基于用户操作行为的兴趣度的分析与计算

在互联网的背景下,用户检索行为所体现的兴趣是零散的、分布的.利用一个群集模型来综合这些分布的信息,对个性化服务也会提供帮助.通过对单个用户行为的分析,提出了一种基于操作行为的兴趣度的计算方法,可以有效地计算出该用户对当前内容的兴趣度的基值,并最终为用户兴趣群集模型中各个结点的兴趣度的值的计算提供重要依据.     

融合路径跟踪模式的多移动机器人有序化群集运动控制

针对多移动机器人群集运动的实现及其避障问题，提出了一类融合路径跟踪模式的有序化群集运动控制算法．该算法将有leader的群集运动模式与队列运动模式相结合，实现了多机器人系统快速聚合行为与有效避障行为的统一．移动机器人群仿真实验验证了该方法的有效性．     

群集系统的软控制

考虑欧氏空间中群集动态系统的"软控制"问题,即在不改变群集系统中个体间现有规则的条件下,通过增加一个或多个可控智能体干扰群集个体的行为,使群集中心转移到期望的位置.给出了可控智能体的控制规则,并利用粒子群(PSO)算法讨论了群集系统软控制的最优收敛问题.实例研究表明了"软控制"在群集系统中的可行性.     

基于群集智能的蚁群优化算法研究

群集智能是近年来人工智能领域研究的一个新的热点课题。介绍了这一研究的思想方法和数学模型，以蚂蚁群体的智能行为研究对象，阐述了基于群集智能的蚁群优化算法，并介绍了该算法的工程应用。     

随机扰动下多源群体觅食系统建模与仿真

群集智能是指复杂的集体智能来自简单个体之间以及个体同环境之间的相互作用. 通常对群集智能的研究主要借助于群居生物行为的观察. 蚁群觅食行为是研究简单个体产生复杂行为的一个典型的例子. 首先建立群体觅食宏观序参数模型. 模型考虑了食物源的量和分布以及环境噪声对个体决策的随机影响. 给出2个食物源下系统模型的数值解,表明在较大的噪声影响下,系统有一定的概率会脱离最优解,到达次优解. 在Starlogo仿真平台下的实验结果表明,觅食蚂蚁的数量同任务完成时间以及碰撞频率之间呈现出幂指数关系. 这对自组织系统和群集智能的研究有一定的理论意义,并可以用来指导设计更加有效、适应、可靠的智能系统.     

融合沿墙行为的多移动机器人有序化多模态群集运动控制

一类基于势场原理的群集控制理论正逐步应用于多agent(智能体)/机器人稳定协同运动中.针对群集运动系统在非规则障碍物环境中运行时易出现的局部极小问题,引入基于行为的机器人学理念,构成多移动机器人多模态群集控制系统.在此框架内,仿生的动物沿端行为与有序化群集运动控制策略相融合,实现了多移动机器人系统快速聚合行为与高效避障行为的统一.移动机器人仿真实验验证了该方法的有效性.     

群集系统的软控制

考虑欧氏空间中群集动态系统的“软控制”问题,即在不改变群集系统中个体间现有规则的条件下,通过增加一个或多个可控智能体干扰群集个体的行为,使群集中心转移到期望的位置.给出了可控智能体的控制规则,并利用粒子群(PSO)算法讨论了群集系统软控制的最优收敛问题.实例研究表明了“软控制”在群集系统中的可行性.

     

群集系统分群行为建模与控制研究进展

群集系统的分群行为表征为一个聚合的母群分裂成多个子群的现象, 探讨其产生机理和控制方法具有重要的理论意义和应用价值. 鉴于此, 从分群行为的理论建模和控制方法两个角度出发, 对近年来群集系统分群运动研究的主要成果进行综述, 回顾了目前分群运动理论建模研究的最新进展, 重点总结了分群运动的现有控制方法和结论, 并对分群控制研究中尚存在的问题进行了探讨, 最后就分群行为后续可能的研究方向进行了展望.

