基于ILS-CS优化算法的个性化旅游线路研究

针对迭代局部搜索(iterated local search,ILS)算法求解旅游线路时间花费较长的问题,提出了一种ILS结合布谷鸟搜索(cuckoo search,CS)的优化算法,来优化旅游线路的时间花费。该算法首先根据相关目标和约束采用ILS算法求解旅游景点及初始旅游线路,然后在满足旅游景点时间窗约束及景点总数不变的情况下采用CS算法进一步最小化旅游线路的时间花费。该研究获得的线路更符合旅游习惯,并且旅游时间花费更少。通过Daminaos数据集和桂林景点数据集进行验证,结果表明该优化算法相比于仅使用ILS算法所规划出的旅游线路,平均时间花费减少8%,更符合用户旅游选择习惯。     

一种支持大规模数据逻辑函数优化的改进选拔算法

选拔算法是两级逻辑综合中求解最小化覆盖的经典方法之一,但在输出变量集合和质立方体集合规模较大的情况下,采用选拔法求最小化覆盖存在空间复杂度高、求解时间长等问题。为此,提出了求解多输出函数最小化覆盖的改进选拔算法。利用相交迭代和局部搜索的思想,分别对选拔法的极值运算和分支处理进行了改进。实验结果表明,在现有计算机资源条件下,该算法为大规模数据条件下逻辑函数的优化提供了一种有效的方法。     

移动边缘计算中的无人机三维部署和内容缓存优化方法

随着无线网络中的移动数据流量爆炸式增长,支持高速缓存的无人机被应用于移动计算领域充当边缘服务器,为网络中的用户提供按需服务。为了在满足其他资源约束的条件下,给用户带来更好的体验,通过联合优化无人机部署、缓存放置和用户关联以实现最小化所有用户的内容访问时延,并为用户提供质量不同的内容缓存服务。针对多无人机和地面基站协同提供缓存服务的场景,提出了一种基于迭代优化的联合优化算法。该算法通过迭代求解由目标问题分解得到的三个子问题的方式来获得具有收敛性保证的次优解决方案。首先,采用基于连续凸近似的算法求解无人机部署子问题;其次,采用基于贪心的算法求解内容缓存子问题;然后,利用基于罚函数的连续凸近似算法求解用户关联子问题;最后,对上述过程重复迭代,得到目标问题的一个次优解。多次仿真实验验证了所提算法的有效性和可行性。仿真结果表明,与基准算法相比,所提联合优化算法在平均内容访问时延、缓存命中率两方面均具有更好的性能。     

基于多重信任的协同过滤推荐算法

针对评分数据稀疏性和用户冷启动所导致的协同过滤推荐系统的准确度与覆盖率较低的问题,文中融合显性信任和隐性信任因素,提出了一种基于多重信任的协同过滤推荐算法。首先,依据用户间推荐评分的准确性与可依赖度因子,提出一种改进的均方差(Mean Squared Difference,MSD)信任度量方法,并在此基础上提出基于隐性信任信息的评分模型;其次,以最大信任传播距离为约束,提出一种显性信任信息的关系模型;最后,依据评分相似性与显性信任关系,利用0-1背包组合优化策略选择出目标用户的最优近邻集合,从而进行评分预测。在Epinions数据集上与多种主流算法的对比仿真实验结果表明,该算法通过引入有效评分和显性信任关系,极大地缓解了数据稀疏性和冷启动问题,并且在不牺牲覆盖率的条件下显著提升了推荐准确度。     

Web日志在协同过滤推荐算法中的应用

协同过滤算法近年来在电子商务推荐系统中得到了广泛的应用,但该算法也存在数据稀疏性和缺乏个性化等问题,这些问题影响了推荐算法的效率和准确性。主要针对以上问题,提出引入Web日志分析的协同过滤算法,将用户对商品的隐性兴趣转化为显性兴趣,同时利用用户聚类等相关技术,不仅解决数据稀疏的问题也提高推荐的准确性。     

融合隐性特征的群体推荐方法研究

作为目前最成功的主流推荐方法,奇异值分解算法(SVD)将已知的海量数据建模并通过矩阵分解降维处理来得到有效信息;非负矩阵分解(NMF)则通过分解出非负矩阵元素来解释特征意义。这两种较为成功的方法均通过对显性反馈信息进行基于矩阵分解的处理得到用户的喜好信息来进行群体推荐。然而,仅凭用户的显性反馈信息有时无法准确反映用户的真实喜好。为解决上述问题,提出了一种针对这两种模型的改进方法,将隐性特征和基于隐性特征的群体权重计算方法融合进经典的矩阵分解算法,其中隐性特征可以完善用户的喜好信息,基于隐性特征的群体权重计算方法则根据群体的特点给予用户相应的权重,使得推荐的准确率得到提升。对该方法在KDD Cup 2012 Track1中的腾讯微博数据集上进行测试,实验结果表明在该数据集上融合方法的平均绝对偏差(MAE)和准确率 要优于SVD算法与NMF算法,推荐的性能有较明显的提升。     

微分进化求解无线传感器网络中的覆盖问题

研究使用微分进化算法求解无线传感器网络中的覆盖问题,介绍一种通用的无线传感器网络覆盖问题数据集生成算法,利用该算法生成覆盖问题数据集.提出利用微分进化算法求解覆盖问题的方法,方法的重组操作保证至少一个关键点的传感器分配到不同的子集,提高解的质量.其适应度函数考虑了完全覆盖子集的个数和非完全覆盖子集的覆盖率.与此类经典算法进行对比实验,实验结果表明了该方法的有效性.     

