零件分类条件下废旧产品拆卸序列多目标优化

产品拆卸序列的优化有助于提高产品的拆卸效率和经济性。分析废旧产品的拆卸过程,对废旧产品中的零件进行分类,将其零件分为破坏性拆卸零件和常规拆卸零件两类,把零件分类的概念引入拆卸模型中,进而建立一个改进拆卸混合图模型,将常规拆卸方法和破坏性拆卸方法有效地结合起来应用到废旧产品的拆卸过程中。构建以最小拆卸时间和最小拆卸成本为目标的产品拆卸序列多目标优化函数,运用粒子群算法对该目标函数进行求解。通过实例验证该方法的可行性和有效性。     

基于组合服务执行信息的服务选取方法研究

组合服务选取问题是服务计算领域的一个研究热点问题,已往的选取方法大多基于难以准确获取的服务QoS信息,且算法思路复杂.文中提出了一种基于组合服务执行信息的服务选取方法.该方法分为3个阶段:数据生成阶段、数据挖掘阶段和服务选取阶段,分别进行组合服务执行信息的记载和相关数据集的生成、路径分支关联规则和服务执行顺序序列模式的挖掘以及基于挖掘产生的知识模式进行服务选取.文中首先给出一种可以方便记载日志的服务组合系统架构;然后提出一种基于时间加权的算法模型,以有效地进行路径分支关联规则和顺序序列模式的挖掘;最后对文中的组合服务选取方法进行描述.实验结果表明:文中方法在选取出的组合服务健壮性方面要优于基于QoS的方法.     

基于粗糙集的支持向量聚类方法

针对支持向量聚类(Support Vector Clustering,SVC)的软核,引入了粗糙集的理论。通过粗糙集的上下边界,对SVC算法的核函数进行改进。通过聚类过程,算法不仅可以有效处理边界点,发现任意形状的软聚类集,还可以通过交互参数调整,控制结果的软边界。基于粗糙集的SVC解决了不确定边界的归类问题,而不需要额外的计算开销。实验结果表明算法能有效地处理软边界,同时也证实了算法的正确性。     

一种用于数据挖掘算法的数据生成方法

由于受到保密性、时间和数据多样性等一些原因的限制,测试数据集的获取一直困扰着数据挖掘算法的研究．因此,提出一种基于遗传算法和熵的测试数据集的模拟生成方法,生成方法利用遗传算法具有继承性的特性对采集到的少量的真实数据进行扩充和模拟,用熵衡量生成数据与真实数据的相似程度,最终生成规模大的测试数据集,并给出了描述型数据的生成算法．使用此方法,可以生成同真实数据集具有相同的属性,相同的属性取值区间和属性值分布,类似属性关联关系的测试数据集,加速数据挖掘算法的研究进程．     

基于最小加权支持的加权序列模式挖掘算法

针对序列模式挖掘进行探索,通过对项目加权体现项目的重要性,进而实现序列的加权;加权后,频繁序列的子序列不一定频繁,因此提出序列的最小加权支持概念,并由此提出了加权序列模式挖掘算法MWSP。仿真实验结果表明,与同类算法WSpan比较,MWSP算法更能体现序列的重要性。