具备反向学习和局部学习能力的粒子群算法

为解决粒子群优化（Particle Swarm Optimization,PSO）算法中存在的种群多样性和收敛性之间的矛盾,该文提出了一种具备反向学习和局部学习能力的粒子群优化算法（Reverse-learning and Local-learning PSO,RLPSO）。该算法保留了初始种群中满足排异距离要求的多个较差粒子以及每个粒子的历史最差位置。当检测到算法陷入局部最优时,利用这些较差粒子的位置信息指导部分粒子以较快飞行速度进行反向学习,将其迅速牵引出局部最优区域。反向学习过程可改善粒子种群的多样性,保证了算法的全局探测能力;同时,利用较优粒子间的差分结果指导最优粒子进行局部学习与搜索,该过程可与粒子群的飞行过程并行执行,且局部学习的缩放因子可随进化过程动态调节。局部学习可提高算法的求解精度,保证算法的迅速收敛。实验结果表明,RLPSO 算法同其他 PSO 算法相比,在高维函数优化中具有收敛速度快、求解精度高的特点。     

求解六峰值驼背函数优化问题的热力学演化算法

作为计算智能关键技术的演化计算,因其在对复杂和非线性问题的求解中表现出良好的适应性、并行性、鲁棒性等众多优点,受到众多领域专家学者的广泛关注.在综合国内外演化计算研究现状的基础上,基于热力学中的自由能极小化原理,设计了一个全新的热力学演化算法,并通过对于六峰值驼背函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,试验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优.     

一种求解Shubert函数优化问题的演化算法

综合国内外演化计算研究现状,基于热力学中的自由能极小化原理, 设计了一个全新的热力学演化算法,并通过对于Shubert函数优化问题求解的数值试验,测试了热力学演化算法的优良性能,实验结果表明了热力学演化算法求出的解比一般演化算法求出的解更加接近于全局最优。     

一种适用于多媒体通信的无环路实时组播路由算法

随着多媒体业务的发展,组播通信在考虑代价的同时对实时性要求也更高,本文提出了一种无环路的实时组播路由算法,还对算法的动态化进行了讨论,该算法适合于有源的多媒体通信。     

一种改进的线性判别分析法在人脸识别中的应用

提出了一种新的基于LDA的人脸识别算法。该方法重新定义了样本的类间散布矩阵，在原始的定义基础上增加了一种径向基函数（RBF）调节类间距离，使得在选择投影方向时能更好地分升各类样本；同时该方法存类间散布矩阵与类内散布矩阵的特征分解的基础上，通过变换求出符合Fisher准则的最优投影方向，可以证明这样得到的投影方向同时具有正交性与统计不相关性。通过ORL人脸数据库的数值实验，表明了该算法比传统算法有更好的性能。     

用演化算法求解抛物型方程扩散系数的识别问题

基于演化算法给出了一类求解参数识别反问题的一般方法,该方法表明只要找到好的、求解相应的正问题的数值方法,演化算法就可以用于求解此类反问题。设计有效的求解反问题的演化算法的关键是寻找一种适合反问题的解空间的编码表示形式、适当的适应值函数形式以及有效的计算正问题的数值方法。该文结合算法、传统的求解反问题的工方法和正则化技术,设计了一类求解参数识别反问题的方法。为验证此类方法,将其用于求解一维扩散方程的     

演化多目标优化中的几何热力学选择

热力学遗传算法(Thermodynamical Genetic Algorithms,TDGAs)借鉴热力学中的自由能极小过程来统一处理多目标优化在逼近性和多样性两方面的任务.为提高TDGA的运行效率和解集分布均匀性,提出了一种几何热力学选择.在该选择中首先定义角度熵通过扇形采样来度量种群逼近方向的多样性.然后利用距离精英定义距离能量来度量种群的逼近程度,避免了耗时的非劣分层操作.此外,引入分量热力学替换规则以较低计算代价驱动种群的几何自由能快速下降.在多目标0/1背包问题上的实验结果表明,几何热力学选择极大地提高了TDGA的运行效率和解集分布均匀性;采用该选择的TDGA算法可生成与NSGA-II在逼近性和分布多样性上性能相当的解,但在运行效率上明显优于NSGA-II.     

基于群智能的新型反向混合差分进化算法

依据PSO和DE在函数优化方面所展现的优越性能,提出一种融合粒子群智能思想的新型反向混合差分进化算法(ODE-SI).本文分析这两种启发式方法之间的潜在联系,并在ODE-SI中不仅保留了粒子群智能思想中的经验记忆,而且应用了反向学习(opposition-based learning,OBL)操作促使演化生成过程的跃变,从而使算法具有较高的收敛速度和较好的种群多样性.此外,通过测试函数的仿真实验,本文将ODE-SI与其他DE和PSO算法进行比较.实验结果证实了新算法的高效性、通用性和稳健性.     

基于最小熵产生选择策略的遗传算法研究

针对遗传算法(Genetic Algorithm, GA)容易陷入局部最优的问题,借鉴热力学非平衡定态下的最小熵增原理,提出一种基于最小熵增原理的热力学选择策略,使个体的选择不再完全依赖于适应值。通过最小熵产生选择策略使种群在保证收敛速度的同时保持多样性,有效避免了种群陷入局部最优。通过定义个体密度来度量种群多样性,利用精英策略驱动种群熵产生快速下降;当种群多样性过低时,使用基于最小熵产生的选择策略产生新种群以保证种群多样性。在0/1背包问题和数值测试问题上的实验结果均表明,该策略能很好地保证解集分布的均匀性,防止种群陷入局部最优。同时,该策略也可应用于目前较新改进的遗传算法中,对算法效率也有一定的改进,具有很好地普适性。     

基于开发者多元特征的软件缺陷自动分派方法

软件缺陷修复是软件生命过程中一个不可忽视的问题,如何高效地进行软件缺陷的自动分派是一个十分重要的研究方向。目前已有的研究方法多侧重于缺陷报告的文本内容或开发者抛掷网络中的浅层信息,而忽视了开发者抛掷网络中的高层次拓扑信息。为此,提出了一个基于开发者多元特征的软件缺陷自动分派模型MFD-GCN。该模型充分考虑开发者抛掷网络中的高层拓扑特征,并运用图卷积网络强大的网络特征提取能力,充分挖掘出代表开发者深层合作关系和修复偏好性的多元特征,并与缺陷报告文本特征一起训练分类器。模型在两个大型开源软件项目Eclipse和Mozilla上进行实验,实验结果表明,相比近年来提出的主流分派方法,MFD-GCN模型在推荐前K个开发者时均取得了较好的推荐结果,其中,在Eclipse项目上Top-1推荐准确率达到了69.8%,在Mozilla项目上达到了59.7%。