基于遗传算法的Bayesian网中连续变量离散化的研究

文中对如何从含有离散变量和连续变量的混合数据中学习 Bayesian网进行了研究 ,提出了一种基于遗传算法的连续变量离散化算法 .在该算法中给出了兼顾离散模型准确度和复杂度的适应度函数 ;并基于对离散化的实质性分析 ,定义了离散策略等价的概念 ,由此制定了离散策略的编码方案 ;进一步设计了变换离散策略的遗传算子 .该算法不存在局部极值问题 ,且不需要事先给定变量序关系 .模拟实验结果表明 ,该算法能有效地对连续变量离散化 ,从而使得从混合数据中学到的 Bayesian网具有较好性能 .

含连续/离散变量结构优化中的神经网络与变尺度模拟退火方法

传统的优化方法难于有效地处理含有连续 /离散混合变量优化问题 ,本文介绍了一种改进的变尺度模拟退火方法并与人工神经网络能量函数模型相结合 ,用于求解含连续 /离散设计变量的工程结构优化问题 ,较好地解决了模拟退火技术用于工程结构优化时选取具有全局性的初始点困难及迭代次数较多的弱点。算例表明 ,该方法可以使模拟退火算法从局部最优的陷阱中跳出 ,最后求出整体最优解。

基于粗糙集的贝叶斯网络连续变量离散化算法

分析了布尔逻辑和粗糙集理论相结合的离散化算法在贝叶斯网络建模中应用的局限性,提出基于断点值逐次扫描划分实例对的连续变量离散化算法,改变了原算法中基于断点区间划分实例对的计算方法,应用实例表明,该算法时间复杂度和空间复杂度较低,具有较强的实用性,更适用于贝叶斯网络中的连续数据离散化处理。

多变量蚁群算法及其在机械设计领域中的应用

在机械设计的优化上,由于其涉及的变量多,并且变量中经常存在离散和连续综合的现象,所以在优化领域一直是一个非常困难的问题.特别是如何解决离散变量和连续变量之间的矛盾,对各种优化算法来说就非常困难.蚁群算法是近年来新发展起来的一种优化算法,本文根据机械设计问题的特点,在蚁群算法的基础上进行一些改进,成功的把蚁群算法应用在机械设计问题中.通过和惩罚函数算法进行比较,表明本文所改进的蚁群算法是行之有效的,并在全局性上优于惩罚函数法.

基于拟满应力遗传算法的桁架结构形状优化设计

以拟满应力法和改进遗传算法为基础,提出了一种可以解决具有连续变量和离散变量的桁架结构形状优化问题的拟满应力遗传算法。该算法既充分利用了遗传算法全局寻优能力强的特点,也发挥了力学准则法局部寻优长处,具有很高的搜索效率。用拟满应力遗传算法解决15杆桁架结构形状优化问题的结果表明,这是一种解决具有连续、离散混合变量的桁架结构优化设计问题的很有效方法。

新型扭簧电连接器的确信可靠性正向设计优化

新产品正向设计需综合考虑新结构工艺、多设计变量、复杂工作环境的影响,并合理量化不确定性影响,评估可靠性水平,从而在源头上确保高可靠性。基于确信可靠性理论,研究了基于性能裕量的确信可靠性正向设计优化方法。提出了面向新型扭簧电连接器研发的确信可靠性正向设计优化基本流程,包括设计变量初值优选、性能裕量建模、不确定性量化和确信可靠性分析与优化4部分。以某新型扭簧电连接器的正向设计为例,基于正交实验、响应面建模和模拟退火启发式优化等方法实现了多维离散-连续变量及其不确定性作用下的优化设计。

基于贝叶斯网络高斯混合模型医学图像检索的研究

结合医学影像诊断的实际情况,提出一种基于贝叶斯网络高斯混合模型的医学图像检索方法。算法首先引入条件高斯模型,将连续变量模糊离散化,再利用贝叶斯网络对医学图像进行语义建模,并最终完成基于内容的图像检索。实验采用医学图像库中的CT和MRI影像样本进行仿真,仿真结果显示,这种方法是有效的,可以满足医生的一般需要。

基于集成模型的多维活动—出行决策研究

对个体活动—出行行为的5个决策维度进行联合建模分析,包括连续型的通勤距离、离散型的日通勤出行方式和通勤出发时间、小汽车拥有和日非工作活动量.一方面,作为内生变量,这5个决策维度受到个体性别、收入、教育水平等社会经济属性影响;另一方面,它们之间的相互影响关系也通过可见的结构关系及不可见的相关关系得到证实.比如,通勤出行距离越长,出行者家庭小汽车的拥有量越大;通勤出行距离、公交出行方式的选择均对日非工作活动量有负面影响;当通勤者家庭拥有更多的小汽车或者通勤出行距离很长时,他们选择小汽车和公交车的概率更高.本文证实了个体活动—出行决策维度之间的复杂作用关系,证实了对多维活动—出行决策进行综合集成分析的重要性.