人类进化特征及模型研究

分析和研究了人类进化的基本特征,提出了进化计算模拟的是生物进化机制,粒度进化计算模拟的是文化进化机制的思想.在人类进化的整个过程中,生物进化和文化进化是相互影响的,其中文化进化占支配地位.提出了以 Agent 为技术支撑的粒度进化计算方法,从群进化和超群进化两个方面阐述了粒度进化计算的基本原理和方法,其中群进化是生物进化和文化进化共同作用的结果,并由此提出了基于Agent的人类进化递归模型.     

基于粒度进化计算的KDD技术分析

知识发现(KDD,Knowledge Discovery in Databases)是从数据中获取知识的一种智能信息处理技术.从分析进化计算的产生根源入手,探讨了以人类进化为核心的文化进化机制,提出粒度进化的两个层次群进化和超群进化,并将两者有机结合.文中在深入研究现有的知识发现的基础上,对"发现用户感兴趣的知识"、提高分类效率和准确性等问题进行了研究,提出了部分解决方法和思路.     

思维进化计算的描述与研究成果综述

思维进化计算（Mind Evolutionary Computation，MEC）是孙承意于1998年提出的一种新的进化计算方法。它模仿人类思维申趋同、异化两种思维模式交互作用，推动思维进步的遏程。MEC多方面的性能优越，造是由于采用“趋同”和“异化”操作代替GA的选择、交叉和变异算子以及MEC与GA不同的运行机制：记忆机制、定向机制和探测与开采功能之间的协调机制。本文给出MEC迄今为止最完整的描述。由于篇幅所限，本文仅简单介绍MEC的主要研究成果。     

新型模拟进化计算

提出了一种新的模拟进化计算,它模仿新宇宙进化理论中膨胀、收缩两种模式交互作用,推动宇宙进步的过程。膨胀操作提高了种群的多样性和进化算法克服局部收敛的能力,收缩操作吸取了不同群体的优良特性,改善了算法的计算效率,实验结果表明该范式是有效的。     

多Agent系统中双边多指标自动协商的ACEA算法

自动协商是多Agent系统中的一个中心议题,它是在Agent间建立一种合作合约,多数情况下这种合约包含多个协商指标,而多指标的协商比单一指标的协商要复杂得多·因此,如何快速、高效地进行Agent间的多指标自动协商是多Agent系统中必须解决的一个问题·给出了一个Agent间多指标协商的模型(MN),并在此基础上提出了双边—多指标协商的一种加速混沌进化算法(ACEA)·ACEA算法首先将混沌机制引入进化计算,然后采用压缩技术对算法进行加速,这样既克服了进化计算过早收敛到局部Nash平衡点的缺点,又解决了多指标协商繁杂的计算和引入混沌后带来的收敛速度慢的问题·理论分析和仿真实验表明,ACEA算法以概率1收敛到全局最优解·     

用倾向最大回报的协同进化优化多Agent合作

进化计算是多Agent系统学习的一个有用技术。在多Agent系统研究中的某些领域,一种常用的方法是协同进化多Agent合作。研究已经指出:在某些领域,协同进化系统更倾向于稳定而不是成效(即收敛到局部优化解)。这与多Agent系统研究的目的(追求利益最大化)是不相符的。为此,文章提出了一种基于混沌机制的倾向于最大回报的协同进化算法,改进了Wiegand等人的工作,。理论分析和仿真实验表明,这种基于混沌机制的倾向能促使协同进化向更优化的全局稳定点收敛,从而帮助协同进化算法在某些合作的多Agent领域发现更好的解(甚至是最优解)。     

进化计算的可计算性

本文针对进化计算的进化控制特点，提出了一种进化程度的描述方式，并讨论了进化计算的可计算性。该项工作有助于进化计算形式化理论的建立和应用系统的开发。     

基于遗传算法与思维进化计算的一种广义进化模型

本文在遗传算法(Genetic Algorithm，简记GA)与思维进化计算(Mind Evolutionary Computation，简记MEC)的基础上，提出了一种广义进化模型(Generalized Evolutionary Model，简记GEM)、该模型用微演化与宏演化两个过程，分别模拟人类的思维学习方式与自然进化，并通过概率趋同、信息迁移、自适应变异算子将两个过程有机的结合起来，从完全意义上模仿了人类的进化．该模型既能有效的克服遗传算法的本质缺陷，又能拓展思维进化计算的理论基础及应用范围．数值优化的仿真结果证明了该模型的有效性。     

基于任务协同的MAS计算模型

粒度分析技术是一种新的软计算方法,可以有效地分析和处理不确定信息.在知识粒度分析与计算的基础上,引入了基于任务的MAS模型,提出了成员Agent必要度和重要度概念,并以此得到了MAS的协同任务配置.     

一种进化计算的抽象机器模型

本文提出了一种新的用于进化计算应用算法设计的抽象机器模型和通用性策略。这种设计方法充分反映了人工生命元进化创发性的自适应机理，有助于非线性信号自适应处理的进化计算系统的设计和开发。     

Granular Computing for Data Analytics: A Manifesto of Human-Centric Computing

In the plethora of conceptual and algorithmic developments supporting data analytics and system modeling, humancentric pursuits assume a particular position owing to ways they emphasize and realize interaction between users and the data. We advocate that the level of abstraction, which can be flexibly adjusted, is conveniently realized through Granular Computing. Granular Computing is concerned with the development and processing information granules-formal entities which facilitate a way of organizing knowledge about the available data and relationships existing there. This study identifies the principles of Granular Computing, shows how information granules are constructed and subsequently used in describing relationships present among the data.      

