基于动态拥挤距离的混合多目标免疫优化算法

多目标免疫优化算法的研究目标是种群均匀分布于优化问题的非劣最优域并使算法快速收敛。为进一步提高多目标优化问题非支配解集合的分布均匀性和收敛性,提出了一种基于动态拥挤距离的混合多目标免疫优化算法。该算法基于动态拥挤距离来对个体进行比较和更新操作,从而保持最终解集的均匀分布,同时借鉴经典差分进化算法中的变异引导算子来加强免疫优化算法的局部搜索能力并提高搜索精度。基于5个经典测试函数的仿真结果表明, 与其他几种有效的多目标优化算法相比,所提算法不仅在求得Pareto最优解集的逼近性、均匀性和宽广性上有明显优势,而且收敛速度也有较大的改进和提高。     

疲劳恢复型运动补剂的研发及市场前景分析

采用海参、文蛤和牡蛎提取物为主要原料,结合牛磺酸、支链氨基酸、左旋肉碱、维生素和微量元素开发一种疲劳恢复型运动补剂。选取40名大学生作为研究对象,分别观察服用运动补剂后参与运动和不参与运动的效果。结果表明运动食用组人员血液指标、饮食和体重情况以及耐力游泳成绩均优于运动对照组,而安静食用组人员血液指标、饮食和体重情况以及耐力游泳成绩均优于安静对照组。安全性分析证实运动补剂具有足够安全性。通过市场前景预测,疲劳恢复型运动补剂可具有年产值100亿以上的全球市场,具有较好的研发和推广前景。     

基于特征间关系合成少数类样本的过采样算法

数据不平衡的现象在现实生活中非常普遍。为了提高整体分类精度,分类器有时会以错分少数类为代价。但在现实生活中,对少数类进行错误分类的后果非常严重。考虑到传统重采样算法容易忽略数据的空间分布和少数类样本特征之间的关系,提出一种基于特征关系的采样算法(SABRF)生成新的样本集。SABRF通过帕累托多目标特征选择保留不平衡数据集的关键区分特征,同时通过极端梯度提升(XGBoost)回归模型捕获少数类样本关键特征之间的关系。此外,还提出一个新的样本选择策略衡量新生成样本的质量。使用6个公开的UCI数据集和1个真实的骨科术后血栓数据集进行实验,结果表明,SABRF在受试者工作特征曲线下面积(AUC)、F1分数(F1＿score)和几何平均值(G＿mean)上均有较好的表现;此外,对使用基于多指标评价的样本选择策略挑选出的新样本进行分类,不平衡数据的分类结果也最好,验证了样本选择策略的有效性。     

基于协同多智能体进化的分布式电源选址和定容

分布式能源接入配电网是智能电网建设的重要内容之一,合理地对分布式电源进行选址和定容是解决分布式电源合理规划的关键。本文提出一种解决配电网分布式电源规划的协同智能体进化算法,利用智能体的竞争和自学习行为,利用罚函数法将分布式能源规划问题转化为无约束求极值问题,有效提高算法的性能,在IEEE 33节点和69节点配电网测试系统仿真实验中取得了满意的结果。     

项目优化调度的多智能体社会进化算法

结合多智能体系统、进化算法以及关系网模型,提出了一种多智能体社会进化算法用于求解项目活动的一个最优调度顺序以使整个工程的工期最短,每个智能体生存于环境中,为了增加自身能量将与其邻域展开竞争及协同操作,同时可利用自身的知识进行自学习来增加能量,根据项目优化调度的问题特点,设计了智能体的竞争行为、协同行为以及自学习行为,通过对PSPLIB中的标准问题进行测试,同时与其他启发式算法相比较的仿真实验结果表明该算法具有良好的性能,能在较短的时间内寻找到十分接近"最优解"的调度序列.     

基于灰度和空间特性的谱聚类图像分割

为了克服谱聚类图象分割方法性能容易受到图像大小和相似性测度的影响,提出一种基于灰度和空间特性的谱聚类图像分割算法。该算法不对图像中的像素之间建立相似性,而是利用各个像素的灰度在图像中的分布信息和像素点的空间邻接信息建立灰度之间的相似关系,通过对图像中灰度的分类进而获得原始图像的分割结果。因此,该算法不会受到图像大小的限制,无论对于多大的图像,相似性矩阵的大小都是小于等于256×256。Berke-ley基准图像数据集上的分割仿真实验验证了该方法的有效性。     

基于稀疏图的鲁棒谱聚类算法

为提高谱聚类算法的鲁棒性,基于稀疏编码在图的构造中提出一种改进L1稀疏表示图模型。每个样本表示为数据集中其他样本的稀疏线性组合,得到稀疏图的边权表示,所构造的稀疏图对数据噪声有很好的鲁棒性,同时能够反映数据局部线性结构。采用稀疏矩阵表示,该方法能够大大降低存储量和计算量,因而对于处理较大规模问题有着较好的可伸缩性。人工数据和实际数据上的谱聚类实验验证了该算法的性能。     

多智能体遗传二维Otsu法SAR图像变化检测

提出一种基于多智能体遗传二维最大类间方差法的合成孔径雷达图像变化检测方法。采用阈值分割的思想,利用对数比值法构造差异影像;通过多智能体遗算法寻找变化和非变化类之间距离测度函数最大的全局阈值,得到变化检测结果。实验结果表明,与遗传算法、免疫克隆选择算法、多智能体遗传一维最大类间方差法、二维最大类间方差法相比,该算法可以快速、准确地得到变化检测结果。     

密度敏感的多智能体进化聚类算法

采用密度敏感距离作为数据相似性度量,并基于多智能体进化的思想提出了一种密度敏感的多智能体进化聚类(density sensitive based multi-agent evolutionary clustering,简称DSMAEC)算法.算法设计了一种基于连接的编码方式,通过解码过程可直接得到最终的聚类结果,无需事先确定聚类类别数,有效地克服了对领域知识的依赖.针对聚类问题,设计了3个有效的进化算子来模拟智能体间的竞争、合作和自学习行为,共同完成智能体的进化,最终达到对数据聚类的目的.分别对人工数据集、UCI数据集以及合成纹理图像进行仿真,实验结果表明,该算法不但可以自动确定聚类类别数,而且能够应付不同结构的数据,适应不同的聚类要求,具有较强的实用价值.     

多智能体社会进化算法的动力学分析

通过一个简化的2-bit问题对多智能体社会进化算法(MASEA)中的进化算子及其组合进行形式化描述,分析了MASEA的全局动力学形态。针对算法中的进化算子建立数学模型,通过分析模型中各个不动点的吸引性,揭示出不同进化算子对动力学形态的影响,证明了算法MASEA的全局收敛性。