基因学习算法及其在图论中的应用

在ＰＢＩＬ算法及自私基因算法的基础上,提出了一个适应性更广、搜索能力更强的优化搜索算法。该算法从各基因位的初始等位基因概率出发,通过一系列概率采样、选择与搜索、概率修正等操作,使搜索空间逐步收敛于最优点。该算法既吸取了遗传算法的群体搜索的特点,又吸收了局部搜索算法的局部搜索能力强的优点。最后介绍了该算法在图论中的几个应用实例。     

基于节点排序的贝叶斯网络结构学习算法

针对K2算法学习贝叶斯网络结构时需要确定节点顺序的问题,提出一种混合贝叶斯网络结构学习算法。在给定数据集的情况下,利用MMPC算法获得网络的初始结构图,应用广度优先搜索的方式对此初始结构图进行搜索,从该图中入度为0的节点出发,按层次依次访问图中的邻接点,获得优化的节点顺序。将该节点顺序作为K2算法的初始节点顺序,再利用K2算法对空间进行搜索,找到全局最优解。实验结果表明,与K2算法和限制性粒子群算法相比,该算法在相同的样本数据集下产生多边、少边和反边情况的概率更低,并且可学习到更准确的贝叶斯网络结构,收敛速度快、求解精度高。     

背包问题的基因学习优化算法

背包问题是典型的NP完全问题，针对背包问题，给出一种新的基于基因学习思想的求解算法。基因学习算法是在PBIL算法与自私基因算法基础上提出的一种适应性和搜索能力更强的优化算法。试验取得较好的效果，表明该算法加快收敛速度和提高全局寻优能力。     

多学习教与学优化算法

针对教与学优化算法(TLBO)局部开发能力差,易陷入局部最优的缺点,提出一种基于反向学习的多学习教与学优化算法(MTLBO)。通过反向学习技术拓展搜索空间,增加解的多样性,进一步增强算法的全局搜索能力。引入多学习机制,使其更有效地进行局部搜索,加快收敛速度。同时提出一种小概率变异策略,增加跳出局部最优的可能性。在基准测试函数上进行验证实验,结果表明,与TLBO算法、ITLBO算法以及其他优化算法相比,该算法在低维和高维函数上都取得了较好的优化效果。     

一种新的混合量子进化算法

量子进化算法(QEA)用于多峰函数优化时,容易陷入局部最优.本文提出一种新的混合量子进化算法,通过双编码机制(经典二进制编码和量子概率编码),以及经典交叉和量子概率编码更新策略,实现了经典遗传算法与量子进化算法的有机结合,在发挥经典遗传算法全局优化能力的同时,利用量子概率搜索提高了算法的局部搜索能力.通过一组典型函数优化实验对该算法的性能进行了考察,并与QEA进行了比较.结果表明,本文算法在解的质量和收敛速度上都要优于QEA.     

基于GEP和Baum-Welch算法训练HMM模型的研究

传统的向前-向后算法或Baum-Welch算法训练HMM的转移概率aij和发射概率ai(Ot),使观察序列的O概率恰好达到最大值往往很难,虽然在理论上训练HMM的这两个网络结构是可能的,但仅能保证局部的最大值,而基于全局搜索的基因表达式编程(GEP)的一个主要的特点就是可以高效快速的发现全局最优解.把GEP引入到HMM的训练中去,提出一种改进的训练方法GBHA.实验结果表明,该算法比传统算法的系统效率更高、更稳定.     

基因学习算法及其在集合覆盖问题中的应用

在用传统方法解决一些复杂而规模较大的组合优化问题,尤其是NP难题,出现困难时,一些近似算法相继推出。启发式搜索法、模拟退火算法及进化算法等的出现,为解决这些优化问题提供了非常好的手段。近年来,出现了一种概率学习的进化计算模型,如Baluja的PBIL算法与Corno的自私基因算法。概率学习的进化计算模型通过不断地学习每一代的最优个体,最终收敛于最优或较优的解的等位基因概率,其过程描述如下:     

强社会认知能力的粒子群优化算法

针对粒子群优化算法的“早熟”问题,提出了强社会认知能力粒子群优化算法,该算法通过学习概率和选择概率确定粒子跟踪的局部极值。算法中学习概率的自适应调整有效权衡了粒子的个体认知能力和社会认知能力。通过经典函数的测试结果表明,新算法的全局搜索能力有了显著提高,并且能够有效避免早熟问题。     

概率图模型学习技术研究进展

概率图模型能有效处理不确定性推理,从样本数据中准确高效地学习概率图模型是其在实际应用中的关键问题.概率图模型的表示由参数和结构两部分组成,其学习算法也相应分为参数学习与结构学习.本文详细介绍了基于概率图模型网络的参数学习与结构学习算法,并根据数据集是否完备而分别讨论各种情况下的参数学习算法,还针对结构学习算法特点的不同把结构学习算法归纳为基于约束的学习、基于评分搜索的学习、混合学习、动态规划结构学习、模型平均结构学习和不完备数据集的结构学习.并总结了马尔科夫网络的参数学习与结构学习算法.最后指出了概率图模型学习的开放性问题以及进一步的研究方向.     

改进蚁群算法在迷宫路径寻优中的应用研究

针对机器人在障碍环境下寻找最优路径的问题,提出了一种动态环境下的机器人路径规划的仿生算法.该算法采用栅格法对场地建模,并模拟蚂蚁的觅食行为,由多只蚂蚁协作完成最优路径的搜索.搜索过程采用了概率搜索策略和自适应调整信息素的方法,使得搜索策略更有效.仿真实验结果表明,在场地复杂的情况下,该算法可以有效地规划出最优路径.     

