IBWIICC:结合局部独立覆盖检测策略增量求解极小碰集的算法

基于模型的诊断推理是人工智能领域的一个重要分支.其中由冲突部件集产生所有极小碰集是基于模型诊断推理的重要一步.根据布尔算法的特征,所有的冲突集可以划分为左右两个子集合簇,且左分支集合簇恰好为右分支集合簇的子集,这为由左分支增量产生右分支极小碰集提供了理论基础;另外,在自底向上增量归并元素的过程中,结合局部独立覆盖策略可以直接增量产生所有的极小碰集,从而避免非极小碰集和相同极小碰集的冗余产生.理论上,右分支解集可由左分支解集增量方法产生,避免了碰集中大量元素的重复计算.大量实验结果表明：本文提出的算法比之前的布尔算法及相关改进算法都具有显著的效率提升,最高可达约5倍.     

极小碰集求解算法的性能分析与比较

基于模型的诊断为人工智能领域中一个重要的研究分支,极小碰集即候选诊断的求解过程极大影响最终的诊断效率.本文关注当前主要的极小碰集求解算法,简要介绍了它们的基本思想,从算法描述和实例比较了它们的异同和复杂性,并设计实现了一个统一的实验平台,测试并比较了它们的实际执行效率,为实际选择合适的算法提供了重要参考依据.     

基于图着色的无线自组网极小连通支配集算法

基于连通支配集算法的虚拟主干网技术对于无线自组网的路由优化、能量保护和资源分配都具有重要的作用。通过引入极大独立集和极小支配集概念,基于图着色思想提出一种新的适合于无线自组网的极小连通支配集算法,从理论上证明了该算法的正确性和高效性,也通过仿真实验分析了该算法在多种情况下的实际性能,仿真结果表明新算法在簇头和主干节点数目方面具有较好的性能,特别在节点密集的网络环境中更加突出。     

基于极小独立支配集的MANET虚拟骨干网算法

对规模较大、移动较频繁的MANET(Mobile Ad hoc Networks),用独立支配集构建虚拟骨干网,克服骨干节点之间必须维护连通性的问题,使得拓扑变化较快时骨干网的重构能快速实现;利用极大独立集的求解得到极小独立支配集,并给出基于该支配集的虚拟骨干网数学模型及算法;通过仿真验证算法的有效性、低复杂度和自恢复能力.     

结合问题特征利用SE-Tree反向深度求解冲突集的方法

基于模型诊断是人工智能领域内的一个重要研究方向,求解极小冲突集在基于模型诊断中有着重要应用.在对结合CSISE-Tree求解冲突集方法深入研究的基础上,根据冲突集求解特征重构了结合枚举树的计算冲突集的过程,提出基于深度优先反向搜索求解冲突集的方法.针对CSISE-Tree方法求解时占用内存空间与元件总数指数级相关的缺点,构建反向深度搜索方法减小求解时所占用内存空间;针对CSISE-Tree方法不能对部分非极小的冲突集进行剪枝的问题,给出对非冲突集和更多非极小的冲突集进行剪枝的方法,有效减少了求解时调用SAT(Boolean SATisfiability problem)求解器的次数;实验结果表明,与CSISE-Tree方法相比,本文提出的方法求解效率有明显的提升,并避免了求解时的内存爆炸问题.     

基于Vague集的特征不确定性建模及相以度求解

受图像噪声和特征提取方法不稳定性等的影响,特征提取结果存在不确定性,它降低了同名特征之间的相似程度,增大了匹配模糊性.如果忽略这种不确定性,可能会造成匹配精度的降低,甚至导致匹配的失败.为此,本文对图像配准中常用特征的属性参数不确定性进行了分析和建模,并提出了一种基于Vague集的不确定性特征相似度求解方法.本文的理论...     

基于强化学习的多机器人避碰算法研究

采用强化学习解决多机器人避碰问题。然后针对表格式Q学习算法只能用于离散的状态并且学习时间过长,难以收敛的不足,提出了神经网络和Q学习相结合的算法。最后将该算法应用到多机器人避碰问题中,仿真实验表明该算法有效,能较好地解决多机器人避碰问题。     

基于改进粒子群算法和特征点集的无线传感器网络覆盖问题研究

本文针对基于网格点的区域覆盖算法未考虑网络的固有特征,导致算法存在近似及复杂度偏高等问题,通过研究区域覆盖的特征,结合概率感知模型,对区域内两点的覆盖率关系进行分析,定义了特征点集的概念;对特征点集进行建模,将区域覆盖转化为基于特征点集的优化问题。利用改进粒子群算法解算此优化问题,通过惯性权重及局部增强因子扰动项,避免其陷入早熟状态;同时,针对集中式PSO算法不适用于无线传感网的问题,本文提出了一种并行分区式策略。仿真分析验证了所提算法的优越性和特征点距上界的存在性,该方法为区域覆盖问题的研究提供了新的思路。     

