束搜索算法的候选选取方法研究

在假设空间中进行爬山搜索是机器学习算法中常用的策略，爬山算法不能保证得到全局最优解，为了减少收敛到局部最优解的风险，束搜索应用而生。宽度为k的束搜索，在每一步以k个最佳候选为入口进行搜索(产生分支)，并从结果集中再次选取k个候选作为下一步的搜索入口。但目前多数算法只是在结果集中简单选取具有最大启发式性能量度值的k个成员。该文讨论了束搜索算法，提出了几种合理的候选选取方法，并在UCI数据库上进行对比实验测试，给出了实验结果。     

基于GA-BP算法的超声波测量精度优化研究

针对复杂环境下超声波传感器测量系统测量精度问题,以罐体油位测量为例,提出一种基于神经网络遗传算法的超声波传感器测量精度优化模型,实现超声波油位测量系统的非线性误差校正。仿真结果表明,该方法可以减小超声波传感器本身结构和外界因素的干扰,提高测量精度。     

类搜索算法

提出利用类结构驱动的群体进化计算方法——类搜索算法(CSA).CSA在个体间构造簇类形态的虚拟连接关系,并通过对类组织的结构和类搜索过程进行动态调节来优化模拟进化系统的计算状态,提高群体的搜索效率.介绍了CSA的基本模型,并基于CSA融合进化算子与差分计算机制设计出数值优化算法CSA/DE.对多个典型高纬函数和复杂混合函数的仿真实验结果说明,CSA/DE是一种对高纬连续问题高效、稳定的搜索优化方法.该工作一方面验证了CSA的可行性和有效性;另一方面则显示:基于类搜索模型可有效融合异构且具有不同计算特性的搜索机制,形成对待求解问题更具针对性且协调性更佳的搜索计算方法.这为高性能优化算法的设计提供了一条新的途径.     

说话人识别中随机局部搜索算法的研究

目前在矢量量化的码本训练中经典的聚类方法是LBG算法,但该算法的主要缺陷是对初始码书的依赖性较大,容易过早地陷入局部极小.本文在基于矢量量化的说话人识别中研究了一种随机局部搜索的聚类算法.该算法不依赖初始条件,结构规则,容易实现,效果好,具有很优越的全局优化搜索能力,在语音参数聚类实验中表现出了很好的性能,得到的码书质量也优于经典的LBG-算法,从而为在基于矢量量化的说话人识别中设计准全局最优码书提供了一种新思路.     

基于全局优化搜索算法的图像分割研究

基于聚类的图像分割算法中,由于模糊C-均值算法需要初始化,并且目标函数存在许多局部极小点,如果初始化落在目标函数的局部极小点附近,就会造成算法收敛到局部极小.为了解决此问题,采用全局优化搜索算法,提出了将全局优化搜索技术引入进来对模糊C-均值算法加以改进,分析了在不同初始条件下,对许多样本的聚类分析时,全局优化搜索算法比传统的模糊C-均值聚类算法更加有效,通过仿真实验验证并对算法性能进行理论分析.     

双层束搜索算法优化机器人制造单元调度问题

针对混流生产阻塞机器人制造单元调度问题，给出了可行机器人运动插入法，构建可行解。依据可行机器人运动插入法，提出双层过滤变宽度束搜索算法进行求解。搜索过程利用局部评价函数和全局评价函数对节点进行两次择优选取。通过计算随机生成算例，仿真结果表明，相对于以分支定界算法产生的可行解进行变邻域搜索、分支定界算法、局部评价函数束搜索算法、全局评价函数束搜索算法和双层过滤定宽度束搜索算法，双层过滤变宽度束搜索算法不但能显著提高搜索效率，而且解的平均改进度分别为3.07%、6.07%、7.79%、12.62%、14.47%。     