一种新的DDoS攻击预警方法

DDoS攻击的研究是网络安全研究领域的一个研究热点。预测DDoS攻击发生的概率,对于早期防御和响应DDoS攻击具有重要意义。提出了一种基于概率有限状态自动机的DDoS攻击预警模型,给出了一种计算攻击成功概率和攻击期望威胁度的方法。实验表明,方法能有效地计算出DDoS攻击成功概率和期望威胁度,实现早期防御。     

一种新的基于UMVE和CA的恒虚警检测器

在雷达自动检测系统中,通常是将自动检测和恒虚警(CFAR)技术结合使用以保持在变化的杂波环境中获得可预测的检测性能和恒定虚警率.将无偏最小方差估计(UMVE)方法和单元平均(CA)方法结合,提出了一种新的恒虚警检测器(MUMCA-CFAR).采用UMVE和CA方法产生两个局部估计.再取二者的平均值作为背景噪声功率水平估计.在Swer-lingⅡ型目标假设下,推导出了MUMCA-CFAR在均匀背景下虚警概率和检测概率及多目标环境下检测概率的解析表达式.并与其它方法作了比较,结果表明该检测器在均匀背景和多目标环境下均具有相当优越的检测性能.     

基于位置服务信息的动态速率切换算法

提出了一种新的无线网络中的基于位置服务信息的动态速率切换算法,根据LBS信息和信号变化矢量判断即将来临的数据切换呼叫并为其预留信道,兼顾数据业务的VBR特性而自适应动态改变其服务带宽。仿真的结果表明,与其他切换算法相比,新算法的呼叫强拆率和呼叫阻塞率均有下降,信道利用率得到提高,提高了无线呼叫接入控制系统的QoS。     

计算机系统入侵检测的隐马尔可夫模型

入侵检测技术作为计算机安全技术的一个重要组成部分，现在受到越来越广泛的关注，首先建立了一个计算机系统运行状况的隐马尔可夫模型（HMM），然后在此模型的基础上提出了一个用于计算机系统实时异常检测的算法，以及该模型的训练算法。这个算法的优点是准确率高，算法简单，占用的存储空间很小，适合用于在计算机系统上进行实时检测。     

一种保证远近比例公平的连接接纳控制策略

提出一种远近比例公平的接纳控制机制NFPF,通过控制距离基站较远和较近两类用户的接入概率,保证了两类用户连接接入的比例公平性.对NFPF机制进行了建模和性能分析.最后提出改进的远近效用比例公平接入控制算法UNFPF,实现了用户连接的效用公平性,并给出了简化的UNFPF算法,以降低运算复杂度.仿真表明,NFPF(UNFPF)机制能有效保证用户间的接入公平性,灵活性高,能够实现系统效用与接入公平的较好折衷.     

Odometry-Based Viterbi Localization with Artificial Neural Networks and Laser Range Finders for Mobile Robots

This paper proposes an approach that solves the Robot Localization problem by using a conditional state-transition Hidden Markov Model (HMM). Through the use of Self Organized Maps (SOMs) a Tolerant Observation Model (TOM) is built, while odometer-dependent transition probabilities are used for building an Odometer-Dependent Motion Model (ODMM). By using the Viterbi Algorithm and establishing a trigger value when evaluating the state-transition updates, the presented approach can easily take care of Position Tracking (PT), Global Localization (GL) and Robot Kidnapping (RK) with an ease of implementation difficult to achieve in most of the state-of-the-art localization algorithms. Also, an optimization is presented to allow the algorithm to run in standard microprocessors in real time, without the need of huge probability gridmaps.     

利用目标函数梯度的遗传算法

多数遗传算法在搜索解时没有充分利用其问题域的知识.提出了一类新的改进的适应度函数的遗传算法.它考虑了函数在搜索点的函数值及其变化率,并将该信息加入适应度函数,使得按概率选择的染色体不但具有较小的函数值(对极小化问题而言),而且具有较大的函数值变化率.实验结果表明,这类方法的收敛速度明显高于标准遗传算法.     

基于先验概率的性能降级链路推断方法

研究基于布尔网络断层扫描技术辨识网络中性能出现严重降级的链路。将辨识问题归结为最大概率解释问题,提出一种利用链路状态先验概率分布的推断性能严重降级链路的方法。通过计算每种候选链路指派的后验概率,从中选取具有最大概率的指派作为推断结果。理论分析证明了该方法的可行性,仿真实验验证了该方法的有效性和准确性。     

Group topic modeling for academic knowledge discovery

Conference mining and expert finding are useful academic knowledge discovery problems from an academic recommendation point of view. Group level (GL) topic modeling can provide us with richer text semantics and relationships, which results in denser topics. And denser topics are more useful for academic discovery issues in contrast to Element level (EL) or Document level (DL) topic modeling, which produces sparser topics. Previous methods performed academic knowledge discovery by using network connectivity (only links not text of documents), keywords-based matching (no semantics) or by using semantics-based intrinsic structure of the words presented between documents (semantics at DL), while ignoring semantics-based intrinsic structure of the words and relationships between conferences (semantics at GL). In this paper, we consider semantics-based intrinsic structure of words and relationships presented in conferences (richer text semantics and relationships) by modeling from GL. We propose group topic modeling methods based on Latent Dirichlet Allocation (LDA). Detailed empirical evaluation shows that our proposed GL methods significantly outperformed DL methods for conference mining and expert finding problems.