Fitts＇定律实验的设计与实现

首先,介绍了Fitts＇定律,然后,设计了验证Fitts＇定律的实验,最后,使用Matlab7.0.1对数据进行了统计和分析.实验结果有效地验证了Fitts＇定律,并且Fitts＇ Law（错误率为4％）得到的预测模型精度高于通过“effective width”Fitts＇ Law得到的预测模型.     

基于超网络的集成工艺决策与调度问题研究

针对多工艺产品的加工路线决策与车间调度方案不能同步制定的问题,在制造车间数字化背景下,提出集成车间不同要素信息的特征—工序—机器—工人的超网络结构,建立基于超网络的加工路线决策与车间调度模型,设计一种集成工艺决策与车间调度的两阶段混合遗传算法求解模型。在工艺决策阶段,设计特征—工序双层矩阵编码染色体保持加工路线的多样性,并在遗传算法的执行过程中使用变邻域搜索方法增强算法的局部搜索能力;在车间调度阶段,采用NSGA-Ⅱ算法优化调度模型,将得到的调度方案多目标值返回至工艺决策阶段用于加工路线的适应度评价。最后通过仿真实验验证了该算法的可行性与有效性。     

基于邻域密度的异构数据局部离群点挖掘算法

由于数据集规模、维数,以及复杂程度的不断提高,导致对其离群点的挖掘难度越来越大,提出了基于邻域密度的局部离群点挖掘算法.首先依据节点计算性能对高维数据进行区域分割,通过各个维度的数据分布来评价区域分割的效果.然后采取核密度来描述局部密度,根据高斯分布得到数据出现次数,进一步计算出数据邻域密度.再由邻域及密度关系计算得到各数据离群度,从而判断异构数据中的离群点.最后针对可能存在的离群误判情况,采取离群分数计算,为增强此过程的检测性能,利用权重进行剪枝处理.人工与UCI数据集上的仿真结果表明,当数据量和数据维数改变时,算法对离群点挖掘的准确度几乎不受影响,挖掘时间和覆盖率指标也显著优于其它方法;同时对于不同类型和复杂度的异构数据,算法仍然保持良好的挖掘准确度和效率.     

基于共同邻居邻域拓扑稠密性加权的链路预测方法

链路预测旨在利用已知的网络节点和拓扑结构信息,预测网络中未连接的两个节点之间存在连边的可能性。基于网络拓扑相似性的链路预测方法计算复杂度低且预测效果好,但现有的相似性指标对共同邻居的邻域拓扑信息考虑较少。针对此问题,提出一种基于共同邻居邻域拓扑稠密性加权的链路预测方法。首先,基于邻域拓扑相对稠密指数量化节点的邻域拓扑结构;然后,利用共同邻居的节点度和邻域拓扑相对稠密指数刻画共同邻居及其邻域拓扑的相似性贡献;最后,提出基于共同邻居邻域拓扑稠密性加权的节点相似性指标。在多个实际网络数据上的实验结果表明,与现有相似性指标相比,该方法能够取得更高的预测精度。     

改进麻雀搜索算法求解作业车间调度问题

针对最小化完工时间的作业车间调度问题(JSP),提出改进麻雀搜索算法(ISSA).首先设计有效的编码转换方式,形成JSP离散决策空间与麻雀搜索算法(SSA)连续搜索空间的对应关系.然后,针对SSA在求解后期易陷入局部最优,利用量子计算、正余弦搜索和警戒者数量递减策略对SSA进行改进,同时引入多邻域搜索和高斯扰动策略以弥补SSA在求解离散问题时深度发掘能力不足的弊端.最后,进行FT、LA系列10个测试问题、6种算法和2个应用实例的对比实验.结果表明,ISSA在求解JSP时,能获得更好的最小值、平均值和寻优成功率,验证了ISSA求解JSP的有效性.     

