复合覆盖粗糙集模型及其应用

针对覆盖粗糙集仅适用于单一数据类型的论域覆盖的问题,提出复合覆盖粗糙集模型。在研究邻域覆盖粗糙集、集值覆盖粗糙集、区间值覆盖粗糙集的基础上,在复合数据模型下,通过建立多种覆盖关系（邻域覆盖、集值覆盖、区间值覆盖等）,提出复合覆盖粗糙集模型,并给出复合覆盖粗糙集相关概念及性质。该模型适用于多种数据类型（符号数据、区间数据、集合数据、数值数据等）的论域覆盖问题,通过实例说明了该模型在复合信息系统中的应用,进一步加深对复合覆盖粗糙集相关概念的理解。     

基于局部区域动态覆盖的3D点云分类方法

局部几何形状的描述能力, 对不规则的点云形状表示是十分重要的. 然而, 现有的网络仍然很难有效地捕捉准确的局部形状信息. 在点云中模拟深度可分离卷积计算方式, 提出一种新型的动态覆盖卷积(dynamic cover convolution, DC-Conv), 以聚合局部特征. DC-Conv的核心是空间覆盖算子(space cover operator, SCOP), 该算子通过在局部区域中构建各向异性的空间几何体覆盖局部特征空间, 以加强局部特征的紧凑性. DC-Conv通过在局部邻域中动态组合多个SCOP, 实现局部形状的捕捉. 其中, SCOP的注意力系数通过数据驱动的方式由点位置自适应地学习得到. 在3D点云形状识别基准数据集ModelNet40, ModelNet10和ScanObjectNN上的实验结果表明, 该方法能有效提高3D点云形状识别的性能和对稀疏点云的鲁棒性. 最后, 也提供了充分的消融实验验证该方法的有效性. 开源代码发布在https://github.com/changshuowang/DC-CNN.     

变精度覆盖粗糙集

介绍了Ziarko变精度粗糙集模型和覆盖粗糙集模型;定义了多数包含关系;借助引入的误差参数β（0≤β<0.5）,给出了基于对象邻域的变精度覆盖粗糙集模型中β上近似、β下近似、β边界和β负域的定义以及β近似质量和β粗糙性测度定义;详细讨论了β上、下近似算子的性质、集合的相对可辨别性、该模型与Ziarko变精度粗糙集模型和覆盖粗糙集模型的关系;最后探讨了变精度覆盖粗糙集模型中的约简问题并在所给模型的基础上举例说明了它们在信息处理中的应用。     

面向信息物理系统的覆盖网构造方法

信息物理系统的网络拓扑结构复杂,会极大影响系统中实时协同的通信效率.传统的路由算法已经无法满足日益增长的智能通信网络,为降低信息物理系统的网络延时,提出了基于改进变邻域搜索算法的信息物理系统覆盖网构造方法.首先针对信息物理系统覆盖网络节点选择方法,改进了变邻域搜索算法的领域结构和抖动方式.然后利用目标函数进一步优化覆盖...     

最大弧覆盖问题的一种邻域搜索算法

研究应急救援中心的选址问题,通过合理设置各中心的位置,使相应的专业应急小组及时到达事故点进行应急救援,最大限度地减少事故损失.上述问题可描述为网络的最大弧覆盖问题.针对建立最大弧覆盖的数学模型,提出了一种邻域搜索算法:首先将最大弧覆盖问题近似看作p-median问题,利用顶点替代算法给出初始解,再通过邻域搜索,对初始解进行改进.通过实例仿真表明,邻域搜索算法收敛速度快,求解精度接近最优解.     

多舱共配绿色车辆路径问题的改进变邻域搜索算法

针对社区团购前置仓配送场景中“多中心、高时效、多品类、高排放”难题, 本文提出多车场带时间窗的绿色多舱车车辆路径问题(MDMCG-VRPTW), 构建混合整数线性规划模型, 并设计改进的变邻域搜索算法(IVNS)实现求解. 采用两阶段混合算法构造高质量初始解. 提出均衡抖动策略以充分探索解空间, 引入粒度机制以提升局部搜索阶段的寻优效率. 标准算例测试结果验证了两阶段初始解构造算法和IVNS算法的有效性. 仿真实验结果表明,模型与算法能够有效求解MDMCGVRPTW, 且改进策略提高了算法的求解效率和全局搜索能力. 最后, 基于对配送策略和时效性的敏感性分析, 为相关配送企业降本增效提供更多决策依据.     

利用邻域粗糙模型的差分演化特征选择方法

利用一种具有混合编码的二进制差分演化算法进行特征选择,并针对传统评价函数对样本邻域局部信息利用不足的问题,引入邻域粗糙集模型,省去了对数值型数据的离散化过程,同时分析了依赖度度量和邻域识别率度量可能存在的问题,综合两者提出加权邻域识别率,对特征子集适应度进行更好的评价.通过UCI数据进行实验,结果表明该方法能有效进行特征选择.     