粒计算的四面体模型

针对粒计算缺乏统一的模型和方法的现状,以粒计算学科的四个基本要素──粒化思维方式、基本理论框架、粒化问题求解和粒化信息处理为基础,构建了粒计算学科的四面体结构模型,诠释了四面体结构模型的内涵和意义,探讨了四个基本要素相互之间的立体协同作用。通过分别对粒计算四面体结构模型“四个顶点”和“四个面”的相互整合,对该四面体结构的平稳机制进行了深入研究。     

粒度计算研究综述

粒度计算GrC（Granular Computing）是信息处理的一种新的概念和计算范式,覆盖了所有有关粒度的理论、方法、技术和工具的研究.它是词计算理论、粗糙集理论、商空间理论、区间计算等的超集,也是软计算科学的一个分支,已成为模糊的、不完整的、不精确的及海量的信息处理的重要工具和人工智能研究领域的热点之一.本文综述了粒度计算的发展动机、研究现状及发展趋势,着重介绍了粒度计算的主要理论模型与方法及其在不同领域的应用,对存在的问题进行了分析,并提出了进一步研究的方向.     

不完备信息系统中基于相容粒度计算的知识获取方法

研究在不完备信息系统(incomplete information system,IIS)中的知识获取已经成为近期粒度计算研究的热点方向之一.为探索一种高效的知识获取方法,基于相容粒度计算的基本原理,针对不完备信息系统的特点,提出了一种完整的知识获取算法.该算法包括不完备信息系统的属性约简算法和系统中对象的约简算法.其主要特点是在由完全覆盖构成的粒度世界中去研究知识的表示和获取问题,其基本粒就是最大相容类.对算法的性能进行了理论和实验分析,证明了算法的有效性和可行性.     

基于粒度计算的数据分类建模研究*

基于粒度计算在理论上对数据分类问题进行建模研究.引入全粒度空间的概念,给出了集合的粒度表示、概念学习在粒度计算理论中的解释,从而得到数据分类问题的机理分析;最后导出了基于数据分类的知识发现模型,为知识发现面临的问题提供解决的理论依据,也为进一步研究奠定了重要的理论基础.     

A Granular Computing approach to the design of optimized graph classification systems

Research on Graph-based pattern recognition and Soft Computing systems has attracted many scientists and engineers in several different contexts. This fact is motivated by the reason that graphs are general structures able to encode both topological and semantic information in data. While the data modeling properties of graphs are of indisputable power, there are still different concerns about the best way to compute similarity functions in an effective and efficient manner. To this end, suited transformation procedures are usually conceived to address the well-known Inexact Graph Matching problem in an explicit embedding space. In this paper, we propose two graph embedding algorithms based on the Granular Computing paradigm, which are engineered as key procedures of a general-purpose graph classification system. Tests have been conducted on benchmarking datasets relying on both synthetic and real-world data, achieving competitive results in terms of test set classification accuracy.     

一种可伸缩的粒计算知识获取方法

针对粒计算算法在处理海量数据时所面临的内存限制问题，通过对信息表分层粒化模型的研究，提出了一种粒分布链表结构的概念，并利用该链表结构改进了一个粒计算算法。通过实验验证，改进后的算法能够直接处理海量数据集，同时不影响原算法的有效性。     

基于粒计算的K近邻多标签学习算法

K近邻多标签学习算法的近邻点个数取固定值,而没有考虑样本分布的特点,可能会将相似度高的点排除在近邻集外,或者将相似度低的点包含在近邻集内,影响分类器的性能。为此,将粒计算的思想引入近邻集的构建,提出一种新的K近邻多标签学习算法。通过粒度控制,确定近邻点集,使得领域内的样本点有高相似性,且此类样本能进入近邻集。实验结果表明,该算法的大多数评价指标均优于现有的多标签学习算法。     

粒计算的基本问题和研究

粒计算是解决不精确、不完整、模糊以及海量信息问题的理论,是粗糙集、模糊集、词计算、商空间及区间计算等理论的整合和超越,覆盖了所有有关粒的理论、方法、技术和工具的研究。它应用合适的近似解代替最佳解,是对精确求解问题的数学的补充和发展。阐述了粒计算的内涵,研究了粒计算的可行性和必要性以及其基本问题;综述了粒计算的研究现状、主要理论及其比较,并对粒计算进一步发展的方向提出了诸如借鉴可定义方式等设想。     

粒计算模糊增殖神经场的研究与分析

针对现有人工神经网络学习新知识会破坏已获得知识的问题,根据生物智能扩展的思想,提出一种粒计算模糊增殖神经场学习方法,将粒计算商空间理论和人工神经场理论有机结合,并引入自治神经网络中,采用分治方法和嵌入机理,把大任务分成小任务,实现知识积累、继承和不断完善。实验结果证明了该方法的合理性和可行性。