核聚类算法

该文提出了一种用于聚类分析的核聚类方法，通过利用Mercer核，作者把输入空间的样本映射到高维特征空间后，在特征空间中进行聚类，由于经过了核函数的映射，使原来没有显现的特征突出来，从而能够更好地聚类，该核聚类方法在性能上比以典的聚类算法有较大的改进，具有更快的收敛速度以及更为准确的聚类，仿真实验的结果证实了核聚类方法的可行性和有效性。  

免疫规划

在借鉴生命科学中免疫概念与理论的基础上，提出了一种新的算法－免疫规划算法，该算法的核心在于免疫算子的构造，而免疫算子又是通过接种疫苗和免疫选择两个步骤来完成的，理论证明免疫规划是收敛的，文中给出了免疫疫苗的一种自适应选取与构造方法，仿真结果表明该算法不仅可以有效地抑制原算法在进化过程中所出现的退化现象，而且在搜索能力的自适应性能方面有较大改善，进而提高收敛速度。  

基于免疫规划的K-means聚类算法

在分析K—means聚类算法的优越性和存在不足的基础上，提出了一种新的聚类算法——基于免疫规划的K—means聚类算法．理论分析和仿真结果表明，该算法不仅有效地克服了传统的K—means聚类算法易陷入局部极小值的缺点，而且明显地避免了对初始化选值敏感性的问题，同时也有较快的收敛速度．  

自适应灰度级数字水印技术

目前的大部分水印技术是侧重于嵌入一维或二维伪随机序列，由一这类水印固有的缺点如信息量少，不具备可视性等，具有明显的说明意义及较好可视性的水印图像正得越来越多的关注，但是这类水印数据量 ，限制了其应用，该文提出了一种新颖的基于小波域的自适应灰度级数字水印技术，包括水印图像预处理和自适应嵌入策略两部分，实验结果证明该方法较好地克服了灰度水印数据量大的缺点，并且有效地提高了水印的稳定性。  

密度敏感的半监督谱聚类

聚类通常被认为是一种无监督的数据分析方法,然而在实际问题中可以很容易地获得有限的样本先验信息,如样本的成对限制信息.大量研究表明,在聚类搜索过程中充分利用先验信息会显著提高聚类算法的性能.首先分析了在聚类过程中仅利用成对限制信息存在的不足,尝试探索数据集本身固有的先验信息--空间一致性先验信息,并提出利用这类先验信息的具体方法.接着,将两类先验信息同时引入经典的谱聚类算法中,提出一种密度敏感的半监督谱聚类算法(density-sensitive semi-supervised spectral clustering algorithm,简称DS-SSC).两类先验信息在指导聚类搜索的过程中能够起到相辅相成的作用,这使得DS-SSC算法相对于仅利用成对限制信息的聚类算法在聚类性能上有了显著的提高.在UCI基准数据集、USPS手写体数字集以及TREC的文本数据集上的实验结果验证了这一点.  

一种基于混沌序列的图象加密技术

混沌序列具有易生成性、对初始条件强敏感性、可完全重现性以及整体的伪白噪声统计特性等特点 ,同时混沌序列的离散映射序列也具有其相似的特性 .基于以上特性 ,给出了一种基于混沌序列的图象置乱加密算法 ,其首先 ,以初始条件为密钥生成混沌序列 ,并将它映射为 2 K值混沌序列 ;然后依据该序列随机地修改图象每个像素点的灰度值 .同时为了度量加密或置乱的程度 ,还给出了一种基于图象局部方差的图象置乱度的定义 .实验结果证明了该算法实现简单 ,计算量小 ,且图象的解密结果对混沌序列的初始值有较强的依赖性 ,安全性高 ,同时也证明了给出的图象置乱度能更好反映图象加密前后的视觉差别和加密效果 .  

组织协同进化分类算法

提出了一种有效的用于数据挖掘分类任务的方法——组织协同进化分类算法(Organizational CoEvolu-tionary algorithm for Classification,OCEC)，与现有遗传分类方法的运行机制不同，它的进化操作直接作用于数据而不是规则，进化结束后再从各组织中提取规则，这样有利于避免在进化过程中产生无意义的规则。提出了三种组织进化算子——增减算子、交换算子与合并算子和一种组织选择机制，给出了属性重要度的进化方式并基于此定义了组织适应度，作者将算法用于UCI数据集，并与现有的基于遗传和非遗传的分类方法进行了比较。实验结果表明该文方法获得了更高的预测准确率，产生了更小的规则集；对同一数据集进行k—次交叉验证，其预测准确率的波动较小，因此本文算法具有更加稳定的性能。  

求解SAT问题的量子免疫克隆算法

将量子计算应用于人工免疫系统中的克隆算子,提出了一种基于量子编码的免疫克隆算法(Quantum-Inspired Immune Clonal Algorithm,QICA)来求解SAT问题,并从理论上证明了算法的全局收敛性.算法中采用量子位的编码方式来表达种群中的抗体,针对这种编码方式采用量子旋转门和动态调整旋转角度策略对抗体进行演化,加速原有克隆算子的收敛;利用克隆算子的局部寻优能力强的特点,在各个子群体间采用量子交叉操作来增强信息交流,提高种群的多样性防止早熟.实验中,用标准SATLIB库中的3700个不同规模的标准SAT问题对QICA的性能作了全面的测试,并与单纯的量子遗传算法和简单免疫克隆算法以及著名的WalkSAT和PFEA2算法进行比较,仿真实验表明:QICA具有更高的成功率和运算效率.对于具有250个变量、1065个子句的SAT问题,QICA也仅用了1.357s,显示出了优越的性能.  

组合优化多智能体进化算法

提出了一种新的组合优化方法——组合优化多智能体进化算法．该方法将智能体固定在网格上，而每个智能体为了增加自身能量将与其邻域展开竞争，同样智能体也可进行自学习来增加能量．理论分析证明算法具有全局收敛性．在实验中，作者分别用强联接、弱联接、重叠联接等各种类型的欺骗函数对算法的性能进行了全面的测试，并将算法用于解决具有树状等级结构的问题．比较结果表明文中算法所需的计算量远远小于其它方法，具有较快的收敛速度．为了测试算法解决大规模问题的能力，作者还将算法用于解决上千维的欺骗问题和等级问题，结果表明该文算法的计算复杂度与问题规模成多项式的关系．此外，将算法用于上千维的欺骗问题和等级问题，在国内外还均未见报到．  

组织进化数值优化算法

基于经济学中“组织”的概念 ,该文提出一种新的进化算法———组织进化算法 ,来解决无约束和有约束的数值优化问题 .该算法与传统遗传算法、进化规划、进化策略的运行机制完全不同 ,其进化操作不直接作用于个体上 ,而作用在组织上 ,为此 ,该文定义了三种组织进化算子———分裂算子、吞并算子和合作算子来引导种群进化 .理论分析证明组织进化算法具有全局收敛性 .实验中 ,用 4个无约束和 6个有约束标准函数对算法进行了测试 ,与 3个新算法作了比较 ,并对组织进化算法的性能作了深入分析 .结果表明 ,该文算法无论在解的质量上还是在计算复杂度上都优于其它算法 .对于有约束问题 ,只用了简单的静态罚函数就得到了良好的效果 ,这表明该文算法的搜索机制非常有效 ,不易陷入局部最优 .最后 ,参数分析的结果表明该文算法具有性能稳定、成功率高、对参数不敏感等优越的性能