基于随机游走麻雀搜索算法的多特征结构尺寸熔融沉积成型工艺参数优化

在熔融沉积成型过程中,打印参数对成型样件精度有着重要影响.为了提高整体尺寸精度,采用随机游走的麻雀算法获得最优实验方案.首先,以熔融沉积成型的分层厚度、喷头温度、打印速度和填充率为实验变量设计4因素4水平的正交试验;然后,以样件不同特征结构尺寸的相对误差为优化对象,使用田口-灰色关联法对实验数据进行处理;最后,通过随机游走的麻雀算法计算最优参数方案.结果表明,相比常用的田口-灰色关联法,采用优化后工艺参数成型样件的综合尺寸精度提高了20%,灰色关联度提高了27%.

融合自适应t分布和随机游走策略的松鼠优化算法的研究

针对松鼠优化算法在后期寻优能力不足、容易陷入局部最优以及种群多样性损失较大的问题,提出了一种融合自适应t分布和随机游走策略的松鼠优化算法(TRWSSA)。该算法利用折射反向学习策略进行种群初始化,增强了种群的整体多样性;引入非线性搜索因子并且在每一次松鼠位置更新中加入自适应t分布扰动位置,减少算法陷入局部最优的概率,增强全局寻优能力;在最后的位置更新中加入随机游走策略对最优松鼠位置进行扰动更新,提高算法后期的收敛精度和速度。通过在8个基准函数上的仿真实验,对比其他智能算法以及改进算法,实验结果和分析表明TRWSSA在收敛速度、收敛精度上有明显提升,且能较好地解决寻优不足问题。

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%.

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。

基于随机游走算法的频谱组合拍卖机制

如何将频谱有效地分配给用户并提高提供商的收益是目前研究的热点。针对频谱组合拍卖中提供商收益低的问题,结合用户估值分布不对称的特点,设计了基于随机游走的频谱组合拍卖(RWSCA)机制,以最大化频谱提供商的收益。首先引入了虚拟估值的思想,用随机游走算法在参数空间搜索一组最优参数,并根据参数线性映射买家的估值;然后运行基于虚拟估值的VCG (Vickrey-Clarke-Groves)机制,从而确定赢得拍卖的用户并计算相应的支付金额。理论分析证明了所提机制具有激励相容和个体理性的性质。在频谱组合拍卖仿真实验中,相较于VCG机制,RWSCA机制至少提高16.84%以上提供商收益。

复杂网络簇结构探测——基于随机游走的蚁群算法

网络簇结构是复杂网络最普遍和最重要的拓扑属性之一,网络聚类问题就是要找出给定网络中的所有类簇.有很多实际应用问题可被建模成网络聚类问题.尽管目前已有许多网络聚类方法被提出,但如何进一步提高聚类精度,特别是在没有先验知识(如网络簇个数)的情况下如何发现合理的网络簇结构,仍是一个未能很好解决的难题.针对该问题,在马尔可夫随机游走思想的启发下,从仿生角度出发提出一种全新的网络聚类算法——基于随机游走的蚁群算法RWACO.该算法将蚁群算法的框架作为RWACO的基本框架,对于每一代,以马尔可夫随机游走模型作为启发式规则;基于集成学习思想,将蚂蚁的局部解融合为全局解,并用其更新信息素矩阵.通过"强化簇内连接,弱化簇间连接"这一进化策略,使网络簇结构逐渐地呈现出来.实验结果表明,对一些典型的计算机生成网络和真实网络,该算法能够较准确地探测出网络的真实类簇数,与一些有代表性的算法相比,具有较高的聚类精度.

