基于群体距离的多目标粒子群优化算法

为实现偏好与群体决策的结合应用,提出基于群体距离的多目标粒子群优化算法。通过调整解与参考点的群体距离引导粒子靠近偏好区域,运用格栅方法和改进的剪枝策略实现解在Pareto边界的均匀分布,求出与群体成员偏好相关的部分Pareto最优集,从而减少计算成本、加快收敛速度。实验结果表明,该算法得到的解更靠近真实Pareto前沿,且对不同个体决策成员都有效。     

基于连通支配集的虚拟骨干网构造算法

针对无线传感器网络中缺少骨干网络的问题,提出一种基于连通支配集的虚拟骨干网构造算法。该算法利用图论中的极大独立集和连通支配集构造一个虚拟骨干网络,运用修剪规则去除冗余节点,通过优先选择能量多、距离近的节点使网络寿命更长、延迟更小。实验结果表明,该算法在单位圆图中产生的连通支配集至多为7.6opt+1.4,消息复杂度和时间复杂度为O(n)。     

考虑社会网络邻接关系的群体判断矩阵决策方法

随着社会化媒体的快速发展,社会化因素已经成为影响群体决策过程及其结果的重要因素.针对群体决策者的判断信息以残缺判断矩阵形式给出,且考虑群体决策者社会网络邻接关系的群体决策问题,提出可行的解决方法.首先,提出一种基于决策者相似性程度和社会网络距离的残缺判断矩阵补全方法;然后,提出考虑决策者社会网络影响力的群体共识交互决策模型,该交互模型不仅考虑群体决策者之间的社会邻接关系,而且可以在较大程度上保存决策者给定的原始判断信息;最后,通过一个物流企业选择存储仓库的算例验证所提出算法的可行性和优势.     

一种基于邻居支配关系的偏好多目标进化算法

传统多目标优化算法得到的解集是整个Pareto最优面,需要花费大量精力在Pareto最优解的搜索上,同时当问题目标个数较多时,决策者很难从大量的解中选出自己最满意的解。因此,针对上述问题,提出一种基于邻居关系的偏好多目标进化算法。该算法通过一个邻居支配关系对非支配个体集进行适应度分层,借助参考点引导个体种群向决策者感兴趣的区域靠近。通过与几种经典的偏好多目标进化算法进行比较实验,结果表明,所提出的算法能引导种群趋近于决策者最满意的区域。     

基于多维高斯的无线传感器网络定位算法

目前无线传感器网络定位算法在定位精度、运算复杂度之间往往顾此失彼,针对该问题提出一种多维高斯近似指纹定位算法。该算法根据信号接收强度地图建立参考点与未知节点间的模糊属性矩阵,然后构造理想点并计算其属性坐标,基于多维高斯模型估测理想点与不同参考点间的距离关系,引入调节函数修正理想点和未知节点在位置上的偏差,进而计算不同参考点与未知节点的相似度进行定位。该算法的运算简单,且实验结果表明定位结果的准确性高,误差波动范围小。     

基于近邻传播算法的动态自适应室内指纹定位算法

目前传统的室内指纹定位算法中存在以下几个问题,首先在构建指纹库时采用平均值的方式构造指纹库容易受到噪声点影响而降低定位精度,其次使用欧式距离衡量待定位点与指纹点之间的距离可能引入信号强度距离较近,物理距离较远的参考点参与估计待定位点的位置从而增大定位误差,以及当参考点数量较大时,由于K近邻算法的计算量较大,从而造成定位过程耗时较大,能源耗费较多的情况,除此之外,由于K近邻算法无法根据实际情况确定参与定位的参考点个数从而限制了定位系统的精确性和拓展性。针对上述问题,本文设计了一种基于近邻传播算法的动态自适应室内指纹定位算法。该算法在离线阶段对在每一个参考点采集的信号强度值使用方差滤波算法去除噪声值,然后利用加入了参考点物理信息的近邻传播算法对参考点进行聚类处理。在在线阶段,通过进行粗略定位和精确定位动态的估计待定位点的物理位置。经过实验证明,本文所提出的新算法较对比算法有较高的精确度和稳定度。     