互联网中代理服务器反向定位问题

考虑了源服务器数据更新时,如何在不超过预算的情况下改善网络使得原有设施运行更有效,同时还要保证每个用户都能够及时获得最新信息.首先给出该问题的数学模型;然后通过找代理服务器到源服务器的最短路树,把模型转化为修剪总费用最小化和最大时延最小化的两个子问题;最后利用代理服务器放置具有方向性的特征继续转化为只有一个设施点的反向定位问题,采用最小割的算法进行求解,并通过一个实例验证了该算法可行性.     

基于遗传算法的临床营养治疗食谱优化研究

提出一种基于MATLAB遗传算法的线性整数规划算法,求解临床营养上的治疗食谱优化问题,建立满足营养素要求的约束方程和最小化花费等式的整数线性规划数学模型,利用matlab中的遗传算法与直接搜索工具箱GADS求解,很好地解决临床的治疗食谱优化问题。     

时空数据发布中的隐式隐私保护

随着大数据时代的到来,大量的用户位置信息被隐式地收集.虽然这些隐式收集到的时空数据在疾病传播、路线推荐等科学、社会领域中发挥了重要的作用,但它们与用户主动发布的时空数据相互参照引起了大数据时代时空数据发布中新的个人隐私泄露问题.现有的位置隐私保护机制由于没有考虑隐式收集的时空数据与用户主动发布的位置数据可以相互参照的事实,不能有效保护用户的隐私.首次定义并研究了隐式收集的时空数据中的隐私保护问题,提出了基于发现-消除的隐私保护框架.特别地,提出了基于前缀过滤的嵌套循环算法用于发现隐式收集的时空数据中可能泄露用户隐私的记录,并提出基于频繁移动对象的假数据添加方法消除这些记录.此外,还分别提出了更高效的反先验算法和基于图的假数据添加算法.最后,在若干真实数据集上对提出的算法进行了充分实验,证实了这些算法有较高的保护效果和性能.     

移动群智感知网络中信息量最大化的用户选择方法研究

移动群智感知网络已经成为一种新型的感知模式,被广泛应用在环境数据收集等多种不同场景.限制群智感知系统效能的一个关键问题在于:如何在一定预算范围内选取最合适的用户来进行感知任务,从而最大化收集到数据的信息量.这其中的关键挑战包括:(1)如何定义量化评价指标衡量数据的信息量,(2)如何在无先验知识的情况下有效地学习选择每个用户的成本,(3)如何设计有效的用户选择算法,最大程度地降低算法的累计遗憾.在本文中,我们采用高斯过程建模空间环境,并且提出一个基于互信息的信息量衡量指标.为了解决第二、第三个挑战,我们提出有预算限制的多臂老虎机用户选择问题模型,并为静态和动态场景分别设计了理论可证的低累计遗憾的多轮用户选择算法.我们的理论分析和仿真实验均证实我们提出的算法能够在预算限制情况下有效地选择最有信息量的用户,与基准方法相比提升约20%.     

Computational comparison of several greedy algorithms for the minimum cost perfect matching problem on large graphs

The aim of this paper is to computationally compare several algorithms for the Minimum Cost Perfect Matching Problem on an undirected complete graph. Our work is motivated by the need to solve large instances of the Capacitated Arc Routing Problem (CARP) arising in the optimization of garbage collection in Denmark. Common heuristics for the CARP involve the optimal matching of the odd-degree nodes of a graph. The algorithms used in the comparison include the CPLEX solution of an exact formulation, the LEDA matching algorithm, a recent implementation of the Blossom algorithm, as well as six constructive heuristics. Our results show that two of the constructive heuristics consistently exhibit the best behavior compared with the other four.     

A fast algorithm for computing minimum routing cost spanning trees

Communication networks have been developed based on two networking approaches: bridging and routing. The convergence to an all-Ethernet paradigm in Personal and Local Area Networks and the increasing heterogeneity found in these networks emphasizes the current and future applicability of bridging. When bridging is used, a single active spanning tree needs to be defined. A Minimum Routing Cost Tree is known to be the optimal spanning tree if the probability of communication between any pair of network nodes is the same. Given that its computation is a NP-hard problem, approximation algorithms have been proposed.We propose a new approximation Minimum Routing Cost Tree algorithm. Our algorithm has time complexity lower than the fastest known approximation algorithm and provides a spanning tree with the same routing cost in practice. In addition, it represents a better solution than the current spanning tree algorithm used in bridged networks.     