     

多无人机三维群集算法的适用性研究与改进

针对多无人机群三维空间运动的复杂群集控制问题,提出了基于生物群集行为、依据Reynolds规则描述的三维群集控制算法。已有的研究大多将无人机群集运动简化为二维平面运动,但这不符合实际控制需求。为此,将群集控制算法和人工势场算法推广到三维无人机群集控制中,建立了三维无人机群空间运动模型,通过多种不同条件下的仿真,研究了两种算法在三维群集控制中的有效性。结果显示两种算法用于三维群集控制均具有一定效果,但相对二维所需要的条件更为苛刻。同时,注意到智能算法具有更好的群体聚集效果,而人工势场算法则避碰效果更迅速明显。据此,对人工势场算法和智能算法进行了改进,通过在距离大于平衡点时采用智能算法聚集,在距离小于平衡点时采用人工势场算法避碰,得到能同时获得更好的聚集、避碰效果的新的群集控制算法。     

陆用运动体多系统协同中的智能优化与控制

在信息化和网络化背景下,多系统协同正成为现代战争中陆用运动体的主要作战模式.针对陆用运动体多系统协同中的智能优化与控制问题,本文从多系统协同指挥控制中的优化与决策、多维高速运动体的协同制导与编队控制、陆用运动体群集运动的智能与安全控制和非线性随动系统的建模与控制四个方面,对当前主要研究成果和国内外最新进展做了简要综述.涵盖了陆用运动体协同过程中涉及的指挥决策、多平台火力控制和群集智能控制与安全控制.最后在总结国内外研究成果的基础上,指出了需要进一步研究的问题和未来的研究方向.     

粒子群优化算法在关联规则挖掘中的研究综述

关联规则挖掘是数据挖掘中的重要领域,考虑到当前数据的大规模、高维度、模态多样及类型复杂等特性,传统关联规则挖掘算法已无法适应大数据的需求,粒子群优化算法作为一种高效的智能优化算法,为其提供了一种全新的解决方案,近年来被广泛应用于该领域。首先对粒子群优化算法的基本原理及关联规则的基本概念进行了详细介绍,回顾了粒子群优化算法的研究进展,分析了粒子群优化算法在关联规则挖掘中的研究,包括常用的数据转换方法、编码方式及评估指标,并与其他在关联规则挖掘中被广泛应用的算法进行了对比,总结了各自的优缺点及适用场景。然后对已有改进方法进行了较为系统的分类,即分为基于参数、基于变异机制和混合其他算法的改进。接着梳理归纳了粒子群优化算法在关联规则挖掘中的应用领域,阐述了该算法在购物篮、金融、医疗、工业生产及风险评估领域中的应用优势。最后在介绍这一领域的最新研究进展的基础上,通过对现存问题进行分析,讨论了进一步的研究方向。     

新型智能仿生模型——蚁群模型

智能仿生模型是一种多学科交叉的产物,其发展对很多相关学科的发展具有极大的促进作用.蚁群模型是模拟自然界蚁群系统行为而提出的一种新型智能仿生模型,其研究在短短的10余年时间里得到了飞速发展,已成为很多学科的研究热点.我国在这方面的研究尚没有全面开展,为此从仿生原理及实现途径入手,对蚁群模型的几大模型算法进行了详细介绍,并对模型的发展进行了展望.其次,对蚁群模型的典型应用进行了说明,并对模型的最新应用进行了介绍.最后,通过对其他几种仿生算法的介绍,进行了蚁群算法同粒子群算法、免疫算法及进化算法等的比较研究,指出它们的相同点和差异之处.通过对蚁群模型的全面的介绍,以期促进该模型在我国的发展.     

Multi-objective and multi-level image thresholding based on dominance and diversity criteria

The Kapur and Otsu methods are widely used image thresholding approaches and they are very efficient in bi-level thresholding applications. Evolutionary algorithms have been developed to extend the Kapur and Otsu methods to the multi-level thresholding case. However, there remains an unsolved argument that neither Kapur nor Otsu objective can optimally fit diverse content contained in different kinds of images. This paper proposes a multi-objective model which seeks to find the Pareto-optimal set with respect to Kapur and Otsu objectives. Based on dominance and diversity criteria, we developed a hybrid multi-objective particle swarm optimization (MOPSO) method by incorporating several intelligent search strategies. The ensemble strategy is also applied to automatically select the best search strategy to perform at various algorithm stages according to its historic performances. The experimental result shows that the solutions to our multi-objective model consistently produce equal or better segmentation results than those by the optimal solutions to the original Kapur and Otsu models, and that the proposed hybrid algorithm with and without the ensemble strategy produces a better approximation to the ideal Pareto front than those obtained by two other MOPSO variants and the MOEA/D. In comparison with the most recent multilevel thresholding methods, our approach also consistently obtains better performance in the segmentation result for several benchmark images.     