基于自适应聚合距离的多目标进化算法

随着目标数的增多,种群收敛性与分布性的冲突愈加激烈,传统的多目标进化算法的选择算子难以平衡种群的收敛性与分布性.对此,提出一种基于自适应聚合距离的多目标进化算法.首先,采用参考点支配关系替代原有的Pareto支配关系,以增加选择压力,加强收敛性;其次,提出自适应聚合距离,通过动态变化的惩罚参数来自适应调整收敛性与分布性的比例;最后,设计一种带有淘汰算子的方法以改进小生境选择策略,根据自适应聚合距离的大小进行选择和淘汰操作.为验证算法的可行性,将所提出算法在测试问题上与其他4种优秀的多目标进化算法进行比较,并应用于两个实际应用中,仿真结果表明,所提出算法的综合性能更优,能有效平衡种群的收敛性与分布性.     

基于动态K值及AP MAC地址筛选的室内定位算法

在简单介绍动态K值加权室内定位算法(EWKNN)并分析其不足的基础上,探索研究了基于动态K值及AP MAC地址筛选的室内定位算法。该算法首先使用EWKNN方法动态选择参考点个数,并根据测试点和参考点之间AP的MAC匹配度,进一步筛选出最优的定位参考点;最后采用得到的最优参考点与测试点之间的距离进行加权定位。实验表明,相对于传统的EWKNN定位算法,提出的算法具有较高的定位精度。     

改进的r支配高维多目标粒子群优化算法

高维多目标优化问题是广泛存在于实际应用中的复杂优化问题,目前的研究方法大都限于进化算法.本文利用粒子群优化算法求解高维多目标优化问题,提出了一种基于r支配的多目标粒子群优化算法.采用r支配关系进行粒子的比较与选择,并结合粒子群优化算法收敛速度快的优势,使得算法在目标个数增加时仍保持较强的搜索能力;为了弥补由此造成的群体多样性的丢失,优化非r支配阈值的取值策略;此外,引入决策空间的拥挤距离测度,并给出新的外部存储器更新方法,从而进一步防止算法陷入局部最优.对多个基准测试函数的仿真结果表明所得解集在收敛性、多样性以及围绕参考点的分布性上均优于其他两种算法.     

基于投票模型的元搜索排序合成算法

排序合成问题是元搜索引擎研究的一个重要方面。该文分析了基于投票模型的排序合成问题。在讨论2个常用的投票规则Borda和Condorcet的基础上，介绍了用图论算法实现的淘汰投票算法，包括Kemeny算法。针对Kemeny算法是NP-hard问题，提出了一种易于实现的启发式淘汰投票算法，并且利用TREC数据集进行实验比较这些方法。实验结果表明，淘汰投票算法与Borda算法执行效果相当，有时甚至超过Borda算法。     

Many-objective evolutionary optimization based on reference points

Many-objective optimization problems are common in real-world applications, few evolutionary optimization methods, however, are suitable for solving them up to date due to their difficulties. A reference points-based evolutionary algorithm (RPEA) was proposed in this paper to solve many-objective optimization problems. The aim of this study is to exploit the potential of the reference points-based approach to strengthen the selection pressure towards the Pareto front while maintaining an extensive and uniform distribution among solutions. In RPEA, a series of reference points with good performances in convergence and distribution are continuously generated according to the current population to guide the evolution. Furthermore, superior individuals are selected based on the evaluation of each individual by calculating the distances between the reference points and the individual in the objective space. The proposed algorithm was applied to seven benchmark optimization problems and compared with ɛ-MOEA, HypE, MOEA/D and NSGA-III. The results empirically show that the proposed algorithm has a good adaptability to problems with irregular or degenerate Pareto fronts, whereas the other reference points-based algorithms do not. Moreover, it outperforms the other four in 8 out of 21 test instances, demonstrating that it has an advantage in obtaining a Pareto optimal set with good performances.     

