基于距离排序的快速支持向量机分类算法

传统支持向量机算法由于时空复杂度较高,因此很难有效地处理大规模数据。为了降低支持向量机算法的时空复杂度,提出一种基于距离排序的快速支持向量机分类算法。该算法首先计算两类样本点的样本中心,然后对每一个样本计算它与另一类样本中心之间的距离,最后根据距离排序选择一定比例的小距离样本作为边界样本。由于边界样本集合很好地包含了支持向量,而且数目较原始样本集合少得多,因此算法可以在保证支持向量机学习精度的前提下,有效地缩短训练时间和节约存储空间。在UCI标准数据集和20-Newsgroups文本分类数据集上的实验说明算法较以往支持向量预选取算法而言可以更为快速准确地进行支持向量预选取。

基于随机中心距离排序的支持向量预选取方法

提出了一种基于随机中心距离排序的支持向量预选取方法.对于线性可分情况,该方法首先从每一个类别中随机选取一定数目的样本计算均值,并把该均值作为该类别样本的随机中心,然后对每一个样本计算它与另一类样本随机中心之间的距离,最后选择一定数目具有较小随机中心距离的原始样本组成边界样本集.对于非线性可分情况,此算法借助于核函数将原始问题映射到特征空间,然后再按照线性可分情况求解.由于支持向量往往分布在两类样本相邻的边界区域,因此此方法可以较为精确地预选取支持向量.在部分UCI标准数据集和ORL人脸数据库上的实验说明此算法较以往支持向量预选取算法可以更为快速准确地进行支持向量预选取.

基于距离配对排序的支持向量预选取算法

支持向量机是一种基于统计学习理论的二分类方法。支持向量机最小序列化算法(SMO)是针对支持向量机的对偶问题开发的高效算法。在数据训练过程中,支持向量对于分离超平面的确定起着决定性作用,但是支持向量仅占原始样本集的一小部分,并且分布在两类数据的边界上。如果用一个包含大多数支持向量的边界向量集来替换原始样本集进行训练,这样便能在保证分类精度的前提下,缩短训练时间,提高分类速度。然而支持向量的预选取比较困难,因此为了解决该问题,本文提出了一种基于距离配对排序的支持向量预选取算法。数值实验结果表明本文的算法能够有效地预选取包含支持向量的边界向量集。

基因组重组排序算法综述

随着快速测序技术的发展,对大规模DNA分子的研究与其中的基因相对次序有关。基因组重组是计算生物学的一个重要研究领域,是基因组在基因水平比较分析的基础。其研究目标是找最短的重组操作序列,将一种基因组转变为另一种基因组。基于分子生物学的实验证明,这种序列有助于估计不同基因组间的进化事件。基因组进化过程虽然非常复杂,但可用3种基本的重组操作模拟,即反转(reversal)、移位(translocation)和转位(transposition)。本文讨论了这些操作相关的重组算法以及各种排序距离的计算方法。

SOC测试数据的编码压缩技术

文章介绍了一种基于测试向量集的压缩/解压缩方法,目的在于弥补SOC测试中,测试设备存储容量不足的问题,分析了三种不同的编码方案,并从压缩率和解码电路的规模对它们作了比较,得出了使用Golomb编码来进行测试向量压缩/解压缩是简单而又行之有效的方法的结论。文章还给出了一个有效的最小海明距离排序算法,大大的提高了测试数据的压缩率。

多目标萤火虫算法的电力系统无功优化方法

为解决传统单目标无功优化电压偏高的问题,采用建立多目标无功优化数学模型的方法,提出一种带精英保留策略和Pareto占优及拥挤距离排序的多目标萤火虫算法对建立的无功优化数学模型进行优化.研究结果表明:多目标萤火虫算法在优化过程中具有较强的寻优能力和全局收敛性,在减小电力系统有功网损的同时有效解决了电压偏高的问题,是一种求解多目标无功优化问题的有效方法.

