面向动用计划的车辆装备备件预测研究

针对动用计划下的车辆装备备件的消耗特点,研究了车辆装备维修备件消耗量和库存控制两个预测优化问题。考虑动用计划期内车辆装备的预防性维修和修复性维修,实现定时定程维修和自然随机故障维修下装备维修备件的消耗量的预测。在此基础上,根据备件库存检查方式的特点,建立基于定期检查策略的联合补货库存控制模型,根据模型的结构特点确定决策变量界限,并利用多类种群位置更新方式改进了果蝇优化算法。仿真结果表明,改进的果蝇优化算法具有良好的求解效率,本文所提出的优化方法可为车辆维修保障资源优化提供决策依据。     

网络中多节点故障定位的探测路径选择算法

针对现有故障定位技术不能满足多节点故障定位的要求,尤其当网络中存在大量故障节点时,提出了一种基于主动探测的探测路径选择算法。该算法主要包括用于故障检测的贪婪路径选择算法和用于故障定位的禁忌链路搜索算法。在故障检测阶段,使用贪婪路径选择算法迭代地选择具有最小权重的探测路径覆盖网络中的节点。在故障定位阶段,使用禁忌链路搜索算法多次生成候选路径集以选择最合适的探测路径来解决多节点故障定位问题。在随机网络拓扑和真实网络拓扑上的仿真结果表明,与现有的节点故障定位算法相比,探测路径选择算法具有更高的成功定位率和更低的探测成本。     

求解约束优化问题的引导多目标差分进化算法

将约束优化问题转化为带偏好的双目标优化问题,用差分进化算法求解转化问题。为了克服基于Pareto支配关系的多目标算法求解转化问题时没有考虑问题偏好、收敛慢等缺点,借助多目标α-支配关系的特点,提出了基于动态α-支配的新适应度函数。新适应度函数根据种群中可行解的比例动态平衡进化过程中对两个目标的偏好,引导算法不断向问题的偏好区域靠近,从而快速收敛到约束优化问题的最优解。对6个标准测试函数的数值实验结果表明:基于α-支配的动态引导多目标差分进化算法能快速收敛到问题的最优解。与3种经典高效算法的比较说明,所提出算法的鲁棒性强且效率高。     

基于改进回溯搜索优化算法的应急资源调度

以连续性消耗应急系统为背景,建立以时间成本和运输成本最小化为目标的多资源多供应点调度模型。针对该模型的特点,对一种具有强全局搜索性的新智能算法——回溯搜索优化算法进行改进,设计变异操作中的变异尺度系数和交叉操作中的交叉概率策略,提高算法的收敛速度和求解精度。运用改进回溯搜索算法进行模型求解,仿真实例表明,改进回溯搜索优化算法在解决应急资源调度问题时拥有良好的性能,全局收敛性与求解精度均优于比较的回溯搜索优化算法、差分进化算法和粒子群算法,能够有效且合理地进行应急资源调度。     

广义支持向量机的多项式光滑函数法

为了求解广义支持向量机（GSVM）的优化问题,将带有不等式约束的原始优化问题转化为无约束优化问题,由于此无约束优化问题的目标函数不光滑,所以引入一族多项式光滑函数进行逼近,实验中可以根据不同的精度要求选择不同的逼近函数。用BFGS算法求解。实验结果表明,该算法和已有的GSVM的求解算法相比,更快地获得了更高的测试精度,更适合大规模数据集的训练。因此给出的GSVM的求解算法是有效的。     

Extended IF逻辑的命题演算系统

Extended IF 逻辑是一阶逻辑的扩张,其主要特点是可表达量词间的相互依赖和独立关系,但其命题部分至今没有得到公理化.基于Cirquent 演算方法,给出了一个关于Cirquent 语义(命题水平)可靠完备的形式系统.该系统能够很好地解释和表达命题联结词间的相互依赖和独立关系,从而使Extended IF 逻辑在命题水平得到了真正意义上的公理化.     

结合密度峰值和切边权值的自训练算法

针对自训练迭代过程中错误标记样本对算法性能的影响,提出了基于密度峰值和切边权值的自训练算法。用密度聚类方法发现数据集的空间结构,选出具有代表性的未标记样本进行标签预测。用切边权值作为统计量进行假设检验,判断样本是否被正确标记,进而用正确标记样本逐步扩充有标记样本集合,直至所有未标记样本标签预测完成。新算法既充分利用了样本数据的空间结构信息,又解决了部分样本被标记错误的问题,提高了算法的分类准确率。通过在真实数据集上实验验证了新算法的有效性。     

稀疏子空间聚类综述

稀疏子空间聚类(Sparse subspace clustering, SSC)是一种基于谱聚类的数据聚类框架. 高维数据通常分布于若干个低维子空间的并上, 因此高维数据在适当字典下的表示具有稀疏性. 稀疏子空间聚类利用高维数据的稀疏表示系数构造相似度矩阵, 然后利用谱聚类方法得到数据的子空间聚类结果. 其核心是设计能够揭示高维数据真实子空间结构的表示模型, 使得到的表示系数及由此构造的相似度矩阵有助于精确的子空间聚类. 稀疏子空间聚类在机器学习、计算机视觉、图像处理和模式识别等领域已经得到了广泛的研究和应用, 但仍有很大的发展空间. 本文对已有稀疏子空间聚类方法的模型、算法和应用等方面进行详细阐述, 并分析存在的不足, 指出进一步研究的方向.     

基于随机搜索变异策略的人工蜂群算法

针对人工蜂群算法存在的收敛速度慢、易陷入局部最优等缺点,提出了一种基于随机搜索策略的人工蜂群算法(RMABC).首先,采用随机选择的方式进行变异和扰动操作,增加种群的多样性,平衡算法的局部搜索能力和全局搜索能力;其次,改变侦察蜂阶段的搜索策略,将limit次不更新的蜜源替换为它的反向蜜源,加快算法的收敛速度.选取9个标准测试函数进行数值仿真实验,结果表明本文提出的算法具有较快的收敛速度和较高的求解精度,对复杂的数值优化问题寻优效果很好.     

基于MapReduce的并行异常检测算法

为了提高数据挖掘中异常检测算法在数据量增大时的准确度、灵敏度和执行效率,本文提出了一种基于MapReduce框架和Local Outlier Factor （LOF）算法的并行异常检测算法（MR-DLOF）。首先,将存放在Hadoop分布式文件系统（HDFS）上的数据集逻辑地切分为多个数据块。然后,利用MapReduce原理将各个数据块中的数据并行处理,使得每个数据点的k-邻近距离和LOF值的计算仅在单个块中执行,从而提高了算法的执行效率;同时重新定义了k-邻近距离的概念,避免了数据集中存在大于或等于k个重复点而导致局部密度为无穷大的情况。最后,将LOF值较大的数据点合并重新计算其LOF值,从而提高算法准确度和灵敏度。通过真实数据集验证了MR-DLOF算法的有效性、高效性和可扩展性。