求解复杂约束优化问题的多策略混合麻雀搜索算法

针对麻雀搜索算法面对具有强约束、非凸性和不可微特征的复杂问题所存在的开发与探索能力不平衡、易陷入局部最优、过早收敛和种群多样性较低等不足,提出一种求解复杂约束优化问题的多策略混合麻雀搜索算法.首先,利用反向学习策略构建双向初始化机制,以达到获得分布更优的初始种群的目的;其次,设计一种基于交叉与变异算子的位置更新公式,扩大搜索范围,丰富搜索机制,以平衡算法探索和开发能力,同时提高算法的收敛精度和速度;最后,使用社区学习策略对种群进行精炼,强化开发能力与跳出局部极值的能力,并保持种群的多样性.分别在CEC2017的28个实数约束优化问题和1个工程优化问题上进行了性能评估,实验结果表明,所提出的算法对比其他优化算法具有寻优能力强、收敛精度高、收敛速度快等优势,可有效解决复杂约束优化问题.     

基于平均特征重要性和集成学习的异常检测

异常检测系统在网络空间安全中起着至关重要的作用,为网络安全提供有效的保障.对于复杂的网络流量信息,传统的单一的分类器往往无法同时具备较高检测精确度和较强的泛化能力.此外,基于全特征的异常检测模型往往会受到冗余特征的干扰,影响检测的效率和精度.针对这些问题,本文提出了一种基于平均特征重要性的特征选择和集成学习的模型,选取决策树(DT)、随机森林(RF)、额外树(ET)作为基分类器,建立投票集成模型,并基于基尼系数计算基分类器的平均特征重要性进行特征选择.在多个数据集上的实验评估结果表明,本文提出的集成模型优于经典集成学习模型及其他著名异常检测集成模型.且提出的基于平均特征重要性的特征选择方法可以使集成模型准确率平均进一步提升约0.13%,训练时间平均节省约30%.     

信任网络下的TODIM群体决策方法

针对在群体决策中如何利用专家之间的社会关系和决策专家的有限理性的问题,提出一种信任网络下的TODIM群体决策方法。首先,根据专家讨论次数,在每一次讨论中,每个专家会根据信任接受程度参考信任者的决策矩阵,并通过信息交互和协商修改决策矩阵;其次,当达到设定的专家讨论次数时,计算最终的群体决策矩阵;最后,分别运用信任网络下的TODIM群体决策方法和TODIM群体决策方法计算各方案排序。对所得结果进行对比分析,并对专家讨论次数和信任接受程度进行灵敏度分析。案例分析结果表明,信任网络下的TODIM群体决策方法能充分结合信任网络,保证了决策过程中的多阶段信息交互和反馈过程,并在对比分析和灵敏度分析上优于对比方法。     

一种基于灰度倾向加权的Otsu目标检测法

通过引入灰度倾向参数和梯度谷值系数,提出一种改进的灰度倾向谷强调(GPVE)目标检测方法。灰度倾向参数使阈值更靠近目标灰度,梯度谷值系数使得阈值更靠近波谷。GPVE法在单双峰情况下都能得到理想的阈值。实验结果表明:Otsu,VE,NVE,WOV等方法分割得到的平均分割误差ME值都在0.2以上,而所提方法的ME值仅为0.007,采用该方法提高了图像分割的准确度,分割效果优于Otsu,VE,NVE,WOV等方法。     

融合文本概念化与网络表示的观点检索

观点检索是自然语言处理领域中的一个热点研究课题.现有的观点检索模型在检索过程中往往无法根据上下文将词汇进行知识、概念层面的抽象,在语义层面忽略词汇之间的语义联系,观点层面缺乏观点泛化能力.因此,提出一种融合文本概念化与网络表示的观点检索方法.该方法首先利用知识图谱分别将用户查询和文本概念化到正确的概念空间,并利用网络表示将知识图谱中的词汇节点表示成低维向量,然后根据词向量推出查询和文本的向量并用余弦公式计算用户查询与文本的相关度,接着引入基于统计机器学习的分类方法挖掘文本的观点.最后利用概念空间、网络表示空间以及观点分析结果构建特征,并服务于观点检索模型,相关实验表明,本文提出的检索模型可以有效提高多种检索模型的观点检索性能.其中,基于统一相关模型的观点检索方法在两个实验数据集上相比基准方法在MAP评价指标上分别提升了6.1%和9.3%,基于排序学习的观点检索方法在两个实验数据集上相比于基准方法在MAP评价指标上分别提升了2.3%和14.6%.     