单平台下参数化产品族设计的两阶段智能优化算法

基于对参数化产品族优化设计问题特性的分析,提出了单平台下参数化产品族的两阶段优化设计方法。针对单平台产品族优化设计的特征,给出了单平台下参数化产品族优化设计的一般数学模型,在此基础上提出了平台变量值预先设定时的产品族优化模型,给出了采用拥挤距离排序的多目标约束遗传算法(CDSMOGA)对该模型进行优化求解的过程。对单平台下平台变量值已知时的通用电动机产品族优化数学模型进行了仿真运算。对比仿真结果与国内外文献中的相关结果发现,所提出的方法能够显著改善产品族的整体性能,在参数化产品族的优化设计上是有效的。

无公用平台下的参数化产品族多目标智能优化!

在忽略产品间共性约束的条件下,参数化产品族整体性能的优化实际上等价于产品族内系列产品的独立优化。基于参数化产品族优化问题的复杂性,提出了一种基于拥挤距离排序的多目标多约束遗传算法(CDSMOGA),并将其用于求解无公用平台下的产品族优化问题。通用电动机产品族设计实例的仿真试验结果表明,CDSMOGA所得产品族优化设计方案整体性能显著优于被比较方案,验证了该方法的有效性和可行性。

基于复杂网络理论识别油库关键安全风险因素

为提升油库安全风险管理水平,基于风险因素间关联关系对风险因素重要性的影响,提出从复杂网络角度研究油库安全风险管理并识别关键风险因素的方法。首先,通过识别风险因素并依据因素间的影响关系和影响程度构建油库安全风险加权网络模型;然后,基于风险因素自身的风险水平及其对网络中局部和全局其他因素的影响力,设计风险因素的重要度评价指标;最后,采用层次分析法(AHP)-灰色关联分析(GRA)-理想距离排序(TOPSIS)模型对风险因素重要度进行排序,从而实现关键风险因素的识别。将该方法应用于某油库风险因素识别中。结果表明:人员素质和安全管理风险为该油库关键风险因素。

基于多目标粒子群优化的虚拟网络映射算法

在虚拟网络映射中,多数研究只考虑一个映射目标,不能体现多方的利益。为此,将多目标算法和粒子群算法结合,提出了一种基于多目标粒子群优化(PSO)的虚拟网络映射算法(VNE-MOPSO)。首先,在基本的粒子群算法中引入交叉算子,扩大了种群优化的搜索空间;其次,在多目标优化算法中引入非支配排序、拥挤距离排序,从而加快种群的收敛;最后,以同时最小化成本和节点负载均衡度为虚拟网络映射目标函数,采用多目标粒子群优化算法求解虚拟网络映射问题(VNMP)。实验结果表明,采用该算法求解虚拟网络映射问题,在网络请求接受率、平均成本、平均节点负载均衡度、基础设施提供商的收益等方面具有优势。

基于改进粒子群优化算法的负荷分配方法研究

针对多目标粒子群优化算法求解负荷优化分配问题时所出现的最优解分布不均、局部最优等问题,引入了精英交叉算子并基于拥挤度对非劣解集进行排序,给出了精确计及网损时的机组出力等式不等式约束处理方法。在忽略和计及网损两种情况下针对3机组系统进行负荷优化分配,仿真结果表明改进后的粒子群优化算法寻优能力得到提升。同样利用模糊隶属度函数筛选Pareto解集,所提方法得到的结果明显优于常规粒子群优化算法,在降低发电成本及污染物排放的同时使得求解结果严格满足约束条件。

基于极半径不变矩的平面单足足迹识别

采用极半径不变矩作为描绘子对平面单足足迹进行粗匹配实验。设计了"距离排序法"作为粗匹配的分类器。使用极半径不变矩的5维特征值作为描绘子识别实验结果为在排除83%前嫌人员的条件下,识别准确率为86%。实验的结果表明使用极半径不变矩作为描绘子进行的粗匹配比使用足长与足宽的粗匹配的识别准确率和前嫌人员排除率都更高。

一种寻找C带染色体中轴的方法

C带染色体的形状与带纹相对于G带和核型染色体要复杂 ,因此对它进行分类识别的难度也相应增大 ,尤其是寻找中轴这一关键技术不知花费了多少学者的精力都未能得到满意的结果 .利用自适应二值化、形态学细化、偏轴去枝、近端点边沿距离排序、高次方曲线拟合 ,终于解决了这一难题 ,获得了满意的实验结果 .