收敛精度对换热网络优化路径的影响

换热网络本身严重的非线性导致了局部极值大量存在而极易陷入局部最优陷阱无法跳出,优化策略产生的领域搜索能力的好坏直接决定了全局搜索和跳出局部最优的能力。收敛精度不仅直接影响着优化程序的效率和求解精度,同时收敛精度的不同取值带来的"误差累积"导致基于原理论的优化方向发生改变。因为计算机以有限位的浮点数来表示实数从而产生舍入误差或者在计算过程中出现有效位数失落,导致在有整型变量优化的换热网络中对有无换热器(0-1)判断中产生不同的结果。通过基于共轭性原理提供优化方向的Powell法来具体分析不同收敛精度对优化方向的影响,将权重较大的精度们在10SP1算例中组合试验分析,特定换热器下具体观察优化路径的改变。     

融合全局最好和声搜索算法的模糊C均值聚类图像分割

针对传统模糊C均值(FCM)聚类算法聚类数目难以确定,迭代速度慢,易陷入局部最优以及对聚类中心初始值的设置敏感等问题,提出一种融合全局最好和声搜索模糊C均值(GBHS-FCM)聚类算法。首先,利用全局最好和声搜索(GBHS)算法的全局性和鲁棒性的优点,得到初始聚类中心和聚类个数,再将其作为传统FCM聚类算法的初始聚类中心和聚类个数;其次,提出一种新颖的模糊聚类目标函数,将图像像素点邻域依赖特性考虑进来,与像素点灰度信息共同作用,增强了分割结果空间的连续性;此外,还采用了一种新颖的距离公式代替欧氏距离公式,增强了新算法对噪声的鲁棒性。仿真结果表明,新算法有效避免了传统FCM算法因初始聚类中心设置敏感而收敛到局部最优解,在聚类精度、速度和鲁棒性上均比传统FCM算法有所提高,针对具有不同特征的图像分割取得了较好的结果。     

基于遗传进化的最近邻聚类算法及其应用

提出了基于遗传进化的最近邻聚类算法，该算法结合了遗传算法（GA）与最近邻聚类算法（NN）。对要进行分类的样本和特征量进行优化选取，去除位于类交界的模糊样本，并对样本分类有效的特征量进行放大，对不利于样本分类的特征量进行抑制，从而提高了样本分类的精度，将该算法应用于抽水蓄能发电机组的工况分类，大大提高了机组工况的识别效果，验证了基于遗传算法的最近邻聚类算法的有效性。     

Tabu搜索算法在玉米种子模糊模式识别中的研究及应用

本文针对玉米种子图像识别的特点,提出了基于模糊理论的玉米种子图像识别方法.文中将禁忌搜索算法(Tabu search)引入到C-均值聚类中,以克服模糊C-均值聚类的局部性和对初始聚类中心的敏感性;最后,详细设计了上述各算法.该方法为种子的在线检测提供了一种新思路,也拓展了模糊理论的应用范围.     

基于集束搜索的可解释阈值树构造

传统的聚类算法能够将数据集划分成不同的簇,但是这些簇通常都是难以解释的. IMM (iterative mistake minimization)是一种常见的可解释聚类算法,通过单个特征来构造阈值树,每个簇都可以用根节点到叶子节点路径上的特征-阈值对进行解释.然而,阈值树在每一轮划分数据时仅考虑错误最少的特征-阈值对,这种贪心的方法容易导致局部最优解.针对这一问题,本文引入了集束搜索,通过在阈值树的每一轮划分过程当中保留预定数量的状态来减缓局部最优,进而提高阈值树提供的聚类划分与初始聚类划分的一致性.最后,通过实验验证了该算法的有效性.     

求解函数优化问题的改进布谷鸟搜索算法

在工程优化中,大多问题是连续优化问题,即函数优化问题。针对布谷鸟算法求解函数优化问题时存在的收敛速度慢、求解精度不高和易陷入局部最优等问题,文中提出非线性惯性权重对数递减和随机调整发现概率的布谷鸟搜索算法(Cuc-koo Search Algorithm with Logarithmic Decline of Nonlinear Inertial Weights and Random Adjustment Discovery Probability,DWCS)。首先,在布谷鸟寻窝的路径和位置更新公式中,设计一种随进化迭代次数非线性递减的惯性权重来改进鸟巢位置的更新方式,以协调布谷鸟算法的探索和开发能力;其次,引入随机调整发现概率代替固定值发现概率,使较大和较小的发现概率随机出现,从而有利于平衡算法的全局探索和局部开发能力,加快算法收敛速度,增加种群多样性;最后,分析对数递减参数和随机调整发现概率,选取对数递减最佳参数组合和随机调整发现概率的最佳取值范围,此时,函数的优化效果最好。与BA,CS,PSO,ICS算法相比,所提算法极大地提高了寻优精度,显著地减少了迭代次数,有效地提高了收敛速度和鲁棒性。在16个测试函数中,DWCS均能收敛到全局最优解,证明了DWCS在求解连续复杂函数优化问题上具有较强的竞争力。     

