一种基于信息熵的信息系统属性约简算法*

粗糙集中找到最小属性约简是一个NP-hard问题,本文根据知识信息熵的定义和性质,定义属性重要性,分析其性质,得出核的求法,给出约简的判定定理,提出了一种基于信息熵的属性约简算法。该算法采用启发式搜索法,先计算属性重要性,求得核,再以核为起点,以属性重要性大小为启发式信息,选择属性,求得最小约简。理论分析和实际计算表明,该算法简明有效。     

一种无决策属性的信息系统的属性约简算法

经典属性约简及其延伸算法是基于有决策属性的信息系统的属性约简算法,它们对无决策属性的信息系统的属性约简无能为力.为此,本文以粗集理论为基础,对无决策属性的信息系统从集合论的论域划分方面进行研究,提出了一种适用于无决策属性的信息系统的启发式属性约简算法.该算法在一定程度上能够解决无决策属性的信息系统属性约简问题,进一步扩展了粗集理论的应用范围.实例表明该算法是有效可行的.     

一种信息系统的快速属性约简算法

在分析目前已有的基于Rough Set的属性约简算法后,认为计算属性的重要性的算法复杂度可以进一步降低,同时给出了一个新的较为合理的度量属性重要性的计算公式,并分析了该计算公式的性质,然后给出了一个时间复杂度为max｛O｜A‖U｜log｜U｜,O(｜A｜2｜U｜)｝的快速属性约简算法,最后用一个实例说明了算法的有效性。     

一种基于粗糙熵的信息系统属性约简算法

在信息系统中,研究了知识的粗糙性,定义了一种粗糙熵度量方法,并证明了知识的粗糙熵随着划分的增大而单调增加的结论,给出了属性的重要性度量方法,在此基础上提出了一种基于粗糙熵的启发式属性约简算法。实例验证表明,该算法能有效地从信息系统中获取最优属性约简。     

信息系统属性约简的快速算法

对目前已有的信息系统属性约简的启发式算法进行了分析,认为它们的时间复杂度不太理想.以快速缩小搜索空间为目的,先利用划分U/A对信息系统进行化简.设计了一个新的度量属性重要性的计算公式,并给出了该公式的递归计算方法.然后给出了一个时间复杂度为max{O(A‖U|),O|A|2|U/A|)}的快速属性约简算法,最后,实例及实验结果表明了该算法的有效性.     

一种基于划分的信息系统属性约简算法

给出一种快速的信息系统属性约简算法。对信息系统提出划分差量的概念,由此得到一个刻画属性重要性的新指标,随后提出一种新的属性约简的启发式算法。理论分析和实验结果表明该算法在时间复杂性上较现有算法有显著的降低,并通过实例说明了它的可行性与有效性。     

一种增量式属性约简算法

文章基于粗糙集理论提出了一种新的增量式属性约简算法。当信息系统的对象和决策属性不变而不断增加条件属性时,通过该算法可动态地实现属性约简,由该算法得到的属性约简具有一定的实用价值。通过实例验证了该算法的正确性和有效性。     

不完备信息系统的一种属性约简

条件属性的重要性存在差异,通过引入差异度,对不完备信息系统中属性的重要性进行了定义,提出了一种基于权重联系度的属性约简算法。通过实例说明该算法能得到不完备决策表的最小相对约简。     

基于条件信息熵的多值信息系统的属性约简

从信息论的角度提出了多值决策信息系统的信息熵和条件信息熵的概念,在此基础上提出了一种属性约简算法,以一种新的形式的属性重要性为启发式信息,减小了知识约简过程中的搜索空间,实验分析表明,该算法能得到多值信息系统的最小约简。     

一种基于信息熵加权的属性约简算法

针对现有邻域粗糙集模型中存在属性权重都相同,无法保证关键属性在属性约简时能够被保留的问题,提出了一种基于信息熵加权的属性约简算法。首先,采用了类间熵、类内熵策略,以最大化类间熵最小化类内熵为原则给属性赋予权重;其次,构造了基于加权邻域关系的加权邻域粗糙集模型;最后,基于依赖关系评估属性子集的重要性,从而实现属性约简。在基于UCI数据集上与其他三种属性约简算法进行对比实验,结果表明,该算法能够有效去除冗余,提高分类精度。     

基于约束满足的多目标双足机器人动态步态参数优化*

目前的步态优化算法仅仅实现了对单一目标的优化,把双足机器人步态优化看做是多目标优化问题,构建了衡量稳定性、能量消耗、步行速度三个目标评价函数。考虑到直接对多个目标加权求和的方法不能很好地处理多目标问题,提出一种新的基于约束满足的多目标步态参数优化算法,其思想是把基于惩罚函数的SPEA2(strength Pareto evolutionary algorithm2 )应用到多目标双足机器人动态步态参数优化问题上,规划出了同时满足这三个目标的动态优化步态。通过仿真实验表明了算法的有效性。     

混合分解和强度帕累托多目标进化算法

在多目标进化优化中,使用分解策略的基于分解的多目标进化算法(MOEA/D)时间复杂度低,使用〖BP(〗强度帕累托策略的〖BP)〗强度帕累托进化算法-2(SPEA2)能得到分布均匀的解集。结合这两种策略,提出一种新的多目标进化算法用于求解具有复杂、不连续的帕累托前沿的多目标优化问题(MOP)。首先,利用分解策略快速逼近帕累托前沿;然后,利用强度帕累托策略使解集均匀分布在帕累托前沿,利用解集重置分解策略中的权重向量集,使其适配于特定的帕累托前沿;最后,利用分解策略进一步逼近帕累托前沿。使用的反向世代距离(IGD)作为度量标准,将新算法与MOEA/D、SPEA2和paλ-MOEA/D在12个基准问题上进行性能对比。实验结果表明该算法性能在7个基准问题上最优,在5个基准问题上接近于最优,且无论MOP的帕累托前沿是简单或复杂、连续或不连续的,该算法均能生成分布均匀的解集。     