一种基于随机游走模型的多标签分类算法

在数据挖掘领域,传统的单分类和多分类问题已经得到了广泛的研究.但是多标签数据的普遍存在性和重要性直到近些年来才逐渐得到人们的关注.在多标签分类问题中,由于标签相关性的存在,传统的单分类和多分类问题的解决方法,无法简单地应用于多标签分类问题.文中提出了一种基于随机游走模型的多标签分类算法,称为多标签随机游走算法.首先,将多标签数据映射成为多标签随机游走图.当输入一个未分类数据时,建立一个多标签随机游走图系列.而后,对图系列中的每个图应用随机游走模型,得到遍历每个顶点的概率分布,并将这个点概率分布转化成每个标签的概率分布.最后,基于多标签随机游走算法,文中给出了一种新的阈值学习算法.真实数据集上的实验表明,多标签随机游走算法可以有效地解决多标签分类问题.

基于Mean Shift随机游走图像分割算法

针对传统随机游走算法分割目标轮廓易受自然纹理背景干扰,并且算法运行效率低的问题,提出一种基于Mean Shift随机游走图像分割算法.首先应用Mean Shift算法对图像进行预分割,将图像分成许多同质区域,再将其代替经典随机游走算法中节点来建立对应的无向图;将彩色直方图作为区域描述算子,采用欧氏距离与高斯权函数相结合来建立区域间相似性权函数;最后应用离散电势理论计算图中节点间电势值,并根据节点电势值的大小对预分割得到的同质区域进行分类,以实现图像分割.实验结果表明,与传统方法相比,该算法在分割精度和运行效率上都有很大提高.

基于随机游走的语义重叠社区发现算法

语义社会网络是由信息节点及社会关系构成的一类新型复杂网络,因此语义社会网络重叠社区发现是传统社区发现研究的新方向.针对这一问题,提出基于随机游走的语义社会网络重叠社区发现算法,该算法首先以LDA(latent Dirichlet allocation)算法为基础建立语义空间,实现节点语义信息到语义空间的量化映射;其次,以语义空间中节点信息熵作为节点语义信息比重,以节点的度分布比率作为节点关系比重,建立节点语义影响力模型及语义社会网络的加权邻接矩阵;再次,以语义影响力模型和加权邻接矩阵为参数,提出一种改进的语义社会网络重叠社区发现的随机游走策略,并提出可度量语义社区发现结果的语义模块度模型;最后,通过实验分析,验证了所提出的算法及语义模块度模型的有效性和可行性.

基于滑降的随机游走图像分割算法

为了提高传统的随机游走分割算法的性能,提出一种基于滑降算法的随机游走图像分割算法.利用图像的局部灰度信息进行滑降分割,将图像分割成多个小区域;把每个小区域作为一个节点,采用万有引力定律来定义各个节点之间的权值,利用随机游走算法产生最终的分割结果.实验结果表明,该算法有效地结合了滑降算法和随机游走算法的优点,提高了图像分割的速度和精度.

具有步长调整策略的强制进化随机游走算法优化换热网络

强制进化随机游走算法(random walking algorithm with compulsive evolution,RWCE)是一种优化换热网络的新方法,具有程序简单、算法适应性和全局搜索能力较强等优点。本文研究了最大步长对RWCE算法优化性能的影响,提出了抛物线函数的最大步长递减调整策略来平衡RWCE算法的全局搜索与局部搜索能力。将引入策略的RWCE算法与基础算法比较,发现加入最大步长递减调整策略的RWCE算法与基础RWCE算法相比,在进化后期能够跳出局部极小值,具有更强的局部搜索能力。采用10SP2、9SP和15SP换热网络实例检验加入此策略RWCE算法的有效性,其中10SP2和9SP算例的优化结果均好于文献最好结果,相比算例原始文献下降了20.98%和1.11%。对15SP算例优化找到了新的换热网络匹配结构,并好于多数无分流换热网络优化结果,且低于文献结果 4.60%,证明了此方法在换热网络优化中具有较强的优化能力。

一种新的用于换热网络全局优化的强制进化随机游走算法

应用启发式方法在换热网络全局优化上的优点,提出了一种全新的强制进化随机游走算法(random walk algorithm with compulsive evolution,RWCE),算法以目标函数减小为强制方向,通过各换热单元面积的随机扩大或缩小,同时实现了整型变量(换热单元数)和连续变量(换热单元面积)的同步优化。另外,算法能够以一定的概率选择接受差解,使其具备极强的跳出局部最优解的能力和全局搜索能力。算例验证表明,RWCE算法相比于其他启发式方法具有程序简单、更易实现、算法适应性及全局搜索能力更强的优点,使优化质量得到进一步提升。