基于全组合策略的多目标阴阳对算法

基于前沿的阴阳对优化算法（Front-based Yin-Yang-Pair Optimization,F-YYPO）是一种新颖的轻量级多目标优化算法,其利用两点--局部开发点[Pi1]和全局探索点[Pi2]在搜索过程中的迭代交换实现搜索。基于F-YYPO提出了一种改进的多目标优化算法F-ACYYPO。新算法对F-YYPO做了以下三方面的改进：（1）对多个目标函数进行全组合,以增强优化个体分布的均匀性;（2）引入已在YYPO算法中被证明有明显性能提高效果的缩放因子[α]自适应措施;（3）改进F-YYPO存档操作的更新方式。采用在2009年进化计算大会多目标优化算法竞赛中使用的UF测试套件以及PlatEMO平台下的DTLZ测试套件进行算法的性能评估,将F-ACYYPO与F-YYPO以及其他多种已知性能优良的多目标优化算法NSGA2、SPEA2、MOPSO、MOGWO、gamultiobj、MOEA\D、GDE3进行性能测试及比较,并通过两个综合性指标（反转世代距离IGD、超体积HV）和一个收敛性指标（世代距离GD）进行性能评价。实验结果表明,F-ACYYPO比F-YYPO具有更高的计算精度以及更快的收敛速度,并且与其他高性能多目标算法相比,F-ACYYPO表现出了很强的竞争性,在综合性能指标下有将近超1/2的测试用例占优。     

动态进化多目标优化中的串式记忆方法

如何利用过去搜索到的最优解对新的环境变化做出快速响应,是动态进化多目标优化(Dynamic Evolutio-nary Multi- objective Optimization,DEMO)研究的一大挑战。为此提出了一种串式记忆(Bunchy Memory,BM)方法。设计了基于极小化效应函数的抽取过程,从非支配集中抽取一串记忆串,以便保持记忆的多样性;将记忆体组织成串式队列的方式,以便将过去数次环境变化下抽取的记忆串存入记忆体;提出了基于二进制锦标赛选择的检索过程以复用记忆体中过去的最优解,来快速响应新的变化。BM方法具有良好的记忆效果,显著地提高了DEMO算法的收敛性和多样性。4个标准测试问题上的实验结果表明,BM方法比其它3种方法具有更好的记忆能力。相应地,集成了BM方法的DEMO算法所获得解集的收敛性与多样性也明显好于其它3种DEMO算法。     

基于 DXF文件的图元优化排序

DXF文件的图形元素是以绘图人员设计的先后顺序记录于文件中,导致以此为基础进行的绘图或加工过程的无效行程大量增加且效率低下。针对此问题,以DXF文件记录的图形元素为对象,提出了一种在运行过程中动态改变图元始末点及图元绘制顺序的优化算法,实现了DXF中图形元素及其控制点的优化排序并生成优化后的DXF文件,使得以此文件为基础的绘图或加工路径得到优化。通过运算实例说明了本方法的有效性。     

k-LDCHD--高维空间k邻域局部密度聚类算法

聚类是数据挖掘领域的一项重要课题,高维空间聚类以数据分布稀疏、噪声数据多、“差距趋零现象”而成为难点．在分析现有聚类算法不足的基础上,引入k邻域点集、k邻域半径等概念,提出一种高维空间单参数k邻域局部密度聚类算法k—PCLDHD;为了提高算法的效率,进一步定义了参考距离等概念,并采用“双参考数据点”对数据集中的数据对象进行预处理,以减少扫描数据集的开销。提出k—PCLDHD的优化算法k—LDCHD．理论分析和实验结果表明,算法可以有效解决高维空间聚类问题,算法是有效可行的．     

