基于分群游走机制的灰狼优化算法的FPRM逻辑电路面积优化

针对基于XNOR/OR的固定极性Reed-Muller电路(FPRM)逻辑电路面积优化方法搜索最优解速度较慢,易陷入局部最优等问题,提出一种新的FPRM逻辑电路面积优化方法,利用基于分群游走机制的灰狼优化算法(GDGWO)搜索电路面积最小的FPRM电路.GDGWO在初始化种群后,采取“轮盘赌”选择算法选出合适的新群体头狼,以提高种群多样性;执行种群分裂机制,防止因原始种群陷入局部最优而降低算法的鲁棒性;在分群搜索开发过程中引入改进后的随机游走策略,使灰狼种群能够更快地包围猎物,提高算法的收敛速度.基于北卡罗来纳微电子中心Benchmark测试电路的实验结果表明,GDGWO与粒子群算法相比,电路面积优化率提升57.42%;与黑猩猩算法相比,提升41.94%;与原始灰狼优化算法相比,提升43.68%.

基于拉普拉斯机制的随机游走知识发现系统的优化研究

文本聚类与知识获取所产生的知识发现系统需要更加快速、更加准确的算法支持,以满足用户知识需求准确性和关联性的不断增长。论文基于随机游走知识发现系统,融合网络爬虫技术和学术资源网站结构化数据的特征,通过应用拉普拉斯机制,将所有图书馆文献通过关键词函数的设定和游走过程的通量化,确定图论下的拉普拉斯算子,对原有遍历所有文献节点并反复迭代完成聚类的运作模式添加游走终点判定,对其进行算法的优化,有效解决了随机游走知识发现系统的时间、空间复杂度过大的问题,增加了随机游走聚类的准确性。

基于随机游走的图扩散模型

图注意力网络(Graph Attention Networks,GAT)通过汇聚相邻节点计算中心节点特征时,缺少图的结构信息且没有利用高阶邻域节点。针对此问题,提出一种采用随机游走策略的图扩散模型。该模型通过随机游走访问邻域内的节点以提取结构信息,并通过设置游走时的重启参数和迭代次数,控制邻域范围以提取局部和全局节点信息,再通过图注意力的加权求和机制对特征进行转换。该模型在3个引文图数据集上进行实验比较,比传统GAT模型的准确率平均提升了1.1%,证明了随机游走策略在捕获节点结构信息方面发挥了重要作用。

基于随机游走蜂群算法优化的RBF神经网络电动机故障诊断研究

为解决目前电动机故障诊断方法收敛慢、易陷入局部极小、准确性不足等缺点,提出了一种电动机故障诊断新方法,即将Levy Flight随机游走机制、人工蜂群算法和径向基神经网络结合的方法。首先通过改进的蜂群算法即随机游走蜂群算法(LFABC)对网络参数进行全局寻优,然后对网络进行监督训练,局部细化网络参数,最终得到故障诊断模型。经实例验证,本文所提方法能更快速、准确地实现电动机故障诊断,取得了较好的效果。

一种融合差分隐私的随机游走算法

如今的信息化时代,用户之间的社交网络信息越发详细,发布这些网络数据经常会威胁到一些个人隐私。而推荐算法中,根据用户物品之间的二分图关系,进行随机游走推荐,能更可靠地推荐目标用户可能选择的物品。由于随机游走复杂度过高,一般将图转化成转移矩阵进行计算,但是游走时无法保证该目标用户以及其他用户的隐私信息。在隐私得不到保护的前提下,用户个人利益会受到威胁,也容易导致丢失用户的后果。对此,需要在发布图之前处理好数据,尽量保证数据的隐私性。而差分隐私能够在数学定义上很好地保证用户的隐私,由此在随机游走算法(PersonalRank)的基础上,对转移矩阵通过拉普拉斯机制加噪,随机游走计算之后,再以指数机制输出推荐结果,保证了用户的信息隐私。

随机游走的布谷鸟搜索算法

布谷鸟搜索(Cuckoo Search,CS)算法是一种简单方便的仿生群优化算法。它虽然具有明显的优点,但在处理高维复杂问题时,不能收敛到最优解。针对算法后期收敛速度降低、易陷入局部最优的问题,本文在布谷鸟搜索算法中加入偏好随机游走机制,使得算法不容易陷入局部最优,还改变了发现概率pa的值来提高算法的各种性能。对单目标基准函数进行仿真测试,仿真结果表明,优化后的算法可以有效地提高布谷鸟算法的寻优能力。

