基于混合自适应遗传算法的工作流挖掘优化

针对目前工作流挖掘算法采用局部策略而无法保证最优挖掘以及算法对噪声敏感的情况,提出了基于混合自适应遗传算法的工作流挖掘优化算法。首先定义了基本工作流网以及变迁的使能和点火规则,描述了过程模型;然后提出了过程模型转换成基本工作流网的算法,给出了衡量事件日志与过程模型的符合性的适应值评价函数;最后根据进化阶段以及个体相似度设计了混合自适应的交叉率和变异率。仿真试验结果表明,该算法与α算法相比具有更高的鲁棒性和对噪声的抗干扰性;与基本遗传算法相比,该算法能显著提高解的质量和收敛速度。     

动态信息网络中的角色演化异常及其发现

现实世界中的社交网络、合作者网络、邮件网络等诸多复杂系统均可抽象为动态信息网络。动态信息网络具有时序、复杂、多变的特征,分析其网络结构随时间演化的过程,尤其演化过程中出现的异常现象,对理解复杂系统的行为倾向于演化趋势具有重要意义。致力于动态信息网络中异常结构演化过程的发现,通过角色定义刻画网络的结构特征,提出了角色演化异常(role evolving outliers,REOutliers)的概念,并给出了基于模式挖掘的角色演化异常发现算法(pattern-based role evolving outliers detection,P-REOD)。该算法挖掘整个网络中角色随时间演化的频繁模式,通过比较节点到频繁模式的相异程度进行REOutliers发现。实验表明,该算法能够进行有效的角色演化异常发现。     

一种能挖掘不完备日志的改进α算法

对于不完备日志挖掘这一过程挖掘的难题,在传统α算法的基础上,提出了一种不完备日志的过程挖掘算法。该算法在α算法给出的并行关系定义的基础上,提出了一组隐含并行关系的推导规则,利用已知的任务关系推导出日志中缺失的隐含并行关系,在此基础上构造出过程的结构模型。实验结果证明,该算法对不完备日志的挖掘效果优于传统α系列算法。     

基于模糊物元PSO混合优化算法的客户创意挖掘*

针对具有模糊性、缺乏系统性和主题性的新产品开发模糊前端客户创意,提出一种基于模糊物元和改进微粒群算法的混合启发式挖掘方法。首先将模糊理论引入物元分析,将客户的个性化要求、特征及相应的模糊量值结合起来建立其形式化模糊物元模型, 应用模糊物元优化方法将客户多需求优化问题转换为单需求优化问题;然后给出了最优客户创意的自适应变异微粒群（AMPSO）算法的求解方法,并与遗传算法加以比较,证明该算法的有效性和先进性。最后将该算法应用于某型号汽车外观造型设计的客户创意挖掘中,有效指导了产品创新的实施。     

一种动态调度的延迟敏感流网络挖掘算法

为了提高延迟敏感数据流的挖掘精度及能量效率,提出一种动态调度的延迟敏感流网络挖掘算法。该算法建立了流挖掘系统模型,对分类器链的选择概率、能量消耗和延迟敏感进行分析。为了控制挖掘系统的延迟时间并节省能量,提出了基于延迟约束的能量最小化组合方程。同时,采用了一个有效的分解定界算法来解决分类器的最佳处理速度选择问题,通过贪婪算法找到组合方程的最小能量边界,实现流挖掘系统在具有更高的分类效率的同时保持较低的能量消耗和延迟。仿真结果表明,该算法相比基于动态时间规整的数据挖掘算法和基于遗传算法优化的数据挖掘算法,能量效率分别提高了39.4%和41.4%,分类精度分别高出11.5%和5.9%,具有更好的节能效果和挖掘精度。     

基于蚁群优化的二分网络社区挖掘

近年来,网络社区挖掘得到了极大的关注,尤其是针对二分网络的社区挖掘。二分网络社区挖掘对于研究复杂网络有非常重要的理论意义和实用价值。提出了一个基于蚁群优化的二分网络社区挖掘算法。该算法首先将二分网络社区挖掘问题转化成一个优化问题,建立一个可供蚂蚁搜索的图模型。同时,根据顶点的拓扑结构定义启发式信息。每只蚂蚁根据每条路径上的信息素和启发式信息选择路径,构造出一个社区的划分,再用二分模块度去衡量社区划分的优劣。实验结果表明,该算法不但可以较准确地识别二分网络的社区数。而且可以获得高质量的社区划分。     

