Acupoint selection principles in acupuncture and moxibustion for obesity based on Q-PSO algorithm

Objective:To explore core acupoints and acupoint selection principles in acupuncture and moxibustion for obesity,from syndrome differentiation prescriptions of the acupuncture-moxibustion therapy in 808 obesity prescriptions,by using node centrality and cluster analysis methods in complex network.Methods:Firstly,an acupoint network model is established,and acupoint nodes are assessed and calculated in multiple aspects by introducing the node centrality analysis idea of complex network,to excavate core acupoint nodes.Secondly,a cluster analysis is carried out on acupoint network by the cluster algorithm Q-PSO for complex network,to investigate the acupoint combination principles.Results:Zusanli(足三里ST36),Tianshu(天枢ST25),Fenglong(丰隆ST40),Zhongwan(中脘CV12)and Qihai(气海CV6),etc.,were included into the core acupoint Sanyinjiao(三阴交SP6)community.Zhigou(支沟TE6),Neiting(内庭ST44),Shangjuxu(上巨虚ST37),and Pishu(脾俞BL20)etc.,were included into the core acupoint Yinlingquan(阴陵泉SP9)community.Baihuanshu(白环俞BL30)and Zhiyang(至阳GV9)were included into the core acupoint Dachangshu(大肠俞BL25)community.Biguan(髀关ST31)was a single core community.Among all the acupoint nodes,SP6,ST25,SP9,ST36,CV6,Quchi(曲池L111),and Guanyuan(关元CV4)were of high degree centrality and eigenvector centrality,directly reflecting their importance in acupoint selection prescriptions.Conclusion:The Q-PSO algorithm is characterized with high precision and high efficiency,etc.The core acupoints and their combination principles explored by this algorithm are in accordance with clinical experiences.

基于自适应混合粒子群优化的软件缺陷预测特征选择方法

特征选择是软件缺陷预测中数据预处理的关键步骤。针对现有特征选择方法存在的降维效果不显著、选取的最优特征子集分类精度低等问题,提出了一种基于自适应混合粒子群优化(SHPSO)的软件缺陷预测特征选择方法。首先,结合种群划分设计了基于Q学习的自适应权重更新策略,其中引入Q学习根据粒子的状态自适应地调整惯性权重;其次,为了平衡算法前期的全局搜索能力和后期的收敛速度,提出了基于曲线自适应的时变学习因子;最后,采用混合位置更新策略帮助粒子尽快跳出局部最优解,并增加粒子的多样性。在12个公开软件缺陷数据集上进行实验验证的结果表明,与使用全部特征的方法、常用的传统特征选择方法及主流的基于智能优化算法的特征选择方法相比,所提方法在提高软件缺陷预测模型分类性能和降低特征空间维度上均取得了有效的结果。与改进樽海鞘群算法(ISSA)相比,所提方法的分类精度平均提高了约1.60%,特征子集规模平均降低了约63.79%。实验结果表明,所提方法可以选出分类精度较高且数量较少的特征子集。

一种Q学习的量子粒子群优化方法

分析了量子行为粒子群优化算法,着重研究了算法中的收缩扩张参数及其控制方法,针对不同的参数控制策略对算法性能的影响特点,提出将Q学习方法用于算法的参数控制策略,在算法搜索过程中能够自适应调整选择参数,提高算法的整体优化性能;并将改进后的Q学习量子粒子群算法与固定参数选择策略,线性下降参数控制策略和非线性下降参数控制策略方法通过CEC2005 benchmark测试函数进行了比较,对结果进行了分析。

融合经验共享Q学习的粒子群优化算法

传统粒子群优化算法(PSO)有着易陷入局部最优、多样性不足和精度低等缺点。近年来,采用强化学习的Q学习思想改进粒子群算法成为一种新的方法,然而目前这种方法存在参数选择偏主观和使用策略单一使其无法解决复杂情况的问题。提出一种融合经验共享策略Q学习的粒子群优化算法(QLPSOES)。该算法将粒子群算法与Q学习方法结合,对每个粒子构建一张Q表,供粒子参数动态选择;同时设计了一种经验共享策略,即粒子通过Q表共享最优粒子的“行为经验”,加速Q表的收敛,增强粒子之间的学习能力,平衡算法的全局和局部搜索能力。另外,采用正交分析法实验,寻找融合Q学习粒子群算法的状态、动作参数和奖励函数等参数的最优组合;最后通过CEC2013中的基准测试函数的实验测试,结果表明,融合经验共享Q学习的粒子群算法的收敛速度和收敛精度相对给出的对比算法均有明显提升,验证了算法具有较优的性能。

基于SLAM算法的图书馆服务机械人的路径研究

为进一步对服务型机器人的移动过程进行优化,基于SLAM算法,对图书馆服务机器人的移动过程进行路径规划研究,并提出一种离线结合在线的路径规划方法。通过对离线路径规划PSO算法和在线路径规划Q-learning算法进行分别优化,以提高各种的路径规划效果,再将两种方法相结合,解决了复杂环境下的动态不确定的路径最优化问题。仿真结果表明,与其他PSO算法相比,本研究提出的RDSPSO算法能够实现更好的离线路径规划效果,在同样的实验条件下,该算法的优化得到的路径更短,到达时间也更短;与其他的路径规划方法相比,本研究提出的离线结合在线的路径规划算法的路径规划效果更好,路径长度最少缩短了2.8 m,到达时间最少节省了29.9 s。以上结果表明,本研究提出的路径规划方法能够对图书馆服务机器人的移动路径进行进一步优化,进一步提升机器人的移动性能,可用于实际的设计。