基于I-B＆B-MDL的贝叶斯网结构学习改进算法

针对I-B&B-MDL算法的不足,提出了2点改进:一是仅利用0阶和部分1阶测试确定网络侯选连接图,在有效限制搜索空间的同时,减少了独立性测试及对数据库的扫描次数;二是利用互信息的启发性知识作为侯选父母节点排序,加大了B&B搜索树的截断,加速了搜索过程.在通用数据集上的实验结果表明,在保证学习精度的前提下,算法整体的时间性能比原算法有较大的改进.     

基于蛙跳算法的零空闲流水线调度问题优化

针对零空闲流水线调度问题,以E/T指标最优为优化测度,提出了一种蛙跳求解算法。首先,该算法采用新的个体产生方法,扩展传统蛙跳算法的求解模型。其次,使用带有启发式策略的种群初始化方法优化初始解性能。再次,借助基于种群多样性的方法进行排序和分组,并通过部分随机初始化策略保持种群多样性。最后,结合一种简单而有效的邻域搜索算法,达到局部探索和全局搜索之间的平衡,进而提高收敛速度。在若干benchmark问题上的仿真实验表明了所提算法的有效性。     

基于双萤火虫种群并行搜索的脑效应连接网络学习方法

为了从功能磁共振成像（fMRI）数据中识别到高质量的脑效应连接网络,提出双萤火虫种群并行搜索的脑效应连接网络学习方法. 利用2个萤火虫种群寻优完成脑效应连接网络的学习,将萤火虫种群划分为精英种群和普通种群. 通过精英种群的定向移动和普通种群的随机移动,分别逐步构建脑效应连接网络;在网络构建过程中,利用种群迁移操作动态地调整精英种群和普通种群的种群规模,以实现两种群之间的信息交流. 每隔一定代数,使用基于多样性度量的种群自适应更新机制,动态地进行2个种群的更新. 在多组模拟数据上的实验结果表明,新算法与其他算法相比,在识别总体性能上具有明显优势. 在真实数据上的实验表明了算法的潜在实用性.     

基于鱼群算法的脑功能连接邻域粗糙集特征归约方法

为了有效应对脑功能连接高维小样本性给分类模型构建带来的挑战,得到与脑疾病诊断相关的重要特征,提出基于鱼群算法的脑功能连接邻域粗糙集特征归约方法.该方法建立脑功能连接数据的邻域决策表;依据特征的依赖度将鱼个体初始化为候选的脑功能连接特征子集,并采用综合特征子集依赖度和特征子集长度的适应度函数对鱼个体进行评价;在种群优化过程中,执行觅食、聚集、追尾机制,以及交叉和迁徙2个新机制来不断搜索最优的特征子集.在3种脑疾病功能磁共振脑成像（fMRI）数据集上,将所提方法与多种已有的特征归约方法进行对比实验.结果表明,该方法是有效的脑功能连接特征归约方法,可以有效降低脑功能连接数据的维度,获得分类判别能力较强的脑功能连接特征.     

基于跨尺度特征融合自注意力的图像描述方法

近年来,基于自注意力机制的编码器-解码器框架已经成为主流的图像描述模型。然而,编码器中的自注意力只建模低尺度特征的视觉关系,忽略了高尺度视觉特征中的一些有效信息,从而影响了生成描述的质量。针对该问题,文中提出了一种基于跨尺度特征融合自注意力的图像描述方法。该方法在进行自注意力运算时,将低尺度和高尺度的视觉特征进行跨尺度融合,从视觉角度上提高自注意力关注的范围,增加有效视觉信息,减少噪声,从而学习到更准确的视觉语义关系。在MS COCO数据集上的实验结果表明,所提方法能够更精确地捕获跨尺度视觉特征间的关系,生成更准确的描述。特别地,该方法是一种通用的方法,通过与其他基于自注意力的图像描述方法相结合,能进一步提高模型性能。     

蚁群算法中信息素增量和扩散模型的研究

文章提出一种新的基于信息素增量和扩散模型的蚁群算法。首先,基于能量守恒与转换定律对信息素的增量模型进行修正,以体现蚂蚁在不同路径上行走时所产生的信息量差异;其次,以蚂蚁经过的路径(直线段)作为信息素扩散浓度场的信源,改善了信息素扩散模型,强化了蚂蚁间的协作和交流。大量TSP(Traveling Salesman Problem)问题的实验表明:该算法不仅能获得更好的解,而且能加快算法的收敛速度。     

一种基于贝叶斯网客户购物模型的商品推荐方法*

提出一种新的基于客户购物模型的推荐系统框架。它把推荐过程形式化为客户购物信息的知识表达、知识推理过程。该方法首先对客户的购物历史数据进行学习, 得到贝叶斯网客户购物模型, 然后结合客户当前的购物行为, 提出并实施了一种基于概率推理的推荐算法。实验表明该算法能高效实时地为客户产生个性化的商品推荐集合, 且在覆盖率和准确率方面优于某些传统方法。     

基于信息素扩散模型解耦控制策略的蚁群算法

蚁群优化是一种元启发式的随机搜索技术．信息素是蚁群进行交流并实现群集智能的媒介，所以信息素的更新策略一直是蚁群算法中的一个研究热点．针对信息素扩散的耦合特征，提出一种基于信息素扩散模型解耦控制策略的蚁群算法．对信息素扩散模型进行改善，建立以蚂蚁经过的路径（直线段）为信源的信息素扩散模型，通过分析信息素扩散浓度场的耦合性，引入去耦控制策略来修正信息素的更新公式，大量TSP（traveling salesman problem）问题的实验表明：该算法不仅能获得更好的解，而且能加快算法的收敛速度．     

贝叶斯网模型的学习、推理和应用

近年来在人工智能领域,不确定性问题一直成为人们关注和研究的焦点。贝叶斯网是用来表示不确定变量集合联合概率分布的图形模式,它反映了变量间潜在的依赖关系。使用贝叶斯网建模已成为解决许多不确定性问题的强有力工具。基于国内外最新的研究成果对贝叶斯网模型的学习、推理和应用情况进行了综述,并对未来的发展方向进行了展望。     

基于引导素更新和扩散机制的人工蜂群算法

人工蜂群算法是一种新型的搜索算法,其机理是通过模拟蜂群采蜜过程中体现出的智能行为来实现对问题的求解.在现有的蜂群算法中,蜂群间的信息交流仅使用单一的行为通信(跳舞),蜂群间的协作存在明显不足,影响了蜂群算法的求解性能.根据真实蜜蜂多模式传递信息的客观事实,通过引入基于引导素的化学通信方式,提出一种新的更忠实反映蜂群信息传递的蜂群算法,并应用于多维背包问题(MKP)的求解.新算法将行为通信和化学通信相融合,利用引导素的更新和扩散机制使蜂群能够更好地进行协作.MKP的仿真实验结果表明新算法优于传统的ABC算法.与其他一些元启发式搜索算法的比较同样显示了新算法的有效性.