Optimisation of partner selection and collaborative transportation scheduling in Virtual Enterprises using GA

Partner selection and transportation scheduling are critical to the success of a Virtual Enterprise. Collaborative transportation is a promising strategy that can help many enterprises survive and thrive in today’s highly competitive market. To help decision makers establish and operate Virtual Enterprises more effectively, an innovative decision support system is proposed in this paper. First, new model for integration of partner selection and collaborative transportation scheduling in Virtual Enterprises is developed. This integrated optimisation problem is very dynamic in nature and it is required to optimise a number of interlinked sub-problems at the same time. Then, a novel Genetic Algorithm with a unique dynamic chromosome representation and genetic operations is developed to find an optimal solution to the integrated problem. The effectiveness of the proposed approach is demonstrated in a representative case study.     

Development of a variable selection method for soft sensor using artificial neural network and nonnegative garrote

This paper developed a new variable selection method for soft sensor applications using the nonnegative garrote (NNG) and artificial neural network (ANN). The proposed method employs the ANN to generate a well-trained network, and then uses the NNG to conduct the accurate shrinkage of input weights of the ANN. This paper took Bayesian information criterion as the model evaluation criterion, and the optimal garrote parameter s was determined by v-fold cross-validation. The performance of the proposed algorithm was compared to existing state-of-art variable selection methods. Two artificial dataset examples and a real industrial application for air separation process were applied to demonstrate the performance of the methods. The experimental results showed that the proposed method presented better model accuracy with fewer variables selected, compared to other state-of-art methods.     

数据驱动的冷却水塔建模与节能优化操作

针对冷却水塔的节能操作给出了一种数据驱动的建模与优化方法。首先,基于冷却水塔实际运行数据,应用非负绞杀变量选择方法给出一个自适应模型用于描述冷却水塔过程,该模型对于冷却水塔出口水温具有良好的预测精度。根据变量选择结果,分析了外界空气温度与湿度对冷却能力的影响。然后,提出了基于模型的冷却水塔风机的优化操作策略,并进行实验将之应用于冷却水塔的操作。研究结果显示,基于模型的优化操作具有较大的节能空间。     

基于类标记扩展的半监督网络流量特征选择算法

针对网络流量特征选择过程中存在的样本标记瓶颈问题,以及现有半监督方法无法选择强相关的特征的不足,提出一种基于类标记扩展的多类半监督特征选择(SFSEL)算法。该算法首先从少量的标记样本出发,通过K-means算法对未标记样本进行类标记扩展;然后结合基于双重正则的支持向量机(MDrSVM)算法实现多类数据的特征选择。与半监督特征选择算法Spectral、PCFRSC和SEFR在Moore数据集进行了对比实验,SFSEL得到的分类准确率和召回率明显都要高于其他算法,而且SFSEL算法选择的特征个数明显少于其他算法。实验结果表明: SFSEL算法能够有效地提高所选特征的相关性,获取更好的网络流量分类性能。     

基于局部重构的无监督特征选择方法

利用局部线性嵌入(LLE)算法中获得局部邻域之间的重构关系与使用最小角回归方法解决L1归一化问题都使用回归方法,针对在通过映射获得低维嵌入空间与通过特征选择获得低维空间上有着一致的思想,提出一种能保持局部重构关系的无监督谱特征选择方法.该方法利用最小二乘法计算样本的邻域重构系数,并用这些系数表示样本之间的关系,通过解决稀疏特征值问题获得能够保持样本间关系的低维嵌入空间,最后通过解决L1归一化问题实现自动特征选择.通过在四个不同数据集上的聚类实验结果证明,该方法能更准确地评价每个特征的重要性,能自动适应不同的数据集,受参数影响更小,可以明显提升聚类效果.     

基于蚁群聚集信息素的半监督文本分类算法

半监督文本分类中已标记数据与未标记数据分布不一致,可能导致分类器性能较低。为此,提出一种利用蚁群聚集信息素浓度的半监督文本分类算法。将聚集信息素与传统的文本相似度计算相融合,利用Top-k策略选取出未标记蚂蚁可能归属的种群,依据判断规则判定未标记蚂蚁的置信度,采用随机选择策略,把置信度高的未标记蚂蚁加入到对其最有吸引力的训练种群中。在标准数据集上与朴素贝叶斯算法和EM算法进行对比实验,结果表明,该算法在精确率、召回率以及F1度量方面都取得了更好的效果。     

基于改进卡方统计的微博特征提取方法

通过对微博文本特征信息的分析与研究,提出一种基于改进卡方统计的微博特征提取方法。扩充微博信息分类特征,在传统的卡方统计量的基础上,引入了频度等因素,改进特征选择方法;在传统的特征项权值计算的基础上,提出了新的改进卡方统计量的方法,改进权重计算效果。对上述方法利用经典KNN和SVM算法进行了测试,实验结果表明该方法提高了微博信息分类的准确率。     

基于Fisher 准则和最大熵原理的SVM核参数选择方法

针对支持向量机(SVM)核参数选择困难的问题,提出一种基于Fisher准则和最大熵原理的SVM核参数优选方法.首先,从SVM分类器原理出发,提出SVM核参数优劣的衡量标准;然后,根据此标准利用Fisher准则来优选SVM核参数,并引入最大熵原理进一步调整算法的优选性能.整个模型采用粒子群优化算法(PSO)进行参数寻优.UCI标准数据集实验表明了所提方法具有良好的参数选择效果,优选出的核参数能够使SVM具有较高的泛化性能.     

基于交互式逐步回归的双语教学态度预测模型

针对多元线性回归分析法预测双语教学态度误差较大的问题,通过引入变量的平方项及交叉乘积项建立拟线性回归方程,利用交互式逐步回归分析法对变量进行筛选,并以筛选后的变量建模。将调查数据分为建模样本数据和测试样本数据,测试结果表明经过变量扩维及筛选所建立的预测模型精确度有较大提高,为语言学研究提供了一种新方法,值得推扩和借鉴。     

黄河水水质配方实验及其应用

该文通过水质调查和大量实验数据，对循环水改为黄河水质运行的配方进行了筛选，并提出了自然ｐＨ全有机配方的概念，通过监测数据，对黄河水配方运行情况进行了总结，该配方投用后，不但能节约地下水资源，而且经济效益显著。