基于知识子图与注意力机制的在线课程推荐模型

推荐系统可以帮助用户在海量的资源中筛选出满足其需求的项目,不断发展的推荐系统为在线教育提供了新的思路。在线课程资源推荐作为在线教育领域中的重要一环,目前存在课程资源过载和课程推荐结果缺乏可解释性的问题。对此,该文提出了一种基于知识子图与注意力机制的在线课程推荐模型,以利用知识子图进行推荐。有别于直接利用知识图谱进行推荐而忽略了知识表示不准确问题的模型,该模型首先采用Node2vec随机游走方法从知识图谱中提取连接用户-课程对的连通子图,然后通过分层注意网络对子图进行编码,以生成用于用户所需课程预测的子图嵌入,最后生成Top-N推荐课程列表,并给出模型的可解释性说明。为验证模型的有效性,以“中国大学MOOC(慕课)”上的数据为样本构建数据集,实验结果表明,相较于KGCN-PN、GAT、KGAT以及POCR模型,文中模型在NDCG、HR以及MRR评价指标上分别提升了10.6%,9.41%,13.7%。

Levy Flight的发展和智能优化算法中的应用综述

Levy Flight源自纯数学概念,目前已被广泛应用于许多领域,如物理、生物、统计、金融和计算机科学等。目前,国内尚无文献对Levy Flight的发展及其在智能优化算法方面的应用进行总结。因此,文中首先回顾了Levy Flight的发展情况和应用,介绍了Levy Flight相关变体的基本原理和应用;然后着重讨论了近十年将Levy Flight应用于智能优化算法的研究,对其应用的方法进行了分类分析;最后总结了Levy Flight的未来发展趋势。文中的目的是让学者了解Levy flight的基本原理和其在智能优化算法中的发展情况,同时促进Levy Flight及其变体在众多学科尤其是计算机科学的发展和应用。

基于文本注意力机制优化的网络表示学习模型

在经典网络表示学习框架上进行改进,提出了基于文本注意力机制优化的网络表示学习模型。首先学习上下文节点的平均嵌入,然后利用上下文节点的平均嵌入引入注意力机制,目标节点的嵌入由注意力和文本嵌入共同决定。在文本特征上添加注意力机制,旨在为文本特征中的词语学习不同的权重值,使得对模型有利的词语得到最大贡献,有效避免低频词、噪声词对模型的影响。在Citeseer(M10)、DBLP(V4)和SDBLP三个数据集上进行实验,结果表明,该模型的网络节点分类性能优于DeepWalk算法和同类别表示学习算法。在网络可视化分析中,所提算法有明显的聚类现象和聚类边界,获得了期望的结果。

北京地区大气中尺度扩散模态和时间特征分析

用随机游走大气扩散模式和 1981年的历史气象观测资料 ,研究北京地区中尺度扩散的历史背景状态。由示踪物从北京城区连续排放条件的模拟结果 ,分析各季平均浓度的空间分布和示踪物在模式区域输送扩散的时间尺度。结果表明 ,冬季示踪物偏南、夏季偏西北的输送明显 ;春季扩散影响范围最小、秋季最大。示踪物从 2 0 0km× 2 0 0km模式区域输出的平均时间 (去除时间 )明显分为冬春季和夏秋季两组 ,前者较小 ,平均在 2 0h以下 ,后者较大 ,平均约 30h。不同去除时间出现的频率分布是非对称的 ,在长去除时间一侧 ,出现频率下降缓慢 ,显示污染物有在该区域内长时间滞留的可能。

基于路径相互关注的网络嵌入算法

网络嵌入,或者称为网络表示学习,旨在将网络中的节点映射到表示空间中,生成低维稠密的向量,从而在保留网络结构信息的前提下对网络中的节点进行表示,而后通过已有的机器学习方法解决诸如链接预测、节点分类、社团发现和网络可视化等下游任务.随机游走算法可以很好地探索网络中节点的局部结构,然而之前的基于随机游走的表示学习算法只能为节点产生一种角色嵌入,没有考虑到和不同邻居进行交互时节点扮演的不同角色嵌入.因此,提出一种基于路径相互关注的网络嵌入算法,使用节点随机游走产生的上下文信息,通过注意力机制为每个节点生成上下文相互关注的节点嵌入.在真实数据集上的实验结果表明,与三个经典的网络嵌入算法相比,该算法具有更好的表现。

