自适应协同进化蝙蝠算法

蝙蝠算法作为一种新型元启发式进化算法,不可避免在进化过程中存在陷入局部极值的危险.为了有效提高蝙蝠算法的进化性能,提出一种自适应协同进化的蝙蝠算法(ACEBA).为保证算法具有良好的进化结构,提出采用自适应进化种群结构,使得种群结构能够依据种群多样性在集中式结构与分布式结构之间进行切换.为协调实现主种群的勘探和子种群的开采,引入优良个体解对速度和位置进行更新,并在主种群和子种群内采用相适应的更新方式,同时将原有固定参数推广到自适应变化,并对蝙蝠行为的多普勒效应进行补偿.最后对所提出的算法进行收敛性分析和仿真验证,并与相关算法进行对比分析,充分验证了算法的正确性和有效性.     

基于混合策略的双种群约束优化算法

提出一种基于混合策略的双种群约束优化算法.利用双种群存储机制处理约束条件,并采用约束支配更新不可行解集,同时采用混合策略进化种群:在进化前期利用Deb准则产生可行解,并保留一部分非劣不可行解参与进化,保持种群多样性;在进化后期让最优个体和次优个体参与进化,使种群快速收敛.仿真实验结果表明,所提出的算法在保证种群多样性的同时,能够较好地收敛到全局最优解,且鲁棒性较好.     

基于共同进化计算模型的基因连锁问题求解

针对传统单种群进化类算法(conventional evolutionary algorithms,简称CEAs)求解基因连锁问题的不足,基于生物界共同进化机制提出求解NK基因连锁问题的合作式共同进化算法(Coevolutionary algorithm,简称CoEA),探讨其子种群的合作方式与个体适应值的计算方法,并从数学上分析该算法的性能,指出共同进化算法中高于平均适应值模式的递增指数高于传统单种群进化算法.仿真结果证实了理论分析.结果表明,共同进化算法比传统单种群进化算法对求解基因连锁问题的效力和效     

多空间协同进化的自然计算方法

在自然计算方法中,种群规模大,计算复杂度高;种群规模小,容易陷入局部最优.本文提出多空间协同进化(Multispace Coevolution,简称MSC)的自然计算方法,该方法适用于各种基于种群进化的优化算法,不依赖于算法进化的具体步骤,具有普适性.在传统的生物种群进化的基础上,将大种群分解为个数有限的小种群,部分小种群组成进化空间,另一部分构成指导空间,两个空间拥有不同的功能,指导空间通过特定的信息传递方式将经验概括信息传递到进化空间,从而使整个种群协同进化.将该策略分别应用到粒子群优化算法(PSO)和遗传算法(GA)中,并与标准粒子群算法、遗传算法以及目前主流的针对大规模问题进行优化的7个算法对比,在高维测试函数中,结果表明,寻优性能方面新的种群进化算法相比其他算法提高80%左右,具有普适性.     

多尺度正余弦优化算法

针对标准正余弦算法进化后期的停滞问题,对进化过程中的种群多样性进行分析,得出标准正余弦算法的种群多样性受控制因子的直接影响,且种群多样性表达式中控制因子指数随迭代次数的增加而下降.为了改善标准正余弦算法进化后期的探索和开采,提出多尺度正余弦优化算法.该算法通过自适应的多尺度控制因子调节群体多样性从而实现多层次的搜索;同时设计协助种群实施局部搜索,其种群独立进化,个体可以直接学习主群或协助种群中的最优个体,以加快收敛速度和提高解的质量.将所提出算法与改进的正余弦算法和新型群智能算法进行对比实验,实验结果表明,所提出算法能够较好地平衡进化过程中的探索和开采,提高全局优化能力.     

并行量子进化算法的研究与实现

分析讨论并行进化模型理论及性能,提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙.并给出了多宇宙的并行拓扑结构,提出了宇宙内采用免疫量子进化算法,宇宙之间采用基于学习的移民和模拟量子纠缠的交互策略进行信息交换.这样能提高种群多样性,有效克服早熟收敛现象.算法综合了量子计算的天然并行性和免疫算法的充分自适应性,它比传统的进化算法具有更好的种群多样性,更快的收敛速度.通过并行实验验证了该算法的优越性.     

求解TSP问题的蚁群优化算法研究进展

从有效解决TSP问题的角度出发,系统地介绍了蚁群算法的基本原理和算法流程,简述了部分具有代表性的蚁群算法改进模型,提出了一种将蚁群系统纳入文化算法框架所形成的文化蚁群系统模型及其主要创新点,分析和设计了种群进化和文化进化协同进化机制,从而展示出文化进化在智能计算中对种群进化的指导作用及其加速种群进化的重要意义,并对该模型在今后的研究方向作了展望.     

