Finding Minimum Vertex Covering in Stochastic Graphs: A Learning Automata Approach

Structural and behavioral parameters of many real networks such as social networks are unpredictable, uncertain, and have time-varying parameters, and for these reasons, deterministic graphs for modeling such networks are too restrictive to solve most of the real-network problems. It seems that stochastic graphs, in which weights associated to the vertices are random variables, might be better graph models for real-world networks. Once we use a stochastic graph as the model for a network, every feature of the graph such as path, spanning tree, clique, dominating set, and cover set should be treated as a stochastic feature. For example, choosing a stochastic graph as a graph model of an online social network and defining community structure in terms of clique, the concept of a stochastic clique may be used to study community structures’ properties or define spreading of influence according to the coverage of influential users; the concept of stochastic vertex covering may be used to study spread of influence. In this article, minimum vertex covering in stochastic graphs is first defined, and then four learning, automata-based algorithms are proposed for solving a minimum vertex-covering problem in stochastic graphs where the probability distribution functions of the weights associated with the vertices of the graph are unknown. It is shown that through a proper choice of the parameters of the proposed algorithms, one can make the probability of finding minimum vertex cover in a stochastic graph as close to unity as possible. Experimental results on synthetic stochastic graphs reveal that at a certain confidence level the proposed algorithms significantly outperform the standard sampling method in terms of the number of samples needed to be taken from the vertices of the stochastic graph.     

图的最小顶点覆盖问题的面上DNA解法

1994年，Adleman提出一种解决NP完全问题的新方法-DNA计算．之后又出现了许多关于DNA计算的改进操作并增加了其可靠性，其中面上操作是一种很有效的方法．本文利用DNA计算的固态处理(面上计算)解决了图论中又-NP完全问题一图的最小顶点覆盖问题．构造了含有6个顶点10条边的图的顶点集子集对应的数据池之后，进行了一系列的合成、杂交、清洗、变性等生物操作，得到所有覆盖对应的DNA序列，然后通过编址过程得到所要求的最小覆盖．     

加细覆盖下模糊广义粗集的一些基本结果

论文从拓扑学角度研究覆盖近似空间(U,C),提出了加细覆盖的概念,讨论了加细覆盖近似空间的约简问题;同时给出了对定义在加细覆盖近似空间上的模糊集进行上、下近似计算的一种计算方法,并讨论该算法的一些性质。     

一种新的覆盖粗糙集度量方法

现有的近似精度和粗糙度不能反映不同覆盖之间的粗细关系。为解决该问题,提出一种新的覆盖粗糙集度量方法,将知识粒度引入到覆盖近似空间中,给出覆盖粒度概念,重新定义近似精度及粗糙度。实例验证结果表明,该方法能区分出2种不同覆盖粒度上的近似精度和粗糙度。     

基于交叉覆盖算法的改进算法——核平移覆盖算法

文中对前向神经网络交叉覆盖算法进行了分析,并在此基础上引入统计学习理论中的核函数,提出了两者结合的方法———核平移覆盖算法(简称KMCA)。KMCA通过Mercer核,将输入空间的样本映射到高维特征空间,然后先覆盖、后平移,以使覆盖领域局部最优,实现在核空间中分类识别。实验的结果证明了KMCA的可行性和有效性。     

机器学习中的核覆盖算法

基于统计学习理论的支持向量机（SVM）方法在样本空间或特征空间构造最优分类超平面解决了分类器的构造问题,但其本质是二分类的,且核函数中的参数难以确定,计算复杂性高．构造性学习算法根据训练样本构造性地设计分类网络,运行效率高,便于处理多分类问题,但存在所得的分界面零乱、测试计算量大的缺点．该文将SVM中的核函数法与构造性学习的覆盖算法相融合,给出一种新的核覆盖算法．新算法克服了以上两种模型的缺点,具有运算速度快、精度高、鲁棒性强的优点．其次．文中给出风险误差上界与覆盖个数的关系．最后给出实验模     

