遗传算法调整蚁群算法参数模型研究

由于蚁群算法参数取值范围的不确定性和参数之间的相互影响性,如何确定待解决问题蚁群算法的最优组合参数使得其求解性能最优成为一个难题,至今对该问题还没有完善的理论依据,大多数情况下是通过反复试验试凑得到。根据这些问题,通过平衡蚁群算法探索和开发能力,建立算法性能评价目标函数,采用遗传算法对蚁群参数进行求解,从而得到一组性能较佳的组合参数。基于经典TSP问题进行试验模拟,仿真实验结果表明,该模型能够有效地确定蚁群算法参数,为蚁群算法组合参数的选择提供了一种可行方案。     

基于MapReduce改进蚁群算法的Web服务组合优化

对于Web服务组合优化的问题,蚁群算法的求解主要是串行进行,收敛时间长,容易收敛于非最优解。在云计算环境中,将蚁群算法并行化,可对Web服务组合优化问题进行分布式并行求解。根据多目标优化模型给出基于多信息素的蚁群算法,使用MapReduce并行编程框架对蚁群算法中最耗时的部分——蚂蚁独立求解的过程并行化,给出了使用MapReduce改进的基于多信息素的蚁群优化算法,有效地对Web服务组合进行全局优化,弥补传统的蚁群算法求解过程的缺点。     

蚁群算法在自动组卷建模中的应用研究

在自动组卷优化控制的研究中,自动组卷是一个多约束条件下的多目标参数优化问题,各个目标之间互相牵制,采用传统算法求解相当的困难,导致组卷效率和成功率都比较低.结合自动组卷的多目标组合优化特点,提出一种蚁群算法的自动组卷模型.模型首先根据试卷要求建立试卷质量评价体系,然后根据题型、总分、考试时间等要求建立多约束条件、多目标的数学模型,然后用蚁群算法对数学模型进行求解,输出最优组卷方案.仿真结果表明,蚁群算法充分利用了蚁群算法群体智能特点,提高了组卷效率和成功率,很好满足自动组卷的效能要求.     

基于改进蚁群算法的维修拆卸序列规划

维修拆卸序列规划是整个维修性设计的重要内容。为了能够以较高的效率求解出产品中零件的拆卸方案,依据产品的基本信息和零件之间的约束关系,建立拆卸Petri网可达图,将拆卸序列规划问题转化为对Petri网可达图最优路径的搜索和寻优问题。同时利用蚁群优化算法对组合优化具有高强适应性的特征,改进基本蚁群算法,对可达图模型进行路径寻优,得到最优或次优的拆卸序列。最后通过实例验证了该方法的有效性。     

改进蚁群算法的TSP问题研究

蚁群算法是受蚂蚁觅食行为启发的智能仿生优化算法,在求解TSP这一组合优化问题时行之有效。笔者针对基本蚁群算法求解TSP时存在易于陷入局部最优解、过早停滞的缺陷,结合引入参数、分阶段迭代对基本蚁群算法做出改进,并将改进的蚁群算法与基本蚁群算法解决旅行商问题的实验结果进行对比分析,验证改进蚁群算法的效果。     

基于改进蚁群算法求解迷宫最优路径

蚁群算法是一种基于群体智能原理的优化模型,用于解决组合优化问题。该文在蚁群算法的选择策略方面进行改进,提出了基于改进蚁群算法求解迷宫最优路径的算法。     

基于正交实验的蚁群算法在车间调度问题中的应用

提出用正交实验的方法来设置蚁群算法在求解车间调度问题的参数。蚁群算法在求解车间调度问题时的性能大部分依赖于参数的设置,各参数的值不同,则蚁群算法的收敛速度和得到的解也不同,使用正交实验的方法来测试各个参数对蚁群算法性能的影响,通过对实验结果的分析可得出参数的最佳组合方案。用经典的JSP的样例对这种组合方案进行了测试,实验结果表明用正交实验法得到的蚁群算法的参数设置方案可以加快算法的收敛速度,使算法能够得到问题的最优解或近似最优解。     

基于差分演化的自适应参数控制蚁群算法

蚁群算法存在对参数的依赖、早熟和停滞等缺点但具有与其他算法容易结合的特点,据此,将差分演化算法应用到蚁群算法的参数选取中,提出一种改进的蚁群算法。将蚁群算法的参数作为差分演化算法解空间的向量元素,在自适应地寻找蚁群算法最优参数组合的同时求解问题的最优解。改进算法对蚁群算法中的参数进行自适应调整,可避免大量盲目的测试,扩大蚁群算法的搜索空间,提高全局搜索能力。在典型的旅行商问题上进行对比实验,结果验证了改进算法的优化性能高于传统的蚁群算法。     