基于基尼系数-交叉效率的多属性决策方法

在数据包络分析(DEA)方法的基础上,提出一种基于基尼系数-交叉效率的多属性决策方法,用于解决具有多个投入、产出指标的多属性决策问题.首先,借鉴基尼系数的优化准则构建基尼系数-交叉评价策略模型,从而得到相对唯一的DEA交叉效率矩阵;然后,应用基尼准则计算各个效率值所包含的信息纯度,并借之实现交叉效率矩阵的集结;最后,根据集结结果对决策单元进行排序和择优.所提决策方法不仅能够克服传统DEA交叉效率方法的交叉评价策略选择难的问题,而且能够保证决策过程的客观性和公平性.同时,所提方法还对交叉评价所得的决策信息进行提纯,为科学合理地进行决策提供更多的有效信息.通过对中国各地区的医疗资源配置效率进行实证,验证了所提出方法的有效性和实用性.     

A versatile Topology Optimization Strategy for Devising Low-Dimensional Architectures with Boosted Photocatalytic Activity

Constructing low-dimensional heterojunctions via hybridizing 0D, 1D, and 2D building blocks is an effective means to devise higher-order architectures with excellent photocatalytic reaction activities. Developing a versatile topology optimization strategy paves the way for guiding the rational structural design of a wide range of heterostructures. Herein, taking the ZnO-CdS hybrids with mixed topology structures (including 0D-1D, 0D-0D, and 1D-1D composites) as a model system, the work unveils a ubiquitous, yet unrecognized, topology dependence of photocatalytic performances and the 0D-1D topology combination coupled with an annealing treatment gives rise to an optimal photocatalytic redox activity, far exceeding those of 0D-0D and 1D-1D counterparts. The 0D-1D topology integrates the structural merits of both constituent units, where the 1D unit acts as a rigid matrix to allow the uniform dispersity of 0D units for exposing abundant active sites, and a mobile 0D unit contributes to the interfacial reconstruction for forming charge-migration-expediated heterointerfaces via thermal-induced grain rotations. Such thermal-annealing-coupled topology optimization methodology shows applicability for a large spectrum of low-dimensional heterojunctions, offering a prototype for the precise structural design of low-dimensional heterojunctions with enhanced catalytic performance.     

基于聚类集成和激活因子的扩展置信规则库推理模型

规则约减和规则激活是扩展置信规则库(EBRB)推理模型优化研究中的两个重要方向.然而,现有研究成果大多存在方法参数确定主观性强和计算复杂度高等不足.为此,通过引入聚类集成和激活因子提出改进的EBRB推理模型,称为CEAF-EBRB模型.该模型先基于聚类集成对历史数据进行多次的数据聚类分析,再以簇为单位将所有历史数据生成扩展置信规则;同时,通过激活因子修正个体匹配度计算公式以及离线的方式计算激活因子取值,以确保高效地激活一致性的规则.最后,在非线性函数拟合、模式识别、医疗诊断等常见问题中验证了所提CEAF-EBRB模型的可行性和有效性,从而为决策者提供更准确的决策支持.     

基于电弧故障测试系统的电缆碳化路径分析与判别

基于低压电弧故障测试中电缆碳化路径的加速形成机理和制备过程,对制备结果进行分类和分析,提出了一种电缆碳化路径的判别方法。该方法利用幅值检测、滑动平均滤波算法和小波分析方法分别区分电缆碳化路径处于欠碳化、碳化断路、碳化短路和碳化成功的4种制备结果。在Simulink中搭建具有电弧电流高频分量的电路仿真模型对所提方法进行分析和验证,并利用该方法进一步测试通过电弧故障测试系统制备完成的碳化电缆试品。最终,仿真和实验结果验证了所提方法的有效性和可行性,其可以有效提高电缆碳化路径制备结果的识别率和电弧故障测试的效率。     

基于堆叠稀疏降噪自编码器的暂态稳定评估模型

深度学习模型凭借其良好的性能被引入到电力系统的暂态稳定性评估中,但进行在线应用时,须关注模型的抗噪能力和泛化能力。文中提出一种基于堆叠稀疏降噪自编码器(SSDAE)的暂态稳定性评估模型,首先对原始输入数据加入噪声得到受损数据样本,然后对受损数据样本进行高阶特征提取,最后将提取的高阶特征重构成未受损的数据,这一训练过程大大提高了模型的抗噪能力。同时,在对输入特征进行重构的过程中,对隐藏层神经元权重和激活程度进行抑制,实现模型的稀疏化,以此提高模型的泛化能力。仿真结果表明,相对于其他机器学习算法,SSDAE模型具有良好的抗噪能力和泛化能力。