最小顶点覆盖问题的闭环DNA算法

提出了闭环DNA计算模型的基本概念及其基本生化实验,并给出了解决最小顶点覆盖问题的闭环DNA算法。在闭环DNA算法中,提出并实现了用删除实验直接构造顶点覆盖补集的构想;再通过电泳实验得到最小顶点覆盖的补集,由补集得到最小顶点覆盖。这使得算法的设计独特而新颖;由于算法仅用到基本的生化实验,这使得算法的实现简捷、可靠。     

覆盖模糊S-粗集模型

建立了基于覆盖理论的模糊S-粗糙集模型,并讨论其性质。在覆盖单向S-粗集x的最小描述的基础上,给出了x的最大描述的定义。给出了覆盖模糊S-粗集上 、下近似算子定义,讨论了算子的基本性质,证明了覆盖S-粗糙集模型下所有模糊集的下近似构成一个模糊拓扑,并得到模糊单向S-粗集X相对于覆盖单向S-粗集和覆盖约简单向S-粗集的上下近似分别相等。     

一种优先满足最小服务需求的动态网格资源调度算法

资源调度问题是网格研究必须解决的关键问题之一。目前,围绕着网格中的资源调度算法,国内外已做了大量的研究工作,先后提出了各种静态和动态调度算法。本文针对目前网格调度机制存在的问题,介绍了一种新的网格调度技术--优先满足最小服务需求的动态网格资源调度算法。该调度算法优先满足现有任务对资源的最小要求,从而减小小单个任务的等待时间。实验结果表明,该方法不但可以有效减少单个任务的延迟,而且在任务的吞吐率及CPU效率方面都比较好。     

基于最小生成树的大规模数据分类模型及其MapReduce实现

数据的快速增长,为我们提供了更多的信息,然而,也对传统信息获取技术提出了挑战。这篇论文提出了MCMM算法,它是基于MapReduce的大规模数据分类模型的最小生成树（MST）的算法。它可以看做是介于传统的KNN方法和基于聚类分类方法之间的模型,旨在克服这两种方法的不足并能处理大规模的数据。在这一模型中,训练集作为有权重的无向完全图来处理。顶点是对象,两点之间边的权重是对象间的距离。这一距离,不同于欧几里得距离,它是一个特定的距离度量。这样,可以找到图中最小生成树集,其中,图中每棵树代表一个类。为了降低时间复杂度,提取了每棵树中最具代表性的点来代表该树。这些压缩了的点集,可以通过计算无标签对象和它们之间的距离,来进行分类。MCMM模型基于MapReduce实现并且部署在Hadoop平台。该模型可扩展处理大规模的数据,是因为Hadoop支持数据密集分布应用,并且这些应用可以和数以千计的节点和数据一起运作。另外,MapReduce 和Hadoop能在由商品机组成的集群上很好的运行。MCMM模型使用云平台并且通过使用MapReduce 和Hadoop进行云计算是有益处的。实验采用的数据集包括从UCI数据库得到的真实数据和一些模拟数据,实验使用了4000个集群。实验表明,MCMM模型在精确度和扩展性上优于KNN和其他一些经常使用的基础分类方法。     

内容发布订阅中支持订阅覆盖的路由算法研究

一方面根据应用订阅覆盖的不同程度,提出了严格的基于订阅覆盖的路由（SSCBR）和放松的基于订阅覆盖的路由（RSCBR）,前者的目标是维护最少的被覆盖订阅,而后者通过维护较多的被覆盖订阅来权衡内存、时间和网络通信.另一方面,提出了使用SSCBR时保证路由表正确的充要条件,通过它可以容易地验证路由表的正确性.实验评估了两种算法在减少路由表大小、网络通信开销和时间开销方面的行为.     

最小支配集问题的活体分子计算模型

生物体内分子网络巾信息的传输、储存、放大、整合等大量仟务可以看成是一种生物分子计算过程.文中提出了一种活体分子计算模型,借助RNA干扰技术和乳糖操纵子调控模型,在细胞内构建了一个基因网络,用于求解图的最小支配集.该模型展示了利用牛物体自身的信息处理能力进行计算的能力,在生物体内建立具有一定智能的分子机器,这将在计算科学、生物学、医学上有着深远的应用前景.     