一种并行化的启发式流程挖掘算法

启发式流程挖掘算法在日志噪音与不完备日志的处理方面优势显著,但是现有算法对长距离依赖关系以及2-循环特殊结构的处理存在不足,而且算法未进行并行化处理.针对上述问题,基于执行任务集将流程模型划分为多个案例模型,结合改进的启发式算法并行挖掘各个案例模型所对应的C-net模型;再将上述模型集成得到完整流程对应的C-net.同时,将长距离依赖关系扩展为决策点处两个任务子集之间的非局部依赖关系,给出了更为准确的长距离依赖关系度量指标和挖掘算法.上述改进措施使得该算法更为精确、高效.     

在线社交网络社区的启发式挖掘框架

指出基于全局优化的社区挖掘方法的不足,给出OSNs网络及其社区挖掘的形式定义,提出一个启发式社区挖掘框架,在此框架下对包括LWP,Clauset,Schaeffer,Papadopoulos,Bagrow与Chen在内的6种启发式社区挖掘算法进行分析比较.通过3个真实OSNs网络的实验比较,验证了启发式社区挖掘框架的可行性,在结果社区有效性与时间效率上对6种启发式算法进行比较,实验结论为网络社区挖掘的工程实践与理论研究提供了借鉴.     

复杂工作流结构挖掘的研究

提出了基于模拟退火的过程挖掘算法.该算法对工作流模型中包含的非自由选择结构和重名任务进行挖掘,同时在挖掘结果中产生隐含的任务.对本算法进行初步的实现及验证,并分析了算法的效率及优缺点.     

基于用户行为的集群服务器对象分组优化研究

提出了一种基于用户行为的Locality型集群服务器结构,可以根据用户行为进行自适应的对象分组优化和集群节点的分组重构。采用改进的Apriori关联挖掘算法和基于最短距离的对象迁移算法,使得集群服务器整体负载降低,子集群负载均衡,用户响应速度提高。     

基于可信推断的流数据序列模式分析算法

序列模式在基因分析、金融预测等方面有着重要的应用，是数据挖掘的一个主要分支,鉴于数据流应用的日益增多。本文在研究传统序列模式挖掘算法的基础上，提出了一种基于可扩展滑动窗口和贝叶斯概率过滤的面向数据流的序列模式挖掘算法（BMSP—DS算法），目的是简化序列模式发现的中间结果，提高挖掘效率．以便在小的存储空间和低的运算时间内快速发现流数据的频繁序列模式，同时算法也减少了因主观支持度取值不当对模式发现造成的负面影响，实验结果表明，该算法是可行、较优的．     

面向流数据的决策树分类算法并行化

随着云计算、物联网等技术的兴起,流数据作为一种新型的大数据形态广泛存在于电信、互联网、金融等领域.与传统静态数据相比,大数据环境下的流数据具有快速、连续和随时间变化等特点.同时数据流的隐含分布变化会带来概念漂移问题.为了适应大数据环境下流数据分类算法的要求,必须对传统的静态离线数据分类算法进行改进,提出基于分布式计算平台Storm的P-HT并行化算法.算法在满足Storm流处理平台要求基础上,通过滑动窗口机制、替代子树机制和并行化处理,提高了算法的灵活性和通用性,并且能良好地适应数据流的概念漂移.最后通过实验验证该算法的有效性和高效性,结果表明在与传统C4.5算法相比精度没有降低的情况下,改进的P-HT算法具有更大的吞吐量和更快的处理速度.     

飞机排班调度中机组指派优化模型及算法研究

分析了航空企业飞机排班计划编制流程,重点研究了其中的空勤机组指派优化问题,建立了机组指派优化模型,模型同时考虑了机组与航班执行飞机之间在机型、飞行区域等条件上的匹配要求。为求解模型,构造了一种改进遗传算法,算法采用自然数编码,动态自适应调整交叉和变异概率,以及智能启发式规则修正的方式加快优化速度。采用航空公司的实际航班数据进行仿真实例研究结果表明,模型和算法切实可行。     

A scheduling algorithm based on the singular value decomposition heuristic method in a distributed manufacturing system

