位置修复和粒子置换的FSUD-PSO签名网络社区发现

为提高签名网络社区发现效果,解决其评估指标存在的数据耦合和依赖性,造成网络社区单指标优化存在较大局限性的问题,提出了基于位置修复和粒子置换的FSUD-PSO(fast sorting and uniform density of multi-objective particle swarm optimization)签名网络社区发现算法。首先,对签名网络模型进行研究,并在考虑数据耦合和依赖性前提下给出签名网络社区评价指标,以及多目标Pareto最优目标模型;其次,构建签名网络模型的多目标优化粒子编码与更新规则,并根据签名网络特点设计了位置修复和粒子置换策略,同时为提高多目标粒子群算法性能,设计了快速排序均匀密度的多目标粒子群算法FSUD-PSO;最后,通过标准测试集实验对比,验证了所提FSUD-PSO签名网络社区发现算法的有效性。

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。

复合粒子的置换对称性

本文讨论由相同的粒子所组成的复合粒子的置换对称性。在复合粒子的体积较容器的体积为很小的情形和各个复合粒子相应的波包没有重迭,所以似乎不必考虑它们之间的置换对称性,可是在凝聚态物理中却很强调复合粒子是玻色子或是费米子的问题,也就是说必须要考虑各个复合粒子的置换对称性。这就出现一个佯谬,我们将复合粒子这个多体系统的质心坐标分出,质心运动与一个平面波相应,各个粒子的运动平面波是重迭的,因此必须考虑到置换性。

粒子群算法在分布式ETL任务调度中的应用

随着分布式数据环境越来越复杂,ETL工具要面临数据源多、分布地域广和海量数据等因素带来的挑战。原有的集中式ETL工作流优化理论不能满足现在复杂数据环境的要求。介绍了如何将基于置换的离散型粒子群算法应用到分布式ETL任务优化调度问题上,主要工作围绕ETL工作调度模型、算法编码设计、目标函数选择等内容来展开,给出了分布式ETL工作调度策略的实现过程和伪代码。理论分析和实验证明了实际应用的有效可行性。