基于双层随机游走的关系推理算法

关系推理是知识库构建的关键技术之一,典型应用场景包括关系预测和实体链接等.关系推理研究的问题是如何利用知识库中已有的知识推理得到新的知识.当前主流知识库采用的推理模型包括潜在因子模型和随机游走模型.前者将实体和关系映射到一个低维实数向量空间,通过向量相似度计算实现推理.后者基于一阶谓词逻辑进行实体间的关系推理,通过随机算法降低算法复杂度.比较而言,前者由于需要进行大规模矩阵运算而计算复杂度较高,后者则因为采用了随机采样方法,难以完全利用知识库中已有的结构化信息,而导致召回率较低.通过研究现有随机游走模型基本假设存在的问题,提出了两项新的推理建模假设.首先,以PRA为代表的随机游走模型采用关系单向性假设,将知识库中的实体关系三元组视为一阶Horn子句,将关系处理为主语和宾语间的偏序关系,该文提出的假设是,尽管实体间的关系从字面和句法上具有方向性,但关系所包含的信息对两侧实体而言具有语义上的双向性,允许关系推理算法利用从宾语到主语的逆向关系语义进行知识推理;其次,PRA算法采用一阶谓词逻辑进行推理,并通过引入一个随机采样机制来避免穷举搜索和提高计算速度,该文认为这是导致PRA算法及类似算法无法完全利用知识库中已有信息的一个主要原因,据此提出了一个新的假设,即知识库中特定关系子网的拓扑结构所包含的信息可以被利用来改善随机游走模型的关系推理结果,为验证上述假设的有效性,提出了一种基于双层随机游走策略的关系推理新算法,在WN18、FB15K和FB40K等公开数据集上的实验结果表明,该算法能够有效地提高基于随机游走的关系推理模型的准确性和召回率,性能显著优于当前主流的基于潜在因子模型的关系推理算法.

基于覆盖随机游走算法的服务质量预测

随着互联网上Web服务的日益增多,面对大量功能相同的候选服务,用户希望能够选择质量最优的候选服务.然而,用户通常并不知道所有候选服务的服务质量(Quality of Service,QoS).因此,基于Web服务的历史记录预测QoS值得到了广泛关注.传统的基于协同过滤(CF)的预测方法可能会遭遇数据稀疏、用户信任等问题,导致该方法在预测精度方面表现一般.为解决上述问题,该文提出一种基于覆盖随机游走算法的服务质量预测方法.该方法首先基于用户服务历史QoS记录,使用改进的覆盖算法对用户进行聚类,选取与每个用户聚类次数的Top-k个用户为该用户的信任用户,连接所有用户与其信任用户构建用户信任网;其次,基于用户信任网提出一种随机游走预测方法,在随机游走的过程中,不仅考虑目标服务的QoS信息,同时考虑相似服务的QoS信息,以确保QoS预测的准确性;最后,每次随机游走获得一个QoS值,为使预测更加准确,作者进行多次随机游走,汇总所有QoS值进行预测.为验证文中方法的有效性,作者在真实的Web服务数据集进行了大量实验,其中包括来自339个用户的5825个真实世界Web服务的1 974 675个Web服务调用.实验结果表明文中方法在预测精度上明显优于现有方法,同时可以很好地解决推荐系统的数据稀疏和用户信任问题.

基于结构张量与随机游走的图像分割算法

将结构张量与随机游走算法相结合,提出一种新的图像分割策略.算法通过分析结构张量特性,提出尺度向量的概念来计算像素间的连接权值,然后应用随机游走算法实现分割.利用尺度向量得到的权值刻画了图像局部的结构信息,更有效地实现了图像分割.此外,还提出了一种自适应各向异性的滤波函数,用以代替高斯函数对结构张量进行平滑,使所得到的结构张量可以更好地保留图像的复杂结构信息.实验表明,所提算法具有更好的分割准确性和稳定性.