基于DNA-蚁群算法的车辆路径优化问题求解

蚁群算法在解决车辆路径问题(VRP)时存在过早收敛于局部最优解、收敛速度慢等问题,并且由于蚁群算法的参数选择没有严格规定,如果参数选择不当,将影响其寻找最优解的效率。为解决上述问题,将DNA算法中的交叉变异思想应用于基本蚁群算法中,提出一种新的DNA-蚁群算法,将基本蚁群算法中的参数进行DNA交叉变异,有效控制蚁群算法的参数选择,从而得到一组最优参数来求解VRP模型。实验结果表明,DNA-蚁群算法能有效解决车辆路径优化问题,更快寻找到全局最优解或较优解,提高了基本蚁群算法的寻优能力和效率。     

基于均匀设计和混沌理论的蚁群算法参数调整

蚁群算法中参数选择不当会直接影响算法的全局收敛性和求解效率。为此,分析各参数对算法性能的影响,提出确定蚁群算法参数最优组合的两阶段法,在离线调整阶段将蚁群算法基本模型的参数设定问题描述成多因素多水平的均匀设计,然后在在线调整阶段引入混沌扰动以避免搜索过程陷入局部极值。实验结果表明,两阶段法发现最优解的能力明显优于在线调整前的蚁群算法。     

语音合成中的韵律关联模型

基于大规模语音数据库的文语转换系统(Text-to-Speech , TTS)中,如何选取合适的语音基元是提高合成语音自然度的重要因素。本文研究了连续语流中的韵律关联现象,提出了包含韵律关联参数的汉语韵律特征参数集,基于数据挖掘中的关联规则模型(Association Rules Model)建立韵律关联模型,并将该模型应用于基元选取。实验表明,该方法有效地利用了语音基元的韵律及关联信息,符合人耳的知觉感受,使得合成语音自然度的主观评测MOS(Mean Opinion Score)得分与不考虑韵律关联时的结果相比提高了12.22%(3.49/3.11)。     

基于混合CatfishPSO-LSSVM 特征选择的入侵检测

入侵检测系统面临的主要问题是计算量大,特征选择被引入解决这一问题。针对现有方法的缺点,利用改进的粒子群算法来搜索最优特征子集,提出了一种基于混合CatfishPSO和最小二乘支持向量机的特征选择方法,利用混合的CatfishBPSO和CatfishPSO选择特征子集并同步对LSSVM的参数进行优化,最后建立了一个基于该特征选择方法的入侵检测模型。在KDD Cup 99数据集上进行的实验结果表明该模型的检测性能较高。     

Realistic Visual Speech Synthesis Based on Hybrid Concatenation Method

This paper presents a realistic visual speech synthesis based on the hybrid concatenation method. Unlike previous methods based on phoneme level unit selection or hidden Markov model (HMM), etc., the hybrid concatenation method uses a frame level-based unit selection method combined with a fused HMM, and is able to generate more expressive and stable facial animations. The fused HMM can be used to explicitly model the loose synchronization of tightly coupled streams, with much better results than a normal HMM for audiovisual mapping. After fused HMM is created, facial animation is generated via the unit selection method at the frame level by using the fused HMM output probabilities. To accelerate the computing efficiency of the unit selection on a large corpus, this paper also proposes a two-layer Viterbi search method in which only the subsets that have been selected in the first layer are further checked in the second layer. Using this idea, the system has been successfully integrated into real-time applications. Furthermore, the paper also proposes a mapping method to generate emotional facial expressions from neutral facial expressions based on Gaussian mixture models (GMMs). Final experiments prove that the method described can output synthesized facial parameters with high quality. Compared with other audiovisual mapping methods, our method has better performance with respect to expressiveness, stability, and system running speed.      

基于核相似性差异最大化的支持向量机参数选择算法

针对支持向量机(SVM)参数选择问题,通过分析SVM近似网络模型及分类原理,提出一种基于核相似性差异最大化的高斯核参数快速选择算法(MSD)。同时,将MSD算法与基于交叉验证的参数搜索算法相结合,构成一种复合SVM参数选择算法(MSD-GS),实现核参数与正则化参数的快速优选。UCI数据的仿真实验表明该算法具有参数选择准确、简便快速、无需数据先验知识等优点,参数选择效果甚至优于遍历式指数网格搜索算法。优选出的参数组合能够使SVM具有较高的泛化性能。     

Online model selection approach based on Unscented Kalman Filtering

Highly predictive mathematical models are of inestimable value in systems biology. Their application ranges from investigations of basic processes in living organisms up to model based drug design in the field of pharmacology. For the development of reliable models suitable model candidates and related model parameters have to be identified by minimising the difference between the model outcome and available measurement data. Due to the complexity of the analysed processes mathematical models capture only the essential features of interest. This approximate representation, which is usually combined with a vague knowledge of basic processes, leads in many cases to a variety of potential model candidates describing the real process almost equally well. To determine the most plausible model candidate is the objective of model selection or model discrimination methods. If under given operation conditions no sufficient discrimination can be achieved, Optimal Experimental Designs (OED) comes into play. OED searches for operation conditions which facilitate the overall selection process. In this work an online model selection framework is presented. Here, the Unscented Kalman Filter (UKF) provides statistical information which is used to assign probability values to every model candidate. These probability values are immediately updated as soon as new measurement data become available. In addition, during the experimental run the process is steered in a fashion which maximises the differences in these candidates. To overcome limitations caused by parameter uncertainties the most sensitive model parameters are simultaneously estimated in the course of the model selection framework. The combined application of the online framework and the joint estimation of sensitive model parameters provides a very efficient usage of measurement data reducing the overall number of experiments. The method is demonstrated for a well known motif in signalling pathways, the mitogen-activated protein (MAP) kinase.     

