免疫克隆优化聚类技术

将人工免疫系统中的克隆选择优化应用于无监督分类与识别问题,提出了一种新的免疫克隆聚类算法.该算法利用克隆算子能够同时在同一父代抗体周围的多个方向进行全局或局部搜索,促使种群中抗体快速进化,从而在特征空间内快速获得聚类问题的全局最优聚类中心,有效克服了经典聚类算法易陷入局部极值的缺点,并从理论上证明了该算法具有全局收敛性．对7个人工数据集的聚类实验和两幅纹理图像的分割实验表明:新算法比常用的K均值算法的平均分类精度高20.9％,比另一种基于遗传算法的聚类方法的平均分类精度高20.3％．     

用于求解多目标优化问题的克隆选择算法

提出一种用于求解多目标优化问题的新算法,将抗体群中的抗体分为支配抗体和非支配抗体代替传统算法中对所有个体分配适应度值,以适应多目标优化问题存在一系列无法相互比较的Pareto-最优解的特点;对非支配抗体进行选择,有利于算法向着理想Pareto-前端搜索,而且加快了收敛速度;克隆操作实现了全局择优,有利于得到分布较广的Pareto-前端;采用非一致性变异操作以提高算法的局部搜索能力,有利于所得解的多样性．与已有算法相比,新算法所得的最优解分布最广,很大程度上支配着其他算法得到的最优解,评价指标S降低到了3%以下．     

自然计算课程建设研究

自然计算是一类具有自适应、自组织、自学习能力的仿生模型与算法,能够解决传统计算方法难于解决的各种复杂问题。本文从教材选择、教学内容和教学方法等方面分析自然计算这门研究生课程的建设情况,阐述从培养学生的科研兴趣入手,从基本概念和理论出发,注重学生科研实际兴趣和科研能力的培养,最终提高教学质量的做法。     

免疫遗忘动态多目标优化

许多现实世界中的优化问题都是多个目标的,而且是和时间因素有关的,抽象成数学模型就是动态的多目标优化问题,基于免疫遗忘概念和免疫应答的动态过程,提出了一种用于解决动态多目标优化问题的新的人工免疫系统算法一免疫遗忘动态多目标优化(IFDMO)算法.并采用了两集合覆盖这一评价参数,对算法进行了定量的描述.这一参数用于测量在每一个时间步骤得到的最优解向着Pareto-最优面的逼近程度.并将该算法与另外一种算法CSADMO进行了比较,CSADMO是最近提出的一种用于解决动态多目标优化问题的方法,CSADMO在保持所得前沿面的均匀性,多样性及向着Pareto-最优面的逼近性方面都体现出了很好的性质.实验结果表明,在每一时间步骤中,与CSADMO相比,IFDMO获得的解能更好的向着Pareto-最优面逼近,而且解得分布也更加均匀,范围也更加宽广.     

基于免疫算法的人脸检测

提出了一种定位准确的、鲁棒的人脸检测方法,新方法根据人的面部结构知识得到人脸椭圆模板,利用免疫遗传算法在新的灰度图像中进行模板匹配,以确定人脸在新的图像中的位置.实验结果表明,在中等复杂背景下的人脸定位应用中,该方法与遗传算法以及改进的遗传算法相比较,定位更加准确,并且有较高的抗干扰性能,而且该方法对光照、人脸姿态、表情及其他噪声具有较强的鲁棒性.     

用于非监督特征选择的免疫克隆多目标优化算法

提出一种基于免疫克隆多目标优化算法的特征选择方法,先将非监督特征选择问题归结为多目标优化问题,然后构造相应的问题模型和目标函数．最后,采用免疫克隆多目标优化算法,通过增加相关特征的显著性,减小不相关特征的显著性来实现每个特征显著性的优化,达到特征选择的目的．UCI数据集的仿真实验表明,该算法降低了错误识别率,验证了其在非监督特征选择中的应用潜力．     

AI赋能智能科学与技术专业课程教学探索

分析智能科学与技术专业课程教学面临的挑战,提出人工智能赋能智能科学与技术专业教学新思路,从智能化课程设计、智能化教育教学和人工智能伦理约束方面给出智能科学与技术专业教学新策略。