提高光伏消纳能力的配电网联络开关优化配置

为满足不断增长的光伏发电渗透率,实现配电网经济运行,研究了考虑分区分段的配电网开关优化配置方法。该方法根据晴天、多云和下雨3种天气以及春夏秋冬4个季节得到不同场景下的典型日联合曲线,考虑了光伏发电的时序性和随机性。为降低不同节点负荷变化趋势对结果的影响,采用深度优先搜索方法将配电网划分为多个区域,并提出了多区域多目标分段方法,采用两阶段遗传算法求解。仿真算例验证了本文所提方法的正确性与可行性。

空间调制系统下改进的球形译码检测算法

在空间调制(SM)系统的检测算法中,球形译码(SD)检测算法的性能最接近最大似然(ML)最优检测,但其初始半径的选择是一个难题,不合适的初始半径将导致极大的运算复杂度。针对这个问题,本研究提出了一种改进的球形译码检测算法。该算法将距离排序(DBD)算法与SD算法相结合,以DBD算法得到的估计值导出SD算法的初始半径,同时引入天线候选集因子T和调节变量K以平衡性能和复杂度。仿真结果表明,改进的SD算法相比于传统SD算法能降低约30%～60%的运算复杂度。

基于随机扰动的多目标进化算法

运用遗传算法解多目标问题,结果往往会陷入局部最优。引入传统算法求得的外部种群,提出基于随机扰动的RDMOGA遗传算法。将新算法用标准多目标测试函数进行测验,并与韩丽霞提出的NMOGA算法进行对比,实验结果表明,新算法表现出良好的搜索性能。

一种改进的PSO-SVM算法

粒子群优化(Particle swarm optimization, PSO)算法在整个训练数据集上搜寻支持向量机(Support vector machine, SVM)最优惩罚参数C和高斯核参数σ时会出现搜寻时间过长的问题。为了解决该问题,我们提出了一种基于距离配对排序(Distance pairing sorting, DPS)支持向量预选取的PSO-SVM算法(DPS- PSO-SVM)。该算法先将训练数据集进行DPS支持向量预选取构造一个支持向量候选集,然后利用PSO算法在支持向量候选集上对SVM参数寻优,最后将最优参数输入到SVM算法中对支持向量候选集进行训练。本文采用UCI数据库中的Breast Cancer数据和Banknote Authentication数据进行数值实验,结果表明该算法既能够缩短参数寻优时间,还能够保持PSO-SVM算法的高分类精度。

多种群协同进化的差分进化算法

针对差分进化算法在优化过程中容易陷入局部最优和收敛精度不高的问题,提出一种多种群协同进化的差分进化算法。首先提出双序法用于种群划分:同时使用距离系数排序和适应度值排序将种群划分为三个子种群,将离全局最优个体远且适应度值优秀的个体划分出来,可以有效的避免陷入局部最优。其次对每个子种群采用不同的变异策略和控制参数,同时对整体表现一般的种群采用概率判定机制选择变异策略,以平衡全局探测和局部搜索。最后将所提算法在CEC2017测试集上进行实验仿真,实验结果表明,所提算法在收敛精度、跳出局部最优等方面均优于其他改进DE算法。

基于随机黑洞和逐步淘汰策略的多目标粒子群优化算法

提出一种基于随机黑洞粒子群算法(RBH-PSO)和逐步淘汰策略的多目标粒子群优化(MRBHPSO-SE)算法.利用RBH-PSO全局优化能力强和收敛速度快的优点逼近Pareto最优解;为了避免拥挤距离排序策略的缺陷,提出逐步淘汰策略,并将其应用到下一代粒子的选择策略中.同时,动态选择领导粒子,运用动态惯性权重系数和变异操作来增强种群全局寻优能力,以及避免早熟收敛.利用具有不同特点的测试函数进行验证,结果表明,与同类算法相比,该算法具有较高的精度并兼顾优化解的多样性.