度高的问题,提出一种目标概率偏置与步长控制的改进RRT算法(I-RRT)。I-RRT结合目标概率偏置,以一定概率使采样点偏置为目标点,提高路径规划的导向性,并引入步长控制优化算法,提高运算效率,优化路径。在MATLAB平台建立了算法的仿真实验,结果表明:I-RRT的导向性与算法时间复杂度均优于经典的RRT算法;并在ROS平台上搭建了六自由度机械臂的避障规划与控制实验,实验验证了该算法的有效性。

IDA^＊算法的程序实现和实验分析

首先提出一些算法性能的新度量，然后在ＩＤＡ＊和Ａ＊算法程序实现的基础上，基于８数码和１５数码难题进行了实验分析。

穷举探索法的一个应用实例

通过对一个实例的分析给出了通过改变排列顺序实现穷举法搜索的一种方法。

考虑地面行人安全的无人机低风险路径规划策略

为了提升无人机点到点作业任务的安全性,本文提出了一种低风险路径规划策略。低风险路径规划策略包括风险评估和路径规划两部分。在风险评估部分,以无人机对地面行人的风险作为评估指标,建立风险值评估模型和风险等级评估模型,以风险图作为结果表征无人机作业的安全程度。在路径规划部分,结合风险评估模型的特有背景和特点,提出了一种改进快速探索随机树*算法,这一算法使用了路径冲突检测和优先探索等策略,可以更加有效的探索到低风险路径。最终,案例分析表明,低风险路径规划策略能有效规划出避开风险较高区域的作业路径,其路径风险代价相比于直线飞行降低了13.16%,其路径规划时间相比于对比算法降低了60.63%和12.20%。因此,这一规划策略具有实用价值,可以提升无人机作业的安全性。

基于分层自适应主动学习策略的入侵检测系统

为进一步降低样本成本并加快模型收敛速度,提出基于探索和开发的指数加权算法(exponential-weight algorithm for exploration and exploitation,EXP3)和增量微调卷积神经网络(fine-tuning convolutional neural networks,FCNN)的入侵检测系统(EXP3-FCNN)。利用EXP3算法自适应选择最佳主动学习策略,代替单一的主动学习算法,提高样本质量;利用增量微调卷积神经网络提取流量数据更深层次的特征;使用AWID数据集作为实验数据。实验结果表明,该方案在保证模型精确度、召回率等性能指标的基础上,降低了样本成本,提高了模型的收敛效率。

非纵观测系统地震测深资料分析处理的人机对话过程

本文在三维壳幔结构中两点射线追踪分步搜索算法的基础上，在物探中心地震方法研究室ＳＵＮ工作站上研究开发出了可应用于非纵观测系统深地震测深资料人机对话三维分析处理的方法及软件．对研究区域的三角形刻分减少了人机对话过程中的工作量及人为干预，并用该方法以反演得到的华北块状模型作为初始模型．对该模型的剩余ＰｍＰ波残差进行了人机对话拟合．