基于状态估计反馈的策略自适应差分进化算法

借鉴闭环控制思想, 提出基于状态估计反馈的策略自适应差分进化(Differential evolution, DE)算法, 通过设计状态评价因子自适应判定种群个体所处于的阶段, 实现变异策略的反馈调节, 达到平衡算法全局探测和局部搜索的目的.首先, 基于抽象凸理论对种群个体建立进化状态估计模型, 提取下界估计信息并结合进化知识设计状态评价因子, 以判定当前种群的进化状态; 其次, 利用状态评价因子的反馈信息, 实现不同进化状态下策略的自适应调整以指导种群进化, 达到提高算法搜索效率的目的.另外, 20个典型测试函数与CEC2013测试集的实验结果表明, 所提算法在计算代价、收敛速度和解的质量方面优于主流改进差分进化算法和非差分进化算法.     

差分进化算法马尔可夫链模型及收敛性分析

差分进化算法是一种基于种群差异的优化算法,主要应用于解决连续空间的优化问题。目前,研究人员主要在算法的改进和应用方面研究差分进化算法,很少从理论角度对其进行研究。为了分析差分进化算法的收敛性,定义优化个体、种群的状态转移,并提出种群的最优状态集合。根据差分进化算法的操作算子计算出个体的状态迁移概率,并证明种群状态序列是有限齐次马尔可夫链,进而建立差分进化算法的马尔可夫链模型;最后,证明差分进化算法无法保证全局收敛。理论研究结果表明,适当保证种群的多样性能够提高差分进化算法的性能。     

基于目标空间划分的自适应多目标进化算法

目前,多目标进化算法在众多领域具有极高的应用价值,是优化领域的研究热点之一.分析已有多目标进化算法在保持种群多样性方面的不足并提出一种基于解空间划分的自适应多目标进化算法（space division basedadaptive multiobjective evolutionary algorithm,简称SDA-MOEA）来解决多目标优化问题.该方法首先将多目标优化问题的解空间划分为大量子空间,在算法进化过程中,每个子空间都保留一个非支配解集,以保证种群的多样性.另外,该方法根据每个子空间推进种群前进的距离,自适应地为每个子空间分配进化机会,以提高种群的进化速度.最后,利用3组共14个多目标优化问题检验SDA-MOEA的性能,并将SDA-MOEA与其他5个已有多目标进化算法进行对比分析.实验结果表明：在10个问题上,算法SDA-MOEA显著优于其他对比算法.     

覆盖粗糙近似的一致性研究

经典粗糙集理论知识的表现形式为论域上的划分,覆盖是比划分更一般的知识表现形式。为了扩展粗糙集理论的应用领域,有必要将粗糙集理论扩展到覆盖近似空间。覆盖近似空间下的概念近似是基于覆盖近似空间知识获取的关键。针对精确概念和模糊概念,研究者定义了不同的近似方法。通过对当前的近似算子进行研究,发现了它们的不一致,并从两个角度对近似算子的定义进行了修正,从而使得它们分别与原有的算子保持一致。所得结论为覆盖近似空间下的概念近似提供了新的研究途径。     

一种基于向量夹角的k近邻多标记文本分类算法

在多标记学习中,一个示例可以有多个概念标记.学习系统的目标是通过对由多标记样本组成的训练集进行学习,以尽可能正确地预测未知样本所对应的概念标记集.k近邻算法已被应用到多标记学习中,该算法将测试示例转化为多维向量,根据其k个近邻样本的标记向量来确定该测试示例的标记向量.传统的k近邻算法是基于向量的空间距离来选取近邻,而在自然语言处理中,文本间的相似度常用文本向量的夹角来表示,所以本文将文本向量间的夹角关系作为选取k近邻的标准并结合k近邻算法提出了一种多标记文本学习算法.实验表明,该算法在文档分类的准确率上体现出较好的性能.     

Automatic vectorization of segmented road networks by geometrical and topological analysis of high resolution binary images

In this paper, a new method in order to achieve the geometrical and topological definition of extracted road networks is presented. Starting from a raster binary image where a road network is depicted, this algorithm seeks the automatic raster – vector conversion based on skeleton extraction and graph theory and using GIS database if it is available. The last goal of this method is to provide a numerical structured file which includes the geometric definition for all roads as well as the topologic relations between them. The applied technique comprises six steps. In the first step, the quality of the binary image is improved through a noise cleaning process. In the second step, parallel edges of road network are smoothed by means a generalization process. In the third step, skeleton is extracted applying a known and efficient method which some years ago was published. The fourth step consists in constructing the graph and generating the different cartographic objects which compose the road network. In this phase, GIS information can be used in order to improve the result. In the fifth step, objects are numerically adjusted by means of polynomial adjustment in the opened objects case, and using a reiterative polygonal adjustment in the sharp objects case. In the last step, mathematical morphology is applied to validate topologically the geometrical adjustment. For it, the junction nodes are analyzed for changing automatically their coordinates in order to achieve a topologically correct road network vectorization. Finally, objects are structured according to cartographic criteria and a numerical file with the vectorized road network is provided. Experimental results show the validity of this approach.     