基于启发式搜索算法的网格信息查询优化

如何提高网格信息系统的查询效率是提高网格性能的关键问题之一。在基于资源分类树(将计算资源按其属性和数值组织成平衡二叉树)的网格信息系统中,资源分类树深度过大,搜索效率就会降低。针对该问题,提出基于启发式搜索算法的查询优化方案并成功应用于原有的查询系统。给出具体的算法、实验步骤及结果分析。实验结果表明,采用启发式搜索可以提高网格查询系统的查询效率。     

带混沌搜索的粒子群聚类算法

聚类可以看成是寻找K个最佳聚类中心的过程。文中把一组聚类中心视为一个粒子（P）,把各个数据到各自聚类中心的欧式距离之和看成优化函数（f（P））,使用带混沌搜索的粒子群聚类算法（C-PSO）算法寻找最优函数值,从而找到最佳聚类中心。该算法改进了粒子速度的初始化,把混沌搜索嵌入到粒子群的搜索过程中,提高了粒子群的搜索能力。实验结果表明,该算法的聚类效果明显好于K-means和PSO聚类。     

基于过滤束的转移瓶颈算法在JSSP中的应用

举例证明了传统转移瓶颈算法在求解瓶颈机时并不能得到局部最优解.提出一种新的确定瓶颈机的模型,在综合考虑时间和求解精度的情况下,采用分支定界方法的改进方法--过滤束搜索来求解此模型.在过滤束中引用了不同工件到达时间和处理时间的约束关系来解决成环问题.通过对OR-Library中的33个标准job shop问题的实验结果看,此算法得到了比较满意的效果.     

一类求解箱式约束优化问题的自适应引力搜索算法

为了改进引力搜索算法求解箱式约束优化问题的性能,提出了一类自适应引力搜索算法,新算法定义了算法停滞系数,当算法陷入停滞时,可以自适应的修改引力参数,帮助算法跳出停滞状态;定义了个体相似系数,当种群陷入局部最优时,通过变异策略改善种群的多样性;数值试验结果表明,新算法有效的平衡了全局开发和局部搜索能力,具有更强的全局寻优能力,适于求解复杂优化问题。     

基于禁忌搜索的自适应粒子群算法

针对惯性权重线性递减粒子群算法不能适应复杂的非线性优化搜索过程的问题,提出了一种基于Sigmoid函数和聚集距离变化率改变惯性权重的方法。为了解决算法后期易陷入局部最优的缺点,在算法后期引人了具有记忆能力的禁忌搜索算法。改进后的算法不仅综合了粒子群优化算法的快速性、随机性和全局收敛性的优点,而且还具有禁忌搜索局部寻优的能力。测试函数仿真结果表明,改进后的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。     

基于改进离散布谷鸟搜索算法的毫米波大规模MIMO系统波束选择

在毫米波大规模MIMO系统中采用全数字编码需要大量的射频链路,从而导致能量损耗过高。针对这一问题提出一种基于离散布谷鸟搜索算法(Discrete cuckoo search, DCS)的波束选择方案,减少所需射频链路数而不会造成明显的性能损失。首先分析毫米波大规模MIMO系统的波束选择模型,引用DCS算法来求解模型;然后针对布谷鸟算法Levy飞行离散化结果中出现的非正常编码,采用启发式贪婪算法进行修复;将遗传算法中的复制引入DCS算法中,复制全局最优的鸟巢来替换其中被发现的鸟巢,加快算法收敛速度。仿真结果表明,所提基于改进DCS算法的波束选择方案相比几种已有的方案可以获得更优的和速率性能。