基于邻域搜索的改进最大最小蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题.上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新.提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率.在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度.仿真结果表明,改进算法具有较高的求解精度和收敛速度.     

基于自适应邻域选择的正交局部敏感判别分析

维数灾难是机器学习算法在高维数据上学习经常遇到的难题,基于局部敏感判别分析(locality sensitive discriminant analysis,LSDA),可以很好地解决维数灾难问题.且LSDA构建邻域时不能充分反映流形学习对邻域要求和克服测度扭曲问题,利用自适应邻域选择方法来度量邻域,同时,引入施密特正交化获得正交投影矩阵,提出一种自适应邻域选择的正交局部敏感判别分析算法.在ORL和YALE人脸数据库上进行实验,实验结果表明了该算法的有效性.     

邻域系统粗糙集和覆盖粗糙集

邻域系统粗糙集和覆盖粗糙集是经典粗糙集的两种重要扩展。通过分别比较各模型中下(上)近似集之间的包含关系和近似精度之间的大小关系,深入探讨邻域系统粗糙集和6种覆盖粗糙集模型之间的关系,得出了邻域系统粗糙集和6种覆盖粗糙集模型的下(或上)近似集之间的关系是明确的,其要么是可以比较的,要么是不可以比较的,证明了可比较的具有包含甚至等价关系,不可比较的通过反例进行了佐证。对不同扩展粗糙集的对比研究加深了对这些模型的理解,同时也为宏观上学习和认识粗糙集提供了帮助。     

面向柔性作业车间调度问题的改进变邻域搜索算法

针对柔性作业车间调度问题的特点,提出一种求解该问题的改进变邻域搜索算法。结合问题特点设计合理的编码方式,采用遗传算法进行最优解搜索,将搜索的结果作为变邻域搜索算法的初始解,以提高初始解的质量。为提高局部搜索能力,设计3种不同的邻域结构,构建邻域结构集以产生邻域解,保证邻域解的搜索过程中解的可行性以提高求解效率。针对一系列典型的柔性作业车间调度问题的实例,运用所设计的改进变邻域搜索算法进行测试求解,并将计算结果与文献中其他算法的测试结果进行比较,验证了所提出方法求解柔性作业车间调度问题的可行性和有效性。     

邻域粗糙协同分类模型

Pawlak粗糙集理论是一种有监督学习模型,只适合处理离散型数据.但在一些现实问题中存在着大量的连续型数据,并且有标记数据很有限,更多的是无标记数据.结合邻域粗糙集和协同学习理论,提出了适合处理连续型数据并可有效利用无标记数据提升分类性能的邻域粗糙协同分类模型.该模型首先构建了邻域粗糙半监督约简算法,并利用该算法提取两个差异性较大的约简构造基分类器,然后迭代地在无标记数据上交互协同学习.UCI数据集实验对比分析表明,与其他同类模型相比,该模型有较好的性能.     

基于变邻域模拟退火算法的多自动导引车任务分配优化

针对多自动导引车（AGV）仓储系统任务分配问题,提出了变邻域模拟退火（VN_SA）算法。首先,根据系统作业流程及AGV运行特征,以AGV执行任务的路径代价、时间代价以及任务均衡值代价为目标,并在约束中加入AGV空载行驶和负载行驶的耗电情况,构建更贴合实际的多AGV仓储系统任务分配多目标优化模型;其次,针对问题特点,设计了一种变邻域模拟退火算法。算法中的邻域扰动操作拓展了模拟退火算法的搜索范围,且概率突变特性的结合使算法跳出局部最优,并获得全局开发的效果。分别设置任务量为20、50、100的作业进行仿真实验,实验结果表明,所提算法优化后的总代价相较于遗传算法（GA）分别降低了6.4、7.5、13.2个百分点,验证了所提算法在不同任务规模下的有效性。可见所提算法具有更好的收敛性和搜索效率。     

车辆数限制的多车型校车路径问题模型及算法研究

为适应校车路径规划中校车有多种车型且每种车型数量受限的需求,建立车辆数限制的多车型校车路径问题(HFSBRP)的数学模型,并提出一种迭代局部搜索算法进行求解。该算法借助邻域随机选择的变邻域下降搜索(VND)算法完成局部提升。局部提升过程中,首先调整车型,然后再混合使用缩减路径数和提高车辆利用率的邻域解接受策略以提高算法的寻优能力,为保证解的多样性,允许接受一定偏差范围内的邻域解。此外,为避免算法过早陷入局部最优,设计了多点交换和移动的扰动规则。基于国际基准测试案例进行模型验证和算法测试,实验结果表明了模型的正确性和算法的有效性。     

多粒度邻域粗糙直觉模糊集模型*

针对名义型属性和数值型属性并存的混合型数据,结合多粒度邻域粗糙集和直觉模糊集,分别定义模糊覆盖粗糙隶属度和非隶属度.基于不同的属性集序列和不同的邻域半径,构建多粒度邻域粗糙直觉模糊集模型,证明模型相关性质.然后提出乐观和悲观多粒度邻域粗糙直觉模糊集的近似集,并讨论模型性质.最后使用文中模型计算实例,说明其能较好地解决名义型属性和数值型属性的混合型数据的处理问题.     

