基于最小生成1-树动态候选集的蚁群算法

利用旅行商问题中最优路径和生成树之间的关系,论文将最小生成1-树的概念引入蚁群算法,并提出一种新的量度来构造动态候选集。通过数据实验,表明该算法不仅有效地防止了解的退化,而且提高了搜索精度,收敛性有了明显改善。     

多用户检测问题的半定规划坐标下降算法

1.引言在码分多址(CDMA)系统中,由于多个用户的随机接入,使扩频码集一般并非严格正交,这样非零相关系数会引起各用户间的相互干扰——多址干扰(MAI)。在传统的Rake检测方法中,MAI严重限制了蜂窝容量,并且必须用很强的能量来克服远近问题。     

基于粗糙集的采煤方式选择模型

建立了基于粗糙集理论的我国倾斜薄煤层采煤方式选择模型，以信息系统属性值表为主要工具，对连续属性进行离散化，约简并剔除不必要的属性，揭示了采煤方式选择信息中内在的冗余性，降低了采煤方式选择的复杂性，并给出了简化后的决策规则。     

混合差分变异策略

为了改善差分进化算法的求解性能,提出一种新的混合差分变异策略．该策略将种群中的每一个个体视作带电粒子,利用粒子所带的电荷量以及粒子之间的吸引排斥机制确定个体移动方向和位移大小．该策略会使个体在其他3个个体施加于它的力的方向上自适应地移动．数值实验表明基于该策略的差分进化算法求解精度高、评估次数少．     

基于先验节点序学习贝叶斯网络结构的优化方法

针对小样本数据集下学习贝叶斯网络 (Bayesian networks, BN)结构的不足, 以及随着条件集的增大, 利用统计方法进行条件独立 (Conditional independence, CI) 测试不稳定等问题, 提出了一种基于先验节点序学习网络结构的优化方法. 新方法通过定义优化目标函数和可行域空间, 首次将贝叶斯网络结构学习问题转化为求解目标函数极值的数学规划问题, 并给出最优解的存在性及唯一性证明, 为贝叶斯网络的不断扩展研究提出了新的方案. 理论证明以及实验结果显示了新方法的正确性和有效性.     

多组对策系统非劣Nash策略的最优均衡解算法

多组对策系统中求解组与组之间的非劣Nash策略至关重要.如何针对一般问题解析求出非劣Nash策略还没有有效的方法.本文阐述了一种利用组与组之间的非劣反应集构造求解非劣Nash策略的迭代算法.为此首先引进多组对策系统组内部合作对策的最优均衡值和最优均衡解的概念,然后通过证明最优均衡解是组内部隐含某一权重向量的合作对策的非劣解,得到求解合作对策的单目标规划问题.进一步说明在组内部该问题的解不仅是非劣解而且对所有局中人都优于不合作时的Nash平衡策略.最后给出了验证该算法有效性的一个实际例子.     

引入人工蜂群搜索算子的粒子群算法

针对标准粒子群算法易出现早熟现象和收敛速度慢等问题,提出一种引入人工蜂群搜索算子的粒子群算法.首先利用人工蜂群搜索算子很强的探索能力,对粒子搜索到的历史最优位置进行搜索以帮助算法快速跳出局部最优点;然后,为了提高算法的全局收敛速度,提出一种基于混沌和反学习的初始化方法.通过12个标准测试函数的仿真实验并与其他算法相比较,所得结果表明所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.     

基于拓扑改进与交叉策略的萤火虫算法

针对萤火虫算法（FA）复杂度大,对高维函数优化困难,容易陷入局部极小值等问题,提出了基于拓扑改进与交叉策略的萤火虫算法。该算法用冯诺依曼拓扑结构来模拟萤火虫之间的邻域结构,提高了全局搜索能力,并且减小了计算复杂度。同时,引入自适应交叉策略,根据萤火虫的多样性动态的调整交叉概率,增强了萤火虫跳出局部最优的能力。对8个标准测试函数的仿真实验表明,改进后的萤火虫算法与标准萤火虫算法相比,有更高的收敛精度和稳定性。     

SVM中不平衡数据的分离超平面的校正方法

针对两类不平衡数据的分离超平面的偏移问题提出一种平衡方法。首先,对两类样本数据在核空间中进行核主成分分析,分别求出两类样本数据的在特征空间中的主要特征值;然后,根据两样本容量以及各自的特征值所提供的信息,对两类数据给出惩罚因子比例;最后,通过优化训练,产生一个新的分离超平面。该分类面校正了标准的支持向量机的分类误差。实验显示了所提出方法的有效性,即与标准的支持向量机相比,不仅平衡了错分率而且还能减少错分率。     

一种提高分类精度的支持向量机NDR-SVM

提出基于近邻域比率的支持向量机NDR-SVM.该算法对每个训练样本构造一个近邻域,在此邻域中计算与中心同类的样本占邻域中总样本的比率;根据比率与剔除闲值的大小关系决定邻域中心的取舍,并将所保留的样本带入SVM分类.通过修剪训练集,该算法减弱了噪声对SVM泛化能力的影响.实验结果表明,与已有算法相比,NDR-SVM具有更高的分类精度,大大提高了训练速度.