一种高效的多目标演化算法

为了提高非劣解向Pareto最优前沿收敛的速度及进一步提高解的精度,在设计了一种新的杂交算子并改进了NSGA-Ⅱ的拥挤操作的基础上,提出了一种基于分级策略的多目标演化算法。数值实验表明,新算法能够非常高效地处理高维的最优前沿为凸的、非凸的和不连续前沿的多目标测试函数,得到的非劣解具有很好的分布性质。但在处理高维的具有太多局部最优前沿的多峰函数时极易陷入局部最优前沿。     

基于改进粒子群优化的无标记数据鲁棒聚类算法

已有的聚类算法大多仅考虑单一的目标,导致对某些形状的数据集性能较弱,对此提出一种基于改进粒子群优化的无标记数据鲁棒聚类算法。优化阶段:首先,采用多目标粒子群优化的经典形式生成聚类解集合;然后,使用K-means算法生成随机分布的初始化种群,并为其分配随机初始化的速度;最终,采用MaxiMin策略确定帕累托最优解。决策阶段：测量帕累托解集与理想解的距离,将距离最短的帕累托解作为最终聚类解。对比实验结果表明,本算法对不同形状的数据集均可获得较优的类簇数量,对目标问题的复杂度具有较好的鲁棒性。     

五杆四驱动平面双足机器人动态步态规划与非线性控制

以五杆四驱动的平面双足步行机器人为对象,研究了其动态步行的时不变步态规划和限定时间的非线性控制策略．揭示了其模型的欠驱动和完全驱动的混杂和非光滑动力学特性,推导了其碰撞模型．基于虚拟约束的概念,提出时不变步态的输出函数解析设计方法,设计了反馈线性化控制器,将系统转化为双积分环节．然后采用限定时间控制器在一步内零化输出函数．仿真实验表明,动态步行趋于一个稳定的极限环,实现了规划的行走模式,验证了该方法的有效性．     

Evolutionary Algorithms for Multi-Objective Optimization: Performance Assessments and Comparisons

Evolutionary techniques for multi-objective(MO) optimization are currently gainingsignificant attention from researchers invarious fields due to their effectiveness androbustness in searching for a set of trade-offsolutions. Unlike conventional methods thataggregate multiple attributes to form acomposite scalar objective function,evolutionary algorithms with modifiedreproduction schemes for MO optimization arecapable of treating each objective componentseparately and lead the search in discoveringthe global Pareto-optimal front. The rapidadvances of multi-objective evolutionaryalgorithms, however, poses the difficulty ofkeeping track of the developments in this fieldas well as selecting an existing approach thatbest suits the optimization problem in-hand.This paper thus provides a survey on variousevolutionary methods for MO optimization. Manywell-known multi-objective evolutionaryalgorithms have been experimented with andcompared extensively on four benchmark problemswith different MO optimization difficulties.Besides considering the usual performancemeasures in MO optimization, e.g., the spreadacross the Pareto-optimal front and the abilityto attain the global trade-offs, the paper alsopresents a few metrics to examinethe strength and weakness of each evolutionaryapproach both quantitatively and qualitatively.Simulation results for the comparisons areanalyzed, summarized and commented.     

一类带约束动态多目标优化问题的进化算法

动态多目标约束优化问题是一类NP-Hard问题,定义了动态环境下进化种群中个体的序值和个体的约束度,结合这两个定义给出了一种选择算子.在一种环境变化判断算子下给出了求解环境变量取值于正整数集Z+的一类带约束动态多目标优化问题的进化算法.通过几个典型的Benchmark函数对算法的性能进行了测试,其结果表明新算法能够较好地求出带约束动态多目标优化问题在不同环境下质量较好、分布较均匀的Pareto最优解集.     

并行多目标遗传算法在控制系统优化中的应用

为了提高复杂控制系统设计问题中的效率,提出了一种基于主从模型的并行多目标遗传算法的优化器模型。主进程进行各类遗传操作和最优排序操作,所有进程都进行目标函数值和约束函数值的运算操作,并采用动态负载平衡策略。将该优化器应用在飞行器控制系统设计中,显示出了该算法的优良效果。     

平面双足机器人虚拟斜坡行走步态生成算法研究

在平面双足机器人上应用虚拟斜坡行走方法设计了具有4个参数的步态生成算法．根据虚拟斜坡行走成立的基本条件研究了步态参数之间的关系,最终将独立参数减少到3个．步态参数具有明确的物理意义,可以实时地、便捷地调节行走速度．在平面机器人Stepper上采用所提出的步态生成算法,实现了1.243.88腿长秒的连续速度切换．     

基于正交设计的动态多目标优化算法

提出了一种基于正交设计的动态多目标优化算法（ODMOA）,当环境变化时通过分析动态多目标优化问题的特点,利用历史信息对新环境下的Pareto最优解集进行预测,得到一个新的预测种群;否则在静态环境下使用正交试验法在解空间内进行系统且高效的搜索,使算法能够在当前环境下快速收敛到最优解。进行了多组对比试验,验证了该算法的有效性。