求解需求可拆分车辆路径问题的改进的金字塔演化策略

为了更加合理地求解需求可拆分的车辆路径问题（SDVRP）,克服传统先路径后优化两阶段的求解方法容易陷入局部最优的缺点,以及解决智能优化算法在优化阶段未能将竞争与协作有机地融合为一体的问题,以配送路径最短和配送车辆最少为优化目标,提出了一种改进的金字塔演化策略（IPES）。首先,以金字塔为基础,提出了求解SDVRP的编码、解码方式以及层级间的协作策略;其次,根据遗传算法的随机、“适者生存”的高度并行、自适应等特点,以及金字塔结构各层分工不同,设计了一种适合SDVRP的自适应邻域算子,使得算法能够快速收敛到最优;最后,得到最优解。相较于分段求解算法、聚类算法、粒子群算法、人工蜂群算法、禁忌搜索算法,四个仿真实验的结果表明,在求解各案例的最优路径时,所提IPES的求解精度分别至少提升了0.92%、0.35%、3.07%、9.40%,验证了在求解SDVRP时,IPES具有良好的性能。     

三种近似算子之间的关系

在广义近似空间中,可以从对象、知识粒以及子系统的角度构造3种不同类型的广义粗糙近似算子。文中研究了这些近似算子的基本性质与相互关系,给出了3类近似算子相同的充要条件。另外,不同的近似空间可能生成相同的基于知识粒及基于子系统的近似算子,文中给出了不同二元关系生成相同近似算子的一些充要条件。     

融合邻域回归和稀疏表示的图像超分辨率重构

对于图像超分辨率重建而言,通常会将图像的整体信息作为研究对象。然而图像本身含有的大量结构信息并没有得到充分利用。为了提高超分辨率重建的效果,实现对不同特征信息的利用,提出了一种融合邻域回归和稀疏表示的图像超分辨率重构算法。依据图像所具有的低秩性对高分辨率图像进行分解,获得高分辨率图像的低秩部分和稀疏部分;将对应的低分辨率图像与高分辨率图像的低秩部分和稀疏部分进行训练,学习得到对应的特征字典;基于高分辨率图像的低秩部分和稀疏部分分别基于稀疏表示和邻域嵌入进行高分辨率重构;基于低秩矩阵恢复理论,融合邻域回归和稀疏表示重构的高分辨率图像,得到最终的高分辨率图像。在测试集Set5和Set14上将提出的算法与几种经典算法进行对比实验,可视化和量化结果均表明,相比传统超分辨率算法,提出的算法在PSNR和SSIM都有很好的提升。     

利用邻域信息交互的在线流特征选择算法

开放动态环境下的机器学习任务面临着数据特征空间的高维性和动态性。目前已有在线流特征选择算法基本仅考虑特征的重要性和冗余性,忽略了特征的交互性。特征交互是指那些本身与标签单独统计时呈现无关或弱相关,但与其他特征结合时却能与标签呈强相关的特征。基于此,提出一种基于邻域信息交互的在线流特征选择算法,该算法分为在线交互特征选择和在线冗余特征剔除两个阶段,即直接计算新到特征与整个已选特征子集的交互强弱程度,以及利用成对比较机制剔除冗余特征。在10个数据集上的实验结果表明了所提算法的有效性。     

基于自适应多普勒及动态邻域的改进BA算法

蝙蝠算法（Bat Algorithm,BA）是一类新型元启发式算法,针对其在算法后期寻优精度降低、易陷入局部极值的不足,提出一种具有自适应多普勒策略及动态邻域策略的改进算法。根据蝙蝠个体在捕食过程中与猎物间存在的相对运动现象,引入自适应多普勒策略改进频率参数,增强算法全局探索的寻优能力。将动态邻域策略与BA算法有机结合,增加蝙蝠个体寻优结构的多样性,改善算法易陷入局部最优的不足。从理论上分析了改进后算法的收敛性和运算复杂性。在数值实验部分对改进后的算法进行了性能及应用测试：对10个经典标准测试函数在不同维度下进行对比实验,将其应用于求解螺旋压缩弹簧优化设计问题,并与其他算法进行了对比分析。实验结果证明了具有自适应多普勒策略及动态邻域策略的改进算法具有更优的收敛速度、收敛精度以及稳定鲁棒性。