Distributed moving horizon state estimation: Simultaneously handling communication delays and data losses

In this work, we consider distributed moving horizon state estimation of nonlinear systems subject to communication delays and data losses. In the proposed design, a local estimator is designed for each subsystem and the distributed estimators communicate to collaborate. To handle the delays and data losses simultaneously, a predictor is designed for each subsystem estimator. A two-step prediction-update strategy is used in the predictor design in order to get a reliable prediction of the system state. In the design of each subsystem estimator, an auxiliary nonlinear observer is also taken advantage of to calculate a reference subsystem state estimate. In the local estimator, the reference state estimate is used to generate a confidence region within which the local estimator optimizes its subsystem state estimate. Sufficient conditions under which the proposed design gives decreasing and ultimately bounded estimation error are provided. The effectiveness of the proposed approach is illustrated via the application to a chemical process example.     

Two-agent scheduling with learning consideration

In traditional scheduling, job processing times are assumed to be known and fixed over the entire process. However, repeated processing of similar tasks improves workers’ skills. In fact, scheduling with learning effects has received considerable attention recently. On the other hand, it is assumed that there is a common objective for all the jobs. In many management situations, multiple agents pursuing different objectives compete on the usage of a common processing resource. In this paper, we studied a single-machine two-agent scheduling problem with learning effects where the objective is to minimize the total tardiness of jobs from the first agent given that no tardy job is allowed for the second agent. A branch-and-bound algorithm incorporated several properties and a lower bound is developed to search for the optimal solution. In addition, two heuristic algorithms are also proposed to search for the near-optimal solutions. A computational experiment is conducted to evaluate the performance of the proposed algorithms.     

A robust critical path in an environment with hybrid uncertainty

In this article, we consider the project critical path problem in an environment with hybrid uncertainty. In this environment, the duration of activities are considered as random fuzzy variables that have probability and fuzzy natures, simultaneously. To obtain a robust critical path with this kind of uncertainty a chance constraints programming model is used. This model is converted to a deterministic model in two stages. In the first stage, the uncertain model is converted to a model with interval parameters by alpha-cut method and distribution function concepts. In the second stage, the interval model is converted to a deterministic model by robust optimization and min-max regret criterion and ultimately a genetic algorithm with a proposed exact algorithm are applied to solve the final model. Finally, some numerical examples are given to show the efficiency of the solution procedure.     

非完全互连同构系统上的静态任务调度

在分布式内存多处理机DMM(distributed memory multiprocessor)系统中,不同处理机上运行的任务之间的通信开销仍然很大,有时甚至抵消了多处理机并行所带来的好处.为了使并行程序在DMM系统上能得以高效的执行,必须采用合理的调度技术将任务分配给处理机.文章首先分别给出了任务调度系统中的任务模型、处理机模型以及调度问题的形式化描述,然后在此基础上研究了任务调度中3个最重要的问题,即(1) 如何顺序选择参与调度的任务,(2) 如何选择路由,(3) 如何分配任务给处理机.其中,路由选择     

一种异常无线电通信信号实时检测方法

采用构造型神经网络对大规模通信信号进行聚类,提出了时幅关联比较法快速检测异常无线电信号。聚类中,在初始聚类粒度选择上进行了改进,采用增加初始聚类粒度权系数的方法,提高了聚类效率;异常信号检测中,提出了时间与信号功率谱幅度联合关联的时幅关联比较法,快速地检测异常信号。实验结果验证了该方法的可行性和实效性。     

采用逐级配准和分值加权的指纹匹配算法

为将2个细节点集高效而准确地配准,首先利用与细节点相关联的短脊线对细节点组合进行初选,然后采用局部特征结构匹配精选出5对细节点作为配准的候选对应点.在2个细节点集配准后的匹配中,针对采用弹性匹配算法经常出现的细节点错配的情况,提出根据匹配可信度对各匹配对的匹配分值进行加权处理,以降低其对匹配精度的影响.采用FVC2002公布的指纹库进行对比实验,结果表明该算法在匹配效率和准确性上都有明显的提高.     

Skeleton driven animation based on implicit skinning

Skeleton-driven animation methods have been commonly used in animating 3D characters. In these methods, a skinning process that binds the character surface onto the skeleton is required. This process is usually accomplished manually and is a time-consuming task. In this paper, we propose a novel method for automatically skinning skeletal character models. Given the motion of a skeleton, our method can animate the character model automatically. In our method, each joint coordinate is parameterized by its surrounding local surface. In such a way, the character's surface is implicitly bound onto the skeleton. Character animation is achieved by minimizing an energy function that is carefully designed to prevent unnatural volume changes and to guarantee smooth deformations. Experiments demonstrate the efficiency and excellent performance of our method.