Because distributed manufacturing technology is the foundation of modernized production and traditional heuristic methods exhibit problems of high complexity and low efficiency, this paper designs a scheduling algorithm based on the singular value decomposition heuristic (SVDH) method. The algorithm uses the device distribution and the transportation relationship between devices in a distributed manufacturing system. The algorithm takes the sequence relationship between tasks and the distance between devices as the implicit relationship between the task and the device. The algorithm makes use of the implicit relationship to amend the processing time matrix of the task and corrects the processing time matrix that contains the transportation relationship. Singular value decomposition principal component analysis is performed on the corrected processing time to find the most suitable processing device for each process, and an initial solution matrix is established. The heuristic solution is used to optimize the initial solution to find the optimal scheduling result based on the initial solution matrix. The establishment of the initial solution can effectively reduce the computational complexity of the heuristic solution, realize a parallelizing solution, and improve the efficiency of the heuristic solutions. In addition, the SVDH scheduling result has a lower transfer time between devices due to the consideration of the topology of tasks and devices, that is, the transit time. In this paper, the experiments are conducted on the heuristic performance, scheduling results, and transportation time. The experimental results show the advantages of SVDH over general heuristic algorithms in terms of efficiency and transit time.     

数据流中一种快速启发式频繁模式挖掘方法

在现有的数据流频繁模式挖掘算法中,批处理方法平均处理时间短,但需要积攒足够的数据,使得其实时性差且查询粒度粗;而启发式方法可以直接处理数据流,但处理速度慢.提出一种改进的字典树结构--IL-TREE(improved lexicographic tree),并在其基础上提出一种新的启发式算法FPIL-Stream(frequent pattem mining based on improved lexicographic tree),在更新模式和生成新模式的过程中,可以快速定位历史模式.算法结合了倾斜窗口策略,可以详细记录历史信息.该算法在及时处理数据流的前提下,也降低了数据的平均处理时间,并且提供了更细的查询粒度.     

用于回波抵消的最大长度序列相关近端语音检测算法研究

回波抵消是语音通信系统中不可缺少的一个重要组成部分。大部分回波抵消技术都是基于自适应LMS算法的。在实际应用中，近端语音检测的准确性会在很大程度上影响自适应LMS算法在双向通信环境下回波抵消的效果。本文提出了一种基于最大长度序列相关算法的近端语音检测算法。这种近端语音检测算法和自适应LMS算法相结合，得到的回波抵消算法在模拟双向通信环境下的回波抵消效果比自适应LMS算法高约8db。     

基于核映射极限学习机的入口氮氧化物预测

针对在线贯序极限学习机(OS-ELM)算法隐含层输出不稳定、易产生奇异矩阵和在线贯序更新时没有考虑训练样本时效性的问题,提出一种基于核函数映射的正则化自适应遗忘因子(FFOS-RKELM)算法.该算法利用核函数代替隐含层,能够产生稳定的输出结果.在初始阶段加入正则化方法,通过构造非奇异矩阵提高模型的泛化能力;在贯序更新阶段,通过新到的数据自动更新遗忘因子.将FFOS-RKELM算法应用到混沌时间序列预测和入口氮氧化物时间序列预测中,相比于OS-ELM、FFOS-RELM、OS-RKELM算法,可有效地提高预测精度和泛化能力.     

基于启发式函数的分布式FN 算法

对复杂网络进行社团挖掘和分析是很多领域和学科的重要问题,结合海量数据通联矩阵稀疏的特点,提出了一种基于启发式函数合并的快速社团挖掘算法KFN算法,并建立了算法的MapReduce模型.通过对DBLP论文合著网络数据集进行挖掘可知,分布式模型和基于启发式函数的合并策略能够提高社团挖掘的时间效率.     

基于启发式BP算法的软件缺陷预测模型

针对软件缺陷预测时缺陷数据集中存在的类别分布不平衡问题,结合上采样算法SMOTE与Edited Nearest Neighbor (ENN)数据清洗策略,提出了一种基于启发式BP神经网络算法的软件缺陷预测模型。模型中采用上采样算法SMOTE增加少数类样本以改善项目中的数据不平衡状况,并针对采样后数据噪声问题进行ENN数据清洗,结合基于启发式学习的模拟退火算法改进四层BP神经网络后建立分类预测模型,在AEEEM数据库上使用交叉验证对提出的方案进行性能评估,结果表明所提出的算法能够有效提高模型在预测类不平衡数据时的分类准确度。