数据仓库中物化视图选择的一种混合算法

物化视图是数据仓库中提高查询效率的有效方法,物化视图选择问题是数据仓库设计时期最重要的决定之一。通过研究和实验,提出了一种结合遗传算法和模拟退火算法的混合算法,用于解决物化视图的选择。理论分析和实验结果表明,该混合算法的搜索性能优于传统的遗传算法,能够提供更高质量的解。     

基于启发式遗传算法的航班勤务编排算法

分析了国内外机组排班流程与算法的特点、我国民航局及航空公司的相关规定,构建了航班勤务编排问题的数学模型,研究了基于启发式遗传算法的求解方法.以遗传算法为皋础,采用顺序编码描述该问题,设计了可修正冗余解的译码方法,以及基于航段的交叉算子与变异算子.为加快可行性解的求解速度,提出了启发式初始种群生成策略、缩小解空间的启发式算子与启发式变异策略.提高了遗传算法的性能,增强了算法的搜索能力,改善了勤务编排质量及优化效果.     

基于查询和相对收益的物化视图选择算法

为了改进数据仓库中物化视图选择策略,提出了基于查询和视图相对收益的动态选择算法BWCC.算法根据视图的尺寸,视图相对收益以及物化视图每项属性的权重构造初始选择集,并可以由用户设定初始视图权重.用户查询触发算法动态更新视图价值,对物化视图集按照视图相对收益大小排序并进行局部调整,到达全局更新周期时参考历史价值对物化视图集进行重新计算.实验结果表明,该算法相比于传统算法具有更高的查询命中率和适应性.     

NDSMMV——一种多维数据集物化视图动态选择新策略

物化视图的选择策略是数据仓库研究的重要问题之一.通过深入研究提出了一种多维数据集中物化视图动态选择的新策略--NDSMMV,包括候选视图生成算法CVGA、物化视图选择算法IGA、物化视图调整算法MAMV和物化视图动态调整算法DMAMV.CVGA基于多维数据格生成候选视图集,对候选视图数量进行压缩以减少后续算法的视图空间搜索代价和时间复杂度;IGA基于视图查询、视图维护和存储空间三元评价标准在候选视图集上进行物化视图的选择;MAMV基于物化视图选择过程已选视图的收益变化情况对物化视图进行进一步调整以提高查询的响应性能;DMAMV定时地判断查询视图类型分布是否变化来决定是否进行物化视图的动态调整,从而避免了物化视图集的"抖动".理论分析和实验结果表明该策略是有效可行的.     

基于时间段查询的物化视图策略

物化视图是减少数据仓库中查询响应时间的有效方法.现有的物化视图选择策略主要考虑物化视图的初始选择方法以及动态更新方法.针对某时间段内查询进行物化视图更新的情况考虑不足,在贪心算法以及动态更新算法的基础上,提出了基于时间段内查询的物化视图更新策略.基于时间段查询的物化视图更新策略可充分适应用户需求,提高查询效率.     

数据立方体选择的改进遗传算法

数据立方体选择问题是一个NP完全问题。研究了利用遗传算法来解决立方体选择问题,提出了一个结合局部搜索机制的遗传算法。这一算法的核心思想在于,首先运用一个基于单位空间最大收益值的预处理算法来生成初始解,然后该初始解经结合了局部搜索机制的遗传算法进行提高。实验结果表明,该算法在寻优性能上优于启发式算法和经典遗传算法。     

基于改进遗传算法的模糊控制器设计

针对模糊控制器的隶属度函数和模糊控制规则的选取及优化缺乏自学习能力与知识采集的手段,以及遗传算法具有自适应、启发式、概率性、迭代式全局收敛的特点,该文章将遗传算法与模糊控制相结合,给出了一种基于改进遗传算法的模糊控制器设计策略.改进算法引入了分裂算子来避免遗传算法在寻优过程中陷入局部最优解,同时对编码方式、选择算子、交叉算子以及变异算子做了相应的调整与改进.并将此改进算法用于优化模糊控制器的隶属度函数与模糊控制规则.仿真结果表明用该改进算法优化后的模糊控制器较用普通遗传算法优化后的模糊控制器具有更好的控制性能.     

基于多维护策略的物化视图选择方法

物化视图是数据仓库环境中提高OLAP查询效率的重要手段，因此，物化视图的选择是数据仓库设计中重要的决策之一。本文提出的物化视图选择方法目标是选择合适的视图进行物化，使得查询处理的总代价和物化视图的维护代价最低，提出了物化视图收益模型，并在此基础上基于视图的多维护策略提出了物化视图选择的方法：基于增量和重计算的物化视图选择算法IRMVS、基于增量策略的物化视图选择算法IMVS和基于重计算策略的物化视图选择算法RMVs和基于增量策略的物化后代视图选择算法IMDVS，理论分析和实验表明这些算法是有效可行的。     

一种进化类混合算法的研究

针对现有的单一算法在解决数值优化问题中存在的问题,提出了一种基于进化计算的混合算法.该算法在原有遗传算法的基础上对交叉算子进行改进,同时将模拟退火算法与变异算子进行结合形成一种模拟变异算子;为提高算法的求解精度和收敛速度,在算法中引入了进化策略的自适应搜索特性; (μ,λ)选择算子的应用增加了跳出局部最优解的几率,精英保留策略的选用能够保障算法收敛于全局最优解.用两个典型的测试函数对该算法进行测试,测试结果表明算法能够跳出局部最优解的陷阱,快速高效,高精度地收敛于全局最优解.     