基于粒子群算法和航行规则的分步多船避碰路径规划

针对宽水域多船避碰过程中路径规划难与航行规则结合的问题,提出一种分步多船避碰路径规划算法。首先将障碍船视为静态障碍物,利用极坐标空间的粒子群路径规划算法结合船舶安全领域进行静态路径规划,得到船舶避碰转向点;然后利用航行规则对转向点的转向角度进行动态修正。通过对算法进行仿真验证,能够很好地解决多船避碰路径规划的问题,为解决多船避碰问题提供一种新的思路。     

标签敏感的多重集正交相关特征融合方法

典型相关分析(CCA)作为一种经典的特征融合方法,广泛用于模式识别领域,其目标是学习相关投影方向使两组变量间的相关性最大,但其没有考虑样本的类标签信息和样本间的信息冗余(MDOCCA),从而影响了融合后特征的监督敏感性和鉴别力。为此,该文提出一种标签敏感的多重集正交相关特征融合方法,该方法在典型相关分析理论基础上,将类标签信息嵌入到特征融合框架,同时加入正交约束确保融合特征最大限度的不相关,减少特征信息冗余,提高鉴别力。在不同图像数据集上的实验结果显示该方法是一种有效的特征融合方法。     

递归建立HS-树计算最小碰集

在基于模型的诊断中，广泛地使用冲突集来计算最小碰集的算法诊断。现有的HS－树，HST－树，BHS－树等算法普遍存在实现的困难。文章提出用递归算法建立平衡的二叉HS－树（Recursive hitting set-树，简记为RHS－树）计算最小碰集的方法，在空间复杂性与时间复杂性上能够满足大多数诊断系统中的要求。     

混合均值中心反向学习粒子群优化算法

为平衡粒子群算法勘探与开发能力,本文提出混合均值中心反向学习粒子群优化算法.算法将所有粒子和部分优质粒子分别构造的均值中心进行贪心选择,得出的混合均值中心将对粒子所在区域进行精细搜索.同时对混合均值中心进行反向学习,使粒子能探索更多新区域.将本文算法与最新改进的粒子群算法、人工蜂群算法和差分算法在多种测试函数集上进行比较,实验结果验证了混合均值中心反向学习策略的有效性,算法的综合优化性能更强.     

基于折射原理反向学习模型的改进粒子群算法

对于粒子群优化算法易陷入局部最优的缺陷,反向学习策略对其的改进取得了较好的效果.然而,反向学习策略需要结合其它策略来提高算法后期的全局搜索能力,针对此缺陷,根据光的折射原理对反向学习策略的反向过程进行改进,提出反向学习的统一算法模型及基于折射原理反向学习模型的改进粒子群算法.实验与分析表明,与其它基于反向学习的粒子群算法相比,该模型更有效地改进了所提算法的全局搜索能力,提高了种群的多样性,从而提高了算法的收敛速度以及优化精度.     

一种信息充分交流的粒子群优化算法

提出了一种信息充分交流的粒子群优化算法. 首先,建立了信息素矩阵,提供了粒子之间信息分享的平台;然后,采用正态分布融合信息素矩阵中的信息,并使用位置修正加强群体信息的交流;最后,通过位置扰动来增强群体对信息的利用能力. 采用基准函数对该算法进行测试,数值实验结果验证了该算法的有效性.     

具有量子行为的粒子群优化算法惯性权重研究及应用

在研究惯性权重对基本PSO算法影响的基础上,根据惯性权重对粒子群算法影响的特点,采用4种惯性权重策略对一种新的具有量子行为的粒子群算法的速度进行调节,比较每种算法的性能,从中找到一种新的性能更好的改进算法,将其用于求解0-1背包问题。实验结果表明较好地选择惯性权重参数对算法的性能有很大提高,该改进算法在求解0-1背包问题中具有高效性,提高了最优解的精度,同时具有较快的收敛速度。     

基于拟熵自适应启动局部搜索策略的混合粒子群算法

在继承综合学习粒子群算法（Comprehensive Learning Particle Swarm Optimizer,CLPSO）全局探索优势的基础上,引入具有高效收敛性能的传统局部搜索（Orthodox Local Search,OLS）方法,提出了基于拟熵自适应启动局部搜索策略的混合粒子群算法（Hybrid Particle Swarm Optimization algorithm with Adaptive starting strategy of Local Search based on Quasi-Entropy,ALSQE-HPSO）.采用拟熵指标解决何时启动OLS这一关键问题.对8个标准函数的10维和20维问题的测试结果,表明了ALSQE-HPSO算法的性能优势.本文提出的算法也与包含两种基于CLPSO的改进算法和一种带OLS的粒子群算法在内的其他6种改进粒子群算法进行了对比,实验结果表明ALSQE-HPSO算法的性能优于对比算法.