Evolutionary techniques versus swarm intelligences: application in reservoir release optimization

In this paper, a nonlinear reservoir release optimization problem has been solved by using four optimization tools with various combinations of input parameters that are generally used in this research field. A comparison has been made between evolutionary methods [genetic algorithm (GA)] and swarm intelligences [particle swarm optimization (PSO) and artificial bee colony (ABC) optimization] in searching the optimum reservoir release policy. From the historical recorded data, the monthly inflow was categorized into three states: high, medium and low. As a guideline for the decision maker, an optimum release curve was generated for each month showing the release options with a variety of different storage conditions. GA (real and binary), ABC optimization and PSO algorithm have been used as optimization tools with the same formulation and objective function for all the methods. For verification of the models, a simulation is done by using 264 monthly historical inflow data. Different indices such as reliability, vulnerability and resiliency were calculated in order to check the performance and risk analysis purposes. The results show that the most recently developed ABC optimization technique provides the best results in meeting demands, avoiding wastage of water and in handling critical period of low flows.     

对队形控制的思考

首先指出多机器人队形控制研究要解决的主要问题，并较为完整地阐述了当前国内外相关研究的状况．然后总结了队形控制的各种研究方法，并指出当前队形控制研究中存在的一些问题以及在实际设计队形控制系统时应考虑的问题．最后指出了今后的研究方向．     

A novel abstraction for swarm intelligence: particle field optimization

Particle swarm optimization (PSO) is a popular meta-heuristic for black-box optimization. In essence, within this paradigm, the system is fully defined by a swarm of “particles” each characterized by a set of features such as its position, velocity and acceleration. The consequent optimized global best solution is obtained by comparing the personal best solutions of the entire swarm. Many variations and extensions of PSO have been developed since its creation in 1995, and the algorithm remains a popular topic of research. In this work we submit a new, abstracted perspective of the PSO system, where we attempt to move away from the swarm of individual particles, but rather characterize each particle by a field or distribution. The strategy that updates the various fields is akin to Thompson’s sampling. By invoking such an abstraction, we present the novel particle field optimization algorithm which harnesses this new perspective to achieve a model and behavior which is completely distinct from the family of traditional PSO systems.     

多目标微粒群优化算法及其应用研究进展*

多目标微粒群优化(MOPSO)算法是一类基于群体智能的新型全局多目标优化方法,已受到广泛关注,并在许多领域得到应用。针对近几年来MOPSO算法及其应用的进展进行了综述和评论。首先描述了MOPSO算法的基本框架;接着对MOPSO算法进行了分类和分析,并给出了MOPSO算法的一些改进策略;然后介绍了MOPSO算法的应用进展;最后,展望了MOPSO算法值得进一步研究的方向。     

驾驶员疲劳驾驶检测方法研究综述

由于疲劳驾驶导致的交通事故占比逐年上涨,引起了研究人员的广泛关注。目前疲劳驾驶检测的研究受限于科技水平、环境、道路等各种因素的影响,导致疲劳驾驶检测技术难以进一步发展。介绍了近10年内驾驶员疲劳驾驶检测方法的最新进展。阐述并回顾了主动检测法和被动检测法两大类。根据两大类检测方法各自不同的特征进行细致的分类。进一步分析了各类疲劳驾驶检测方法的优势和局限,同时对主动检测法中基于面部特征的检测方法近3年内所使用的检测算法进行了分析和总结。归纳了各类疲劳驾驶检测方法存在的不足,同时提出疲劳检测领域未来的研究趋势,为研究人员进一步的研究提供新的思路。     

粒子群优化技术的研究与应用进展

粒子群优化(PSO)算法是一种新兴的基于群智能搜索的优化技术,它是通过粒子追随个体最优解和群体最优解来完成优化,且算法简单、易实现、参数少,具有较强的全局优化能力,可有效应用于科学与工程实践中。文中综述了PSO各种改进技术、研究热点问题及其应用进展情况并指出了PSO的发展趋势及未来研究方向。