基于复杂适应度函数的因素遗传算法

针对遗传算法在处理复杂适应度函数时运行时间过长的问题,文章利用因素空间理论,结合多种群遗传算法(MPGA),并以改进的算法时间复杂度为依据,对多种群遗传算法的每一代选择后加入因素空间的机理进行系统评价.这样可以加快收敛的效果,实现了算法的总体最优,减少对复制适应度函数的计算次数,且避免算法收敛到局部最优的问题.研究结果表明:针对改进算法的复杂适应度函数的时间复杂度,文章所提出的基于复杂适应度函数的因素遗传算法无论在时间效率上还是进化到达最优的遗传代数上均优于多种群遗传算法.

一类梯形模糊随机变量的主成分分析

对模糊随机变量的主成分分析方向进行研究,其中相关矩阵是研究主成分分析的一个重要指标,而模糊随机变量与随机变量本质不同,所以不能直接用随机变量的相关矩阵进行使用.研究改进了随机变量的相关矩阵,将其推广到模糊随机变量中,通过给出两个模糊随机变量的α-贴近度概念构造了α-贴近度矩阵,利用α-贴近度矩阵作为模糊随机变量的相关矩阵研究了一类梯形模糊随机变量的主成分分析问题,通过实例分析表明,本文给出的方法用来研究模糊随机样本的主成分分析问题是可行的.

SPA和DS证据理论的多传感器航迹关联方法

针对多传感器航迹关联问题,提出了一种基于集对分析和DS证据理论的解决方法。利用集对分析理论将不同传感器之间航迹信息按照集对处理,建立航迹间的联系度表达式,在集对贴近度的基础之上,构建集对贴近度矩阵。利用DS证据理论来解决航迹关联问题。实例表明,能够较好地解决多传感器航迹关联问题。

毕达哥拉斯模糊偏好关系的一致性及权重向量

考虑到模糊偏好关系理论的相对完善,在毕达哥拉斯模糊数的距离和贴近度的基础上,将毕达哥拉斯模糊偏好关系转化为贴近度矩阵,并证明其为模糊偏好关系.其次,利用毕达哥拉斯模糊偏好关系的贴近度矩阵的加型一致性,定义了毕达哥拉斯模糊偏好关系的加型一致性,并借助加型一致性模糊偏好关系的权重向量计算公式,给出相应的加型一致性毕达哥拉斯模糊偏好关系的权重向量计算公式.然后,类似地,定义了毕达哥拉斯模糊偏好关系的乘型一致性,给出乘型一致性毕达哥拉斯模糊偏好关系的权重向量计算公式.接着,为了衡量毕达哥拉斯模糊偏好关系一致性程度,在偏好关系和模糊偏好关系一致性指标基础上,定义了毕达哥拉斯模糊偏好关系的一致性指标.最后,通过计算实例和方法比对说明了文中权重向量计算公式是可行有效的.