结合SVM和Gabor参数优化的车辆检测

提出了一种基于小生境遗传算法的SVM和Gabor参数优化的车辆检测方法。充分考虑SVM的模型选择和前期的特征提取有着紧密联系的特点,将SVM的参数和Gabor的参数优化有效结合,利用分类精度、惩罚因子以及支持向量个数构造适应度函数,运用小生境遗传算法训练SVM模型,可有效提高SVM的分类精度,减少特征量的个数,降低时间复杂度。实验结果表明,车辆检测平均实验精度可达到98.675%,仅需30个特征量,基本可以满足实时性的要求。     

Robust model selection using fast and robust bootstrap

Robust model selection procedures control the undue influence that outliers can have on the selection criteria by using both robust point estimators and a bounded loss function when measuring either the goodness-of-fit or the expected prediction error of each model. Furthermore, to avoid favoring over-fitting models, these two measures can be combined with a penalty term for the size of the model. The expected prediction error conditional on the observed data may be estimated using the bootstrap. However, bootstrapping robust estimators becomes extremely time consuming on moderate to high dimensional data sets. It is shown that the expected prediction error can be estimated using a very fast and robust bootstrap method, and that this approach yields a consistent model selection method that is computationally feasible even for a relatively large number of covariates. Moreover, as opposed to other bootstrap methods, this proposal avoids the numerical problems associated with the small bootstrap samples required to obtain consistent model selection criteria. The finite-sample performance of the fast and robust bootstrap model selection method is investigated through a simulation study while its feasibility and good performance on moderately large regression models are illustrated on several real data examples.     

基于稀疏字典的听觉显著性计算

听觉注意显著性计算模型是研究听觉注意模型的基本问题,显著性计算中选择合适的特征是关键,本文从特征选择的角度提出了一种基于稀疏字典学习的听觉显著性计算模型.该模型首先通过K-SVD字典学习算法学习各种声学信号的特征,然后对字典集进行归类整合,以选取的特征字典为基础,采用OMP算法对信号进行稀疏表示,并直接将稀疏系数按帧合并得到声学信号的听觉显著图.仿真结果表明该听觉显著性计算模型在特征选择上更符合声学信号的自然属性,基于基础特征字典的显著图可以突出噪声中具有结构特征的声信号,基于特定信号特征字典的显著图可以实现对特定声信号的选择性关注.     

自然进化策略的特征选择算法研究

特征选择是一种NP-难问题,旨在剔除数据集中不相关及冗余的特征来减少模型训练的时间,提高模型的精确度.因此,特征选择在机器学习、数据挖掘和模式识别等领域中是一种重要的数据预处理手段.提出一种新的基于自然进化策略的特征选择算法——MCC-NES.首先,算法采用了基于对角协方差矩阵建模并通过梯度信息自适应调整参数的自然进化策略;其次,为了使算法有效地处理特征选择问题,在初始化阶段引入了一种特征编码方式;之后,结合分类准确率和维度缩减给出了算法的适应度函数;此外,面对高维数据引入了合作协同进化的思想,将原问题分解为相对较小的子问题并分别对每个子问题独立求解,然后,通过所有子问题相互联系来优化原问题的解决方案;进一步引入分布式种群进化的概念,实现多个种群竞争进化来增加算法的探索能力,并设计了种群重启策略以防止种群陷入局部最优解.最后将提出的算法与几种传统的特征选择算法在一些UCI公共数据集上进行对比实验,实验结果显示：所提出的算法可以有效地完成特征选择问题,并且与经典特征选择算法相比有一定的竞争力,尤其是在处理高维数据时有着出色的表现.     

改进的云粒子群优化算法及其断路器优化应用

针对断路器的能耗优化设计中复杂的多维参数设定常采用经验选取的方式,易导致断路器自身能耗过大。为此,提出一种结合鲶鱼效应与云模型的改进粒子群优化算法对其多维相关参数进行优化选取,先将传统的粒子群优化算法与云模型相结合,对多维寻优粒子加以分类,控制不同粒子群在不同搜索状态下快速寻优;再引入鲶鱼效应扰动机制增加寻优粒子多样性,提高寻优精度;最后采用该改进算法对断路器能耗模型优化仿真以及断路器参数设定。结果表明,提出的改进方法可以实现断路器低能耗设计要求,并能有效提高其设计效率。