极大熵和声搜索算法求解多目标优化*

给出了求解多目标优化问题的一个新算法。首先利用极大熵函数,将多目标优化问题转换为一个单目标优化问题;然后利用和声搜索算法对其进行求解,进而得到多目标优化问题的有效解。该算法对目标函数的解析性质没有要求且容易实现,数值结果表明了该方法是有效的。     

基于粗糙集理论的多准则决策分析

1 前言粗糙集理论(Rough Set,RS)是由波兰学者Z.Pawlak在1982年提出的一种刻画不完整性和不确定性的数学工具。粗糙集理论不仅为信息科学和认知科学提供了新的科学逻辑和研究方法,而且为智能信息处理提供了有效的处理技术。近二十来年,RS理论已发展成为人工智能领域中一个较新的学术热点,引起了学术界科研人员的广泛关注。本文将以对策论中的Shapley值和Banzhaf值作为多准则决策分析中特殊准则的平均重要程度的度量指标,最后,用实例阐述了粗糙集理论在解决综合评判问题方面的应用。     

分配BZ格的粗糙近似

讨论了分配BZ-格的区间结构及其粗糙近似算子的性质，对于分配BZ—格中任一元素α，利用刻画必然性测度和可能性测度的模态一元算子υ和μ，可以得到α的粗糙近似(υ(α)，μ(α))。该文证明了对于任意给定的一个分配BZ—格，都可以由υ和μ这一对近似算子诱导一个粗糙代数。最后，通过实例说明必然性测度和可能性测度模态一元算子可以刻画不确定规划问题的必然最优解和可能最优解。     

“教与学”优化算法研究综述

简要分析了群智能优化算法的研究现状, 重点对“教与学”优化算法作了详细的描述, 并分析了“教与学”算法的性能及其优缺点; 随后介绍了几种改进的“教与学”优化算法, 对“教与学”优化算法的应用研究情况进行了论述。最后, 说明了目前“教与学”优化算法中存在的问题, 并指出“教与学”优化算法未来的研究方向。     

时态粗糙神经网

论文提出了一种基于粗糙集和时态概念的新神经网模型—时态粗糙神经网。在神经网的输入中加入时间的因素,即神经网络的输入是时间的函数,从而把传统的神经元改造成了时态神经元;时态粗糙神经网中的神经元是时态粗糙神经元,它包括一对时态神经元,即将数据中的上边界和下边界加入时间因素以后,作为神经网络的输入和输出。当网络的输入和输出不是单值数据而是一个随时间变化的数据的集合时,经典的神经网络建立的预测模型的输出就会产生较大的误差,而基于时态粗糙理论的神经网络则可以很好地解决这个问题,更能真实刻画实际问题。从而为解决这类问题提供了一个较好的理论模型。     

多目标优化中目标函数间冲突问题研究

本文应用RS方法,研究多目标规划问题中各目标间的关系.     

在“线性代数”教学中培养学生学习兴趣的实践与探索

讨论了培养“线性代数”课程学习兴趣的必要性和重要性,给出了培养的四种实践模式,说明了各模式的可行性及其优点.     

图像中非凸区域的粗糙关系特征研究

通过研究图像中非凸区域的特性和A Cohn提出的"蛋一黄"模型,定义最大可能凸子集和最小可能凸超集等概念,给出了非凸区域的上、下近似概念,在此基础上提出了一种非凸区域转化为凸区域的粗糙近似算法,然后研究了非凸区域间、凸区域间的关系特征,给出了非凸区域间的粗糙关系与凸粗糙区域间的粗糙关系等价图,从而简化了非凸区域之间的关系.这对基于图像的空间定性推理(QSR)进行了推广,使其不但能够对含有凸区域的图像进行语义推理,而且能够对含非凸区域的图像也能进行推理.