一种新的混合粒子群方法

利用混沌搜索和变异机制克服种群易停滞且易陷入局部最优点的不足。当种群出现停滞时先用混沌搜索更优点,当搜索到的点不满足变异精度要求时再进行变异。发现混沌搜索能使种群在出现停滞时持续寻优,而变异机制则能够有效地帮助种群在陷入局部最优点时跳出该点。结果表明该方法的全局寻优能力较强。     

求解车辆路径问题的一种混合方法

提出一种求解带软时间窗车辆路径问题的混合算法。采用蚁群系统算法产生阶段最优解,以此作为粒子模板,随机生成粒子群,利用粒子群算法在阶段最优解基础上进一步优化。且在蚁群系统算法中,当容量超过限制后,从剩余的客户里选择需求量最大的作为新的起点继续探索路径,直到所有客户都被访问一遍。实验表明,该混合算法是解决带软时间窗车辆路径问题的一个有效算法。     

不均匀网络中的局域搜索免疫

当前研究的热点是怎么样用最小的代价对人群网络或计算机网络进行免疫。基于节点连接的不均匀性提出的目标免疫被认为是最好的免疫策略。已知邻居节点的度数,在不均匀网络中提出了局域搜索免疫。与目标免疫策略相比,该策略可以通过免疫相等或较少的节点来消灭病毒。实验使用SIS病毒传播模型在ER随机网络、BA无标度网络和两种实际网络中测试了局域探索免疫策略,它的免疫性能随着聚类系数的增加而增加。     

基于信息素的自适应连续域混合蚁群算法

针对连续域混合蚁群算法（HACO）易陷入局部最优和收敛速度较慢的问题,提出了基于信息素的自适应连续域混合蚁群算法（QAHACO）。首先提出了一种新的解更新方式,对档案中的解进行信息素挥发,扩大了搜索范围,提高了算法的全局搜索能力,并且自适应地调整信息素挥发速率,更好地平衡收敛速度和收敛精度,其次采用了一种信息分享机制,将当前解与其他所有解的平均距离和当前解与至今最优解的距离相结合,进一步加快收敛速度。通过对测试函数进行仿真实验,结果表明,和连续域蚁群及其改进算法相比,QAHACO算法的寻优能力明显提高,寻优速度有一定的优势。     

无标度网络中的边免疫策略

针对无标度网络提出一种边免疫策略,与目标免疫相比,该策略可使网络获得更高的传播临界值,并能更好地保持网络的连通性。采用SIS病毒传播模型,分别在BA无标度网络和HEP网络中进行仿真实验,结果表明,该免疫策略可以减少免疫剂量并能有效控制病毒传播。     

基于模糊连接度的近邻传播聚类图像分割方法

针对现有近邻传播聚类图像分割方法分割精度低的问题,提出一种基于模糊连接度的邻近传播聚类(FCAP)图像分割算法。针对传统模糊连接度算法不能得出任意点对间模糊连接度的不足,结合最大生成树提出了全模糊连接度算法。FCAP算法先使用Normalized Cut超像素技术进行超像素分割,这些超像素可以看作数据点以及它们之间的模糊连接度;然后使用所提出的全模糊连接度算法计算超像素间的模糊连接度,根据模糊连接度和空间信息计算超像素的相似度;最后使用近邻传播(AP)聚类算法完成分割。实验结果表明,FCAP算法明显优于超像素处理后直接使用AP聚类算法进行分割的方法,并且优于无监督图像分割方法。     

求解TSP问题的改进模拟退火遗传算法

巡回旅行商问题（TSP）是最典型的NP的难题,遗传算法（GA）是解决这类问题的有效方法之一。由于该问题的解是一种特殊的序列,一般的交叉算子在该问题的求解效果方面并不理想,提出了贪心的3PM交叉算子,同时又引入退火选择方法,形成一种新的模拟退火遗传算法GCBSAGA（Greed Cross-3PM Based on Simulated Annealing Genetic Algorithms）。该算法还将模拟退火算法与遗传算法相结合,使得遗传算法在前期发挥着全局搜索的强大功能,很容易收敛到全局较优解;后期用模拟退火算法来处理遗传算法前期的全局较优解,充分利用模拟退火算法后期局部搜索的强大功能,最终收敛到全局最优解。经过国际公认的TSPLIB提供的实验数据的验证,GCBSAGA在实例eil76、eil101、pr144、st70均找到了比TSPLIB提供的最优路径更优的解。     

[K]近邻相似度优化的密度峰聚类

针对密度峰聚类分配时,仅考虑样本点与指向点（密度比它大的最近点）之间的距离,不适用于流形聚类（如Circleblock数据集、Lineblobs数据集等）的问题,提出了[K]近邻相似度优化的密度峰聚类算法。在计算每个点的密度与指向点后,通过相似度函数,找出每个点的[K]近邻,然后根据[K]近邻信息判断样本点的指向点是否正确,对于指向错误的点重新寻找正确的指向点,可以有效减少错误分配。在人工数据集和UCI数据集上的实验表明,新算法具有更高的准确率。     

运动信息优化相关滤波的多目标跟踪算法

在结合检测器检测信息的多目标跟踪任务中,目标漏检通常会导致目标漏跟,增加目标身份标签变换等问题,从而降低跟踪精度.针对该问题,提出了一种运动信息优化相关滤波的多目标跟踪算法.该算法在得到目标的检测信息后,采用核相关滤波(KCF)对目标进行跟踪,并融入目标的运动信息和图像信息,以处理检测器结果不精确,出现大量漏跟失跟问题,减少碎片化的轨迹.同时在核相关滤波的基础上引入置信图的平滑约束来评估目标被遮挡程度,实现核相关滤波中目标模板的自适应更新,处理目标由于遮挡而产生模板污染问题.最终在MOT Challenge的MOT17数据集上的实验结果表明,与传统的检测跟踪算法IOU 17相比,在多目标跟踪正确度(MOTA)指标上提高了2.43％,具有更好的稳定性和精确度.     

一种具有迁移学习能力的RBF-NN算法及其应用

经典的径向基人工神经网络学习能逼近任意函数,因而应用广泛。但其存在的一个重要缺陷是,在已标签样本过少、不能反映数据集整体分布情况下,容易产生过拟合现象,从而导致泛化性能严重下降。针对上述问题,探讨具有迁移学习能力的径向基人工神经网络学习算法,该算法在引入ε不敏感损失函数和结构风险项的同时,学习源领域径向基函数的中心向量及核宽和源领域模型参数,通过充分学习历史源领域知识来弥补当前领域因已标签样本少而导致泛化能力下降的不足。将该算法应用于人造数据集和真实发酵数据集进行验证,和传统的RBF神经网络算法相比,所提算法在已标签样本少而存在数据缺失的场景下,具有更好的适应性。