基于免疫计算的机构轨迹综合

机构轨迹综合问题本质上可以归结成为一个模式匹配问题．据此给出了机构轨迹综合的模式匹配模型,深入讨论了其实现步骤中涉及到的若干关键技术,如机构轨迹的数字化描述、轨迹曲线的聚类与分类、轨迹模式匹配等．综合运用AINE无监督学习模型、AIRS有监督学习模型和文中给出的阴性选择算法改进模型,提出了基于免疫计算的机构轨迹综合方法．最后,通过一个四杆机构轨迹综合的应用实例证明该方法可以有效地求解机构轨迹综合问题．     

改进粒子群优化算法求解任务指派问题

任务指派问题是典型NP难题,引入粒子群优化算法对其进行求解。建立了任务指派问题的数学模型,给出了粒子群优化算法求解任务指派问题的具体方案。为提高其优化求解效果,引入变异机制及局部更新机制对粒子群优化算法进行改进。实例及数字仿真验证了改进粒子群优化算法的有效性。     

虚拟企业在技术创新扩散过程中决策采纳优化算法

在技术创新扩散过程中很少创新是一进入市场就被立刻采用的。当具备采纳创新技术所需的财务条件时,企业主要考虑何时及如何配置各资源比例达到效用最大化的问题,这是一个多阶段有限理性的决策过程。本文提出运用反向传播算法进行定量计算,解决了企业在创新技术决策采纳过程中资源权重配置的问题,通过虚拟企业实证为企业决策优
优化采纳提供了可行性的参考依据。     

虚拟软件企业合作伙伴选择多智能体仿真研究

虚拟软件企业能否成功很大程度上取决于其组建过程,而组建过程中关键的环节是选择合适的合作伙伴。因此将虚拟软件企业合作伙伴选择问题作为研究对象,分析了其微观作用机制,采用多智能体建模与仿真方法,建立了合作伙伴选择多智能体模型,设计了相应的仿真实验,研究了不同决策目标下的合作伙伴选择机制。研究表明,成本最低法、工期最短法和质量最优法这3种单目标决策方法能够达到各种决策目标的最优化,但是稳定性较差;综合最佳法这种多目标决策方法能够实现软件项目总工期和总质量之间的平衡,并且稳定性较好。     

基于参数反演的网络舆情传播趋势预测——以新浪微博为例

针对现有的舆情传播模型研究与实际舆情数据结合较少以及难以从舆情大数据中挖掘舆情传播内在规律的问题,提出一种基于实际网络舆情大数据采用神经网络的舆情传播模型参数反演算法。改进经典SIR传染病传播模型,构建一种网络舆情传播模型,基于该模型对实际案例进行参数反演,预测网络舆情的后续传播趋势,并与马尔可夫预测模型对比,所提算法可以精确预测舆情的具体热度值。实验结果表明,所提算法在预测性能上具有一定的优越性,可以用于网络突发事件传播的数据拟合、过程模拟和趋势预测。     

工程免疫计算:基本概念与研究框架

人工免疫系统（artificial immune system，AIS）是目前人工智能领域的研究前沿之一．分析了AIS所要解决的各种工程实际问题的共性特点和聚类特征，将工程领域中的各种AIS应用问题聚类归纳为若干类别的典型工程问题，存此基础上提炼形成了工程免疫计算（engineering immune computing，EIC）的概念．给出了EIC的定义，对其概念内涵进行了阐释，说明了EIC和AIS之间的关系；构建提出了EIC的研究框架，包括基本原理、实现技术、工程应用以及理论分析和实现方法等5个部分，并对这些组成部分进行了详细阐述．从面向问题求解的免疫设计和面向产品演化的免疫设计2个方面对基于EIC的产品设计方法进行了阐述，以产品设计为例，对基于EIC的工程应用展开了进一步说明．结合AIS在工程领域中的应用现状及其存在的问题，展望了EIC的发展方向，着重论述了其在产品设计领域中的应用前景．EIC概念的提出充实和发展了AIS的研究范畴，可为更好地利用AIS解决工程实际中的诸多复杂问题提供有效的方法指导．     

并行设计中任务量与时间模型的探讨

对并行设计任务组织方面已有的研究内容进行分析,在此基础上论证了一些算法思路上的可取及有待改进之处;对目前常用设计规划方法因未考虑企业实际拥有的技术、人力资源水平而使最终的规划结果不能很好地指导实践这一常见问题,提出了基于资源约束的任务总量模型和时间总量优化模型,并介绍了一种根据任务痼键度来识别重要任务的新方法;最后用一个应用实例进行了验证。     

支持LCED的集成系统研究

针对LCED研究的基本对象,用层次性观点和变粒度观点进行分析,探讨了认识的可变粒度和多结果性,从而引入产品形态的概念,进而描述了产品在其生命周期中的整体形态流动,并以此为基础提出了一种集成LCED各个阶段的SCM三维体系结构,给出了实施LCED集成的一种方案,讨论了若干实施技术。     

面向密度分布不均数据的近邻优化密度峰值聚类算法

密度分布不均数据是指类簇间样本分布疏密程度不同的数据.密度峰值聚类(DPC)算法在处理密度分布不均数据时,倾向于在密度较高区域内找到类簇中心,并易将稀疏类簇的样本分配给密集类簇.为避免上述缺陷,提出一种面向密度分布不均数据的近邻优化密度峰值聚类(DPC-NNO)算法.DPC-NNO算法结合逆近邻和k近邻定义新的局部密度,提高稀疏样本的局部密度,使算法能更准确地找到类簇中心;定义分配策略时引入共享近邻,计算样本间相似性,构造相似矩阵,使同一类簇样本联系更紧密,避免错误分配样本.将所提出的DPC-NNO算法与IDPC-FA、DPCSA、FNDPC、FKNN-DPC、DPC算法进行对比,实验结果表明,DPC-NNO算法在处理密度分布不均数据时能获得优异的聚类效果,对于复杂数据集和UCI数据集,DPC-NNO算法的综合性能优于对比算法.