信任社交网络中基于图熵的个性化推荐算法

随着社交网络的飞速发展引起了人们对推荐系统(RS)的广泛关注。针对社交网络中现有推荐方法仍存在冷启动问题以及未考虑用户所处的社交网络信息的情况,提出了在信任社交网络中基于图熵的个性化推荐算法(PRAGE)。首先,根据用户物品和它们之间的反馈信息建立用户物品图(UIG),同时引入信任机制建立用户信任图(UTG);其次,通过对两个图使用随机游走算法得到用户与物品的初始相似度和基于信任机制的新的用户物品相似度;重复随机游走过程直至相似度稳定到收敛值;然后,使用UIG和UTG的图熵对两组相似度进行加权并最终相应地得出目标用户的最终推荐列表。在真实的数据集Epinions和Film Trust上的实验结果表明,相比经典的基于随机游走算法,PRAGE的精确率分别提高了34. 7%和19. 4%,召回率分别提高了28. 9%和21. 1%,能够有效地缓解推荐的冷启动问题且在精确率和覆盖率指标上均优于对比算法。

融合文本和路径语义的知识图谱嵌入学习模型

针对现有的融合文本和路径信息的模型未能充分挖掘和利用文本与路径语义的问题,提出了新的知识图谱嵌入学习模型(GETR模型):首先,利用LDA丰富实体描述文本语义并用TWE获取词和主题向量,采用Bi-LSTM模型把词和主题向量编码融入实体向量表示中,以增强结点的语义表达能力;其次,设计了以组合PageRank和余弦相似度算法为策略的随机游走算法,以获取实体间的多步路径,并利用自注意力机制捕获路径的重要语义融入到翻译模型中进行联合训练,从而达到有效过滤路径中的噪声和提高模型效率的目的.最后,在数据集FB15K、FB20K和WN18上,对GETR、TransE、DKRL、TKGE模型进行知识补全和实体分类任务的评测,结果表明:GETR模型具有更好的性能表现,是一种更加高效的知识表示方法.

基于变分推断和元路径分解的异质网络表示方法

针对异质网络表示中传统元路径随机游走无法准确描述异质网络结构,不能较好地捕捉网络节点内在的真实分布问题,提出基于变分推断和元路径分解的异质网络表示方法HetVAE.该方法先结合路径相似度的思想,设计了一种节点选择策略对元路径随机游走进行改进,再通过引入变分理论对原始分布中的潜在变量进行有效采样.最后,通过设计个性化的注意力机制,对由分解获得的不同子网络的节点向量表示进行加权,再将其进行融合,使最终的节点向量表示具有更丰富的语义信息.通过在DBLP、AMiner、Yelp这3个真实数据集上进行多组不同网络任务的实验,验证了模型的有效性.在节点分类和节点聚类任务上,与对比算法相比,微观F 1值和标准化互信息分别提升了1.12%~4.36%和1.35%~18%,表明HetVAE能够有效地表征异质网络结构,学习出更符合真实分布的节点向量表示.

基于在线社交网络的JPS跳跃并行顶点采样方法

针对现有在线社交网络(OSNs)采样方法无法有效地应用于低连通性的社交网络,且采集的样本顶点平均度严重偏离原始社交网络、顶点过度采样等问题,本文基于蒙特卡罗随机游走(MHRW)采样方法,引入双重跳跃策略、并行机制和顶点缓存区,提出一种跳跃无偏并行顶点(JPS)采样方法。将在线社交网络数据集建模为包含顶点和边的社交图进行模拟采样,利用Python/Matplotlib绘图库绘制采集的样本顶点属性图。实验结果表明,该采样方法更有效地应用于不同连通强度的社交图,提高了采样过程中的顶点更新率,降低了样本顶点的平均度偏差且能够更快速地收敛。

基于抽样权数调整的非参数分层贝叶斯模型小域估计方法研究

对于大型抽样调查的子总体估计需求,在划分全国样本后,经常存在子总体内部样本分布不均匀,样本量无法满足估计精度要求的问题,常用的HT估计量根据包含概率倒数加权,效果受样本量制约,尤其无法实现对样本量为0的域的估计;基于模型的小域估计方法不依赖抽样设计,能借助辅助信息和其它域信息对小样本和无样本域进行一定精度下的估计,但选用参数模型存在模型假定失效的可能,据此,文章将非参数方法引入分层贝叶斯小域估计模型,以避免对总体和模型作过多假设、增强模型的适用范围,并结合抽样设计,将抽样机制引入估计过程作进一步拓展,使文章方法适用于各类复杂抽样:对于非参数分层贝叶斯模型,在基于一阶随机游走模型的高斯过程和基于B样条基函数的惩罚样条两种具体平滑函数下,提出了抽样权数调整基于模型小域估计的具体方式,并基于某地区第四次全国经济普查微观数据进行实证.