一个解决集合覆盖问题的二阶段遗传算法

针对集合覆盖问题,提出一个高效的可解决大规模数据的二阶段遗传算法.二阶段遗传算法可以分为数据约简阶段和启发式求解阶段,论文形式化地描述了数据约简阶段的相关定义、定理和算法,证明了该约简方法的有效性;并给出了启发式求解阶段中针对集合覆盖问题的遗传算法中选择、交叉、变异算子的设计方法.对Beasley提出的45个测试用例的测试结果验证了二阶段遗传算法的求解效率和求解质量高于其它遗传算法.     

点覆盖问题的蚂蚁算法求解

文章讨论了点覆盖问题的蚂蚁算法求解。点覆盖问题是一个重要的有实际意义的难解问题。蚂蚁算法为近年来新出现的一种随机寻优算法,文章运用该算法给出了求解点覆盖问题的一个分布式并行算法。实验结果表明该算法是行之有效的。     

基于覆盖的粗糙模糊集模型研究

在研究覆盖粗糙集模型中,发现对覆盖粗糙集上近似的定义并不一致．简述了各个模型的区别,并在一个较合理的覆盖粗糙集上近似定义上,结合覆盖约简理论,重新定义了基于覆盖的粗糙集模型。讨论了它的一些性质．另外,将模型进行推广,定义了基于覆盖的粗糙模糊集模型,证明了它具有一些较好的性质。     

一种求解集合覆盖问题的启发式算法

集合覆盖问题是运筹学研究中的一个基本的组合优化问题,它通常描述成如下的一个覆盖问题:从一个m行、n列的0-1矩阵(aij)m×n中选出若干列盖住所有的行,使得付出的代价最小.集合覆盖问题被广泛应用到航空人员行程安排、电路设计、运输的车辆路线安排等领域.对这一问题,国内外学者提出了诸如遗传算法、模拟退火算法、蚁群算法、人工神经网络算法等求解算法.本文以贪心算法为基础,利用人类的智慧和经验,提出了一种求解集合覆盖问题的启发式算法.算法的主要思想为:从某个解出发,随机移除一定比例的列,再用贪心策略加入若干列.用本文提出的算法,对Beasley提出的45个测试实例进行了实算测试,所得结果和最优解的平均相对差值为0.44%,并且得到了其中33个实例的最优解,实算结果表明,本文提出的算法对求解集合覆盖问题是行之有效的.     

顶点覆盖变体问题的确定参数可解算法研究

参数复杂性作为算法研究的一个重要分支,近十年来在国际上受到了广泛的关注,确定参数可解算法是参数复杂性研究的一类重要问题,因此被广泛研究。本文主要研究了顶点覆盖问题的两个变体问题：一个是连接的顶点覆盖问题,二是含权的树型顶点覆盖问题。这两个问题都是对原始的顶点覆盖问题加入了一些限制的变体问题。本文给出了这两个问题的确定参数可解算法,并且是目前的最好结果。     

基于覆盖算法的煤炭供应商评测模型

阐述了当前进行煤炭供应商评测的方法以及这些方法的弊端。针对这种弊端,根据煤炭供应商评测的特点,利用前向神经网络的交叉覆盖算法及其改进算法对煤炭供应商供货质量进行了评测,在实验中将其与统计理论中加权平均的方法进行比较,证明取得了不错的效果,同时证明了核覆盖算法对交叉覆盖算法的改进。     

一种改进的贪婪式覆盖算法

文中对覆盖算法进行了介绍和分析,提出了一种基于贪婪算法思想的改进的覆盖算法,称之为贪婪覆盖算法。通过对覆盖初始中心选择方式的改进,减少覆盖数量。通过实验,对比目前已有的几种实现方法,覆盖数量有了较大的下降,明显提高了分类识别的速度。     

变精度覆盖粗糙集模型的比较

介绍覆盖粗糙集和Ziarko变精度粗糙集模型,将Ziarko变精度粗糙近似算子应用于覆盖近似空间,借助引入的误差参数β (0 ≤β<0.5),给出2种变精度覆盖粗糙集模型的β上近似、β下近似、β边界和β负域的定义。讨论2种模型中β上、下近似算子的基本性质、2种模型之间的关系以及变精度覆盖粗糙集模型与其他粗糙集模型的关系。