无线多媒体传感器网络混合虚拟势场覆盖研究

主要研究无线多媒体传感器网络的模型优化和区域覆盖增强问题.首先从多媒体传感器节点具有方向性的感知特性出发,针对视频可接受清晰度问题,设计了一种改进的扇环感知模型,并以此为基础对无线多媒体传感器网络(WMSN)中区域覆盖增强问题进行研究.其次,采用混合虚拟势场对WMSN 的区域覆盖进行增强,质心在虚拟势场产生的引力和斥力作用下运动.算法针对传统虚拟势场可能出现因局部极小而导致覆盖优化效果降低的问题改进了斥力函数,引入邻居节点共同覆盖率辅助节点感知方向的调整.并在传感器节点迭代完成后引入边界斥力,以进一步优化边界节点的利用率.最后通过一系列的模拟仿真实验和效率对比表明了算法的有效性.     

邻域决策错误率的局部约简方法研究

传统基于邻域决策错误率的属性约简准则是针对总体分类精度的提升而设计的,未能展现因约简而引起的各类别精度变化情况。针对这一问题,引入局部邻域决策错误率以及局部属性约简的概念,其目的是提升单个类别的分类精度。在此基础上,进一步给出了求解局部邻域决策错误率约简的启发式算法。在8个UCI数据集上的实验结果表明,局部约简不仅是提高各个类别精度的有效技术手段,而且也解决了因全局约简所引起的局部分类精度下降问题。     

混合变邻域和声搜索的独立任务调度问题研究

结合和声搜索和变邻域搜索算法的特点,提出混合的和声变邻域搜索算法,并将混合算法用于解决多处理机独立任务调度问题.混合算法采用列表调度方法对和声解进行编码,把和声分量转换为基于优先级的独立任务调度模型,利用变邻域搜索算法对和声解进行局部搜索以提高和声算法的搜索效率和解质量,利用模拟退火算法中的Metropolis准则作为新解接受准则,防止算法陷入局部极值.仿真实验对比结果表明,混合算法在解决独立任务的多处理机调度中具有更强的全局搜索能力和更快的收敛速度,并且能够跳出局部极小获得更高质量的解.     

点云模型基于几何特征增强与保特征曲面拟合的法向估计方法EI北大核心CSCD

现有法向估计中,尤其是模型中存在较大噪声的情况下,目标点邻域的选择是一个关键且困难的问题.针对点云模型,为了提高法向估计准确度,提出一种自适应选择邻域且保特征、抗噪声的法向估计方法.首先,提出双边非局部特征增强模块,根据网络前置学习特征以及邻域点几何特性对点邻域进行加权选择,并据此对局部特征进行增强,以提升网络对模型局部几何特征学习的能力;然后,采用局部特征与全局特征相结合的形式刻画点云完备的几何特征,并以此为基础进行局部曲面拟合及法向估计;最后,在局部曲面拟合中提出邻域保特征损失,依据邻域点受噪声干扰度对邻域点的拟合权重进行调整,实现保细节特征的局部曲面拟合,提高对噪声的鲁棒性.实验使用PCPNET数据集进行模型训练和测试,大量定性与定量的实验结果表明,与相关方法相比,所提方法对于不同噪声级别以及不同密度分布等复杂情形都可取得更加准确的法向估计结果,并更好地推动曲面重建等点云处理应用.     

基于交叉熵的改进NPE间歇过程故障检测算法

针对具有复杂动态特性的间歇过程进行故障检测,邻域保持嵌入(neighborhood preserving embedding,NPE)算法在保持数据局部几何结构时因忽略全局信息而造成检测率较低的问题,提出一种基于交叉熵(cross entropy,CE)的邻域保持嵌入(CEGLNPE)算法.首先,将交叉熵保持全局结构的思想引入NPE的局部结构保持中,得到兼顾全局-局部的目标函数;然后,利用滑动窗进一步解决间歇过程动态性问题并建立全局-局部的故障检测模型,可以同时兼顾全局和局部数据的结构保持,以提高故障检测效率和精度;最后,通过监测SPE、T²统计量判断是否发生故障.利用人工数据集Swiss-Roll和青霉素发酵仿真过程与KPCA、NPE算法进行对比验证,所得结果表明了所提出算法在故障检测中的有效性.