蚁群算法在物化视图选择问题中的应用

提出用蚁群算法来解决物理空间约束下的物化视图选择问题，算法中应用信息素的局部和全局更新，并对每次迭代的最优解进行局部搜索，最终得出合理的解决方案。实验结果表明，应用蚁群算法可以有效地解决物化视图选择问题，并且其求解性能优于遗传算法。     

基于混沌遗传算法的SVM特征和参数优化

为解决支持向量机(SVM)分类器的样本特征选择和参数优化问题,提出一种将特征选择和参数选择进行联合优化的方法。基于变尺度的混沌遗传算法,联合优化染色体编、译码,利用混沌的遍历性产生初始种群,改进遗传算法中的交叉算子,动态缩减寻优区间。将该方法应用于短波通信控制器的诊断分类器中,以实现分类器特征子集选取和参数的联合优化,结果表明该方法具有较强的寻优能力。     

广义粒子群优化模型

粒子群优化算法提出至今一直未能有效解决的离散及组合优化问题．针对这个问题,文中首先回顾了粒子群优化算法在整数规划问题的应用以及该算法的二进制离散优化模型,并分析了其缺陷．然后,基于传统算法的速度一位移更新操作,在分析粒子群优化机理的基础上提出了广义粒子群优化模型（GPSO）,使其适用于解决离散及组合优化问题．GPSO模型本质仍然符合粒子群优化机理,但是其粒子更新策略既可根据优化问题的特点设计,也可实现与已有方法的融合．该文以旅行商问题（TSP）为例,针对遗传算法（GA）解决该问题的成功经验,使用遗传操作作为GPSO模型中的更新算子,进一步提出基于遗传操作的粒子群优化模型,并以Inverover算子作为模型中具体的遗传操作设计了基于GPSO模型的TSP算法．与采用相同遗传操作的GA比较,基于GPSO模型的算法解的质量与收敛稳定性提高,同时计算费用显著降低．     

一种新的约束优化遗传算法及其工程应用

提出一种新的用于求解约束优化问题的遗传算法,该算法利用佳点集方法初始化个体以维持种群的多样性.在进化过程中,通过可行解与不可行解算术交叉对问题的决策空间进行搜索;对可行种群与不可行种群分别采用高斯变异和柯西变异,从而协调算法的勘探和开采能力.几个标准测试问题的实验结果表明该算法的有效性;应用新算法求解两个工程优化设计问题,结果表明该算法的可行性.     

基于免疫算法的TDOA定位技术研究

为了解决TDOA定位估计中遇到的非线性最优化问题，提出了一种联合使用Chan算法和免疫算法的混合定位算法．针对TDOA方式进行最佳坐标搜索的问题，所设计的基于浮点数编码的免疫算法利用混沌方程产生初始种群、改进了免疫算子，提高了算法的收敛速度和性能．仿真结果表明，在保证种群数量的情况下，该算法性能稳定，能找到逼近全局最优点的解，相对于Chan算法精度更高，相对于遗传算法在保证收敛性能的前提下有更快的收敛速度．     

Implementation of neuro-fuzzy system with modified high performance genetic algorithm on embedded systems

In this paper implementation of ANFIS on embedded systems based on single-core and multi-core ARM processors is presented. A novel evolutionary optimization tool named, modified high performance genetic algorithm (mHPGA) with bacterial conjugation operator is applied to ANFIS as a training method. Fixed point and floating point number representations are applied and compared. Moreover new mutation algorithm has been proposed for fixed point numbers. The proposed method is designed to sweep numbers space to search possible solutions in large state space. Concurrency nature of mHPGA benefits implementation of multi threading feature on ARM cortex-A53 with four cores.     

Optimum synthesis of a four-bar mechanism using the modified bacterial foraging algorithm

This paper presents the mechanical synthesis of a four-bar mechanism, its definition as a constrained optimisation problem in the presence of one dynamic constraint and its solution with a swarm intelligence algorithm based on the bacteria foraging process. The algorithm is adapted to solve the optimisation problem by adding a suitable constraint-handling technique that is able to incorporate a selection criterion for the two objectives stated by the kinematic analysis of the problem. Moreover, a diversity mechanism, coupled with the attractor operator used by bacteria, is designed to favour the exploration of the search space. Four experiments are designed to validate the proposed model and to test the performance of the algorithm regarding constraint-satisfaction, sub-optimal solutions obtained, performance metrics and an analysis of the solutions based on the simulation of the four-bar mechanism. The results are compared with those provided by four algorithms found in the specialised literature used to solve mechanical design problems. On the basis of the simulation analysis, the solutions obtained by the proposed algorithm lead to a more suitable design based on motion generation and operation quality.     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能。对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

Countering the negative search bias of ant colony optimization in subset selection problems

In their quest to find a good solution to a given optimization problem, metaheuristic search algorithms intend to explore the search space in a useful and efficient manner. Starting from an initial state or solution(s), they are supposed to evolve towards high-quality solutions. For some types of genetic algorithms (GAs), it has been shown that the population of chromosomes can converge to very bad solutions, even for trivial problems. These so-called deceptive effects have been studied intensively in the field of GAs and several solutions to these problems have been proposed. Recently, similar problems have been noticed for ant colony optimization (ACO) as well. As for GAs, ACO's search can get biased towards low-quality regions in the search space, probably resulting in bad solutions. Some methods have been proposed to investigate the presence and strength of this negative bias in ACO. We present a framework that is capable of eliminating the negative bias in subset selection problems. The basic Ant System algorithm is modified to make it more robust to the presence of negative bias. A profound simulation study indicates that the modified Ant System outperforms the original version in problems that are susceptible to bias. Additionally, the proposed methodology is incorporated in the Max–Min AS and applied to a real-life subset selection problem.