基于Tempered Lévy Flight随机游走模型的布谷鸟搜索算法

布谷鸟搜索算法是一种启发式算法,利用Lévy Flight能够快速寻找到全局最优解。通过研究复杂网络随机游走模型,并根据经典布谷鸟搜索算法,提出了一种新的改进的Tempered Lévy Flight搜索算法。通过几个经典函数测试表明,改进的算法提高了其搜索精度,加快了搜索算法的收敛速度。此外,改进的搜索算法还能够调整搜索范围,增加种群多样性,增强自适应效果,提高算法的整体性能。

基于随机游走的多目标A~*算法的改进

针对基于降维技术改进的多目标A~*(NAMOA*dr)算法中存在的高原搜索现象,结合蒙特卡罗随机游走策略提出了一种基于随机游走的多目标A~*(RWNAMOA~*dr)算法,其基本思想是当NAMOA~*dr算法陷入高原搜索时,利用随机游走策略及时找到一个出口(具有被上次扩展标签的启发值非支配的启发值的标签)逃离该高原搜索。针对NAMOA~*dr算法何时陷入高原搜索的问题,提出了一种检测高原搜索的方法,即当连续扩展m次标签的启发值都被上一次扩展的标签的启发值支配时则认为NAMOA~*dr算法陷入了高原搜索。使用多目标搜索算法的标准测试平台——随机网格进行了实验。实验结果表明RWNAMOA~*dr算法比NAMOA~*dr算法的运行时间平均减少了50.69%,占用的空间平均减少了约10%,能够为现实生活中加速多目标路径搜索提供理论支撑。

基于随机游走的改进标签传播算法

社区发现是挖掘社交网络隐藏信息的一个有用的工具,而标签传播算法(LPA)是社区发现算法中的一种常见算法,不需要任何的先验知识,且运行速度快。针对标签传播算法有很强的随机性而导致的社区发现算法结果不稳定的问题,提出了一种基于随机游走的改进标签传播算法(LPARW)。首先,根据在网络上进行随机游走确定了节点重要性的排序,从而得到节点的更新顺序;然后,遍历节点的更新序列,对每个节点将其与排序在其之前的节点进行相似性计算,若该节点与排序在其之前的节点是邻居节点且它们之间的相似性大于阈值,则将排序在其之前的节点选为种子节点;最后,将种子节点的标签传播给其余的节点,得到社区的最终划分结果。将所提算法与一些经典的标签传播算法在4个有标签的网络和5个无标签的真实网络上进行比较分析,实验结果表明所提算法在标准互信息(NMI)、调整兰德系数(ARI)和模块度等经典的评价指标上的性能均优于其余对比算法,可见该算法具有很好的社区划分效果。

基于自动随机游走的DSA图像分割算法

数字减影血管造影技术（DSA）是血管影像检查的金标准,对DSA图像进行血管分割可有效辅助医生对动脉粥样硬化的诊断。针对传统随机游走算法的不足,本文提出了一种基于自动随机游走的DSA图像血管分割算法。首先,采用一种新的自适应阈值分割法进行预分割,其次,通过结合数学形态学为随机游走算法提供种子点,实现自动化分割。本文选取7名病人的临床DSA图像进行实验,实验结果表明,本文方法克服了传统随机游走需人工设置种子点的局限性,与其他算法相比具有良好的精度与鲁棒性。可为临床医生提供更加丰富的血管结构信息,辅助诊断。

基于随机游走的时间加权社会网络链接预测算法

在微博中,链接预测可以用来进行用户的好友推荐。在好友推荐过程中,时间信息起着非常重要的作用,因为人们更愿意结交那些当前和自己兴趣爱好相同的用户。将用户之间最近的发言所共同关注的话题作为边的权值,设计一种基于随机游走的时间加权社会网络链接预测算法。实验结果表明,利用用户最近发言信息的链接预测的准确性优于过时的发言信息的链接预测,并且基于时间因素的好友推荐算法明显优于无时间的好友推荐算法。