基于多输入密集连接神经网络的遥感图像时空融合算法

为了解决地表反射率遥感卫星Landsat和MODIS影像的时空融合问题,文中提出基于多输入密集连接网络的遥感图像时空融合算法.首先提出多输入的密集连接网络,学习包含连续时刻间差异信息的过渡遥感影像.基于差异相似假设,融合网络学习得到的2幅过渡影像与已知的2幅高空间分辨率影像,得到最终的预测影像.对Landsat遥感影像和MODIS遥感影像的融合实验表明,文中算法在各项定量指标中均较优,最终的预测图像也可表明,文中算法对噪声具有较好的鲁棒性,能较好地恢复细节信息.     

基于属性相关性的无线传感网络缺失值估计方法

针对无线传感器网络(WSN)中感知数据易缺失问题,提出了一种基于感知数据属性相关性的缺失值估计方法。该方法采用多元线性回归模型,对属性相关的感知数据的缺失值进行估计;同时,为提高算法估计的鲁棒性,提出了基于感知数据属性的数据交织传送策略。仿真结果表明,所提出的估计方法能有效估计无线传感器网络中的缺失值,相比基于时空相关性的线性插值模型(LM)算法和传统的最近邻插值(NNI)算法具有更高的精度和稳定性。     

一种求解最小诊断代价的小生境遗传算法

在诊断操作相关的情况下,求解最小代价的诊断操作序列的过程是一个NP完全问题．目前的算法在建模和求解方面都不：是十分理想．通过对诊断问题进行更精确的建模和分析,提出了求解最小诊断代价的小生境遗传算法NGAMECD（Niche Genetic Algorithm for Minimum ECD）．实验证明,算法NGAMECD具有良好的性质,它需要的空间可以预测,较普通的遗传算法具有更好的隐式并行性,执行过程中群体能够保持多样性,在有效避免早熟问题的同时算法的收敛速度较快．NGAMECD与P／C更新算法相比,诊断代价减少了20％～50％．     

基于用户关注度以及时间监督的任务分发

在群智感知器网络中,如何在限定时间内完成发布者指定的感知任务,是移动群智感知任务分发面临的一个重要问题.针对该问题,为了使感知用户间密切协作,并及时将执行感知任务反馈给发送者,提出一种基于用户关注度与时间监督的任务分发(task distribution with user attention and time supervision, TDUATS)算法.该算法首先提出了用户间关注度,执行任务的起始监督、过程监督、完成监督等概念,然后通过分析执行感知任务的用户间关联关系,建立用户间关注度模型,对执行任务的过程进行监督,在此基础上对感知任务进行分发. 实验结果表明,该算法不仅可在限定时间内完成感知任务,而且还可以监督任务执行的过程;有利于发布者及时了解任务的执行情况,对提高任务执行的满意度起到了很好的促进作用; 同时,与对比算法相比较,也有较好的性能表现.     

WSANs中基于线性规划的单反应节点选择算法的研究

介绍了无线传感器反应网络中单个反应节点选择算法的特点,并提出一种基于线性规划方案的最优选择算法MCT.最后就MCT算法的两种情形进行了仿真分析.     

移动群智感知中面向任务需求的用户选择激励机制

现有的移动群智感知激励机制大多以平台为中心或是以用户为中心进行设计，缺乏对感知任务需求的多维考虑，从而无法切实地以任务为中心进行用户选择，导致无法满足任务需求的最大化和多样化。针对上述问题，提出一种面向任务需求的用户选择激励机制TRIM，这是一种以任务为中心的设计方法。首先，感知平台根据任务需求发布感知任务，并从任务类型、时空特性以及感知报酬等多维度构建任务向量以最大化满足任务需求，而感知用户则基于意愿偏好、个人贡献值以及期望报酬等属性构建用户向量，实现个性化选择感知任务参与响应；然后，通过引入高效且隐私保护的余弦相似度计算协议（PCSC），计算任务和用户的相似度并根据相似度高低进行用户匹配筛选得到目标用户集，更好地满足感知任务需求的同时保护用户隐私不泄露；最后，通过仿真实验表明，在感知任务和感知用户的匹配过程中，与采用Paillier加密协议的激励机制相比，TRIM缩短了指数级增量的计算时间开销，提高了计算效率；与采用直接余弦相似度计算协议的激励机制相比，TRIM保证了感知用户的隐私安全，达到了98%的匹配精确度。     

基于灰色关联度聚类与标签重叠因子结合的协同过滤推荐方法研究

协同过滤算法是目前被广泛运用在推荐系统领域的最成功技术之一,但是面对用户数量的快速增长及相应的评分数据的缺失,推荐系统中的数据稀疏性问题也越来越明显,严重地影响着推荐的质量和效率。针对传统协同过滤算法中的稀疏性问题,采用了基于灰色关联度的方法对用户评分矩阵进行数据标准化处理,得到用户关联度并形成关联度矩阵;然后对关联矩阵中的用户进行关联度聚类,以减少相似性算法的复杂度;之后利用标签重叠因子对传统计算用户相似性的协同过滤算法进行改进,将重叠因子与用户评分以非线性形式进行组合;最后通过实例改进后的算法在推荐精确度上有着较大的提高。