一种基于图像序列的脑电极点的跟踪定位方法

为了对脑电检测诊断中的各脑电极点进行自动定位跟踪,该文提出了一种基于图像序列的自动定位方法,首先在单帧图像中,根据控制点的标识,确定首个基准点,之后根据基准点与局部周围电极之间的相互关系,采用动态迭代搜索方法,获得后续的置信基准点及周围电极点的标识名。实验结果表明,该方法对旋转拍摄时角度的随机变动,以及镜头的仰俯变动均具有很好的适应性,可以准确地给出同一个电极在不同帧中的位置匹配关系。     

基于轮廓与特征点的医学图像弹性配准方法

针对单一特征引导图像配准的准确度有限性,提出了一种同时使用轮廓与特征点的医学图像弹性配准方法。半自动的特征点提取方法既可以保证提取的精确性又能够避免繁琐的特征点对应关系建立过程。对于提取的轮廓,在保证外形的基础之上,通过轮廓直线化操作减少提取轮廓中关键点的数量,以提高计算效率。以两幅待配准图像中的特征点对间距离与轮廓对间距离累加和作为图像配准测度函数,选择ICP算法框架迭代地求解最优配准变换函数。通过与其他测度函数进行比较和真实图像实验结果对比,其结果表明,该算法由于采用轮廓与特征点同时引导图像配准,其配准效果好于单独使用特征点或者轮廓的图像配准算法。该算法既能匹配图像的整体结构信息(轮廓)又能对齐图像中感兴趣的生理解剖位置(特征点),更加准确地反映图像间差异情况,是一种快速、精确的医学图像配准方法。     

基于改进PSO算法的MAP图标定点选择新方法

为提高基于MAP图的控制系统驱动效果,并有效减小控制系统内的存储量,提出了一种基于改进粒子群算法的MAP图中标定点择优选取新方法。以液压机械无级变速传动比控制系统中采用的MAP图为例,将其横坐标的两个变量在其定义域内等分,并采用改进粒子群算法选取等分后每段内的坐标点数量和位置。选取过程采用多目标优化原理结合了随机产生100个点的实际值与MAP图线性插值的平均误差以及选定的标定点数量。为提高算法执行效率,对粒子群算法的迭代准则、惯性权重和学习因子进行改进。结果表明,改进后的粒子群算法收敛速度快,寻优精度高,仅需较少的标定数据即可制作控制效果较佳的MAP图。     

基于RSSI路径损耗因子动态修正的三边质心定位算法

针对无线传感器网络节点定位受环境干扰精度较差的问题,提出了一种将路径损耗因子n根据实测环境进行动态修正的三边质心定位算法。前期由实际环境测出不同距离时RSSI与路径损耗因子n的对应关系,修正时由测得RSSI值及对应关系根据环境中干扰因素的局部相似性进行局部加权修正出动态路径损耗因子nR,使其更能体现出与实测环境本身及干扰因素的密切相关性,然后利用三边质心法定位。仿真表明,算法降低了环境干扰引起的误差,显著提高了定位精度。     

Nonlinear Dimensionality Reduction by Topologically Constrained Isometric Embedding

Many manifold learning procedures try to embed a given feature data into a flat space of low dimensionality while preserving as much as possible the metric in the natural feature space. The embedding process usually relies on distances between neighboring features, mainly since distances between features that are far apart from each other often provide an unreliable estimation of the true distance on the feature manifold due to its non-convexity. Distortions resulting from using long geodesics indiscriminately lead to a known limitation of the Isomap algorithm when used to map non-convex manifolds. Presented is a framework for nonlinear dimensionality reduction that uses both local and global distances in order to learn the intrinsic geometry of flat manifolds with boundaries. The resulting algorithm filters out potentially problematic distances between distant feature points based on the properties of the geodesics connecting those points and their relative distance to the boundary of the feature manifold, thus avoiding an inherent limitation of the Isomap algorithm. Since the proposed algorithm matches non-local structures, it is robust to strong noise. We show experimental results demonstrating the advantages of the proposed approach over conventional dimensionality reduction techniques, both global and local in nature.