一种基于Voronoi图求解车辆路径问题的混合启发式算法

针对由多个配送中心和多个客户点组成的物流网络中的车辆路径问题,提出了一种基于“集群第一,路线第二”的路径优化策略,即首先使用Voronoi分割对配送区域进行划分,然后引入综合插入算法和变邻域搜索算法的混合启发式算法求解配送区域内车辆路径问题。通过算例和应用系统的分析与验证表明,该混合算法既能获取质量较优解,同时也具有较好的实时性,能较好地满足实际应用需求。     

螺旋CT的三维空间面皮参数平面化方法*

将三维空间面皮转换为二维平面可以使获取面皮特征、颅骨与面皮的关联信息更方便。通过改进的轮廓线提取方法剔除原始切片冗余数据,对重构得到的面皮数据进行空间坐标系的规范,并以最近邻区域(NNR)划分方法将空间面皮的点云数据点集化,最后结合新划分的平面点数据集的特点提出了线性插补的参数平面化方法和基于链表的参数平面化方法。实验证明两种方法的效果良好,验证了其正确性和可行性。     

基于K-最近邻基站的移动手机自组网路由协议

通过分析AODV算法及其存在的问题,结合节点的移动速度和方向等信息, 提出了一种基于K-最近邻基站的移动手机自组网混合路由协议。在新协议中, 当网络的本地基础设施发生故障时,每个本地节点首先生成并维护一个K-最近邻基站信息表,然后基于该K-最近邻基站信息表,利用改进的AODV协议来进行按需路由。理论分析与仿真结果表明, 新算法的性能要优于传统的按需路由协议AODV,因此,更适合移动手机自组网中的路由。     

浅谈三创教学模式在教学工作中的应用

正知识的力量在于转化为生产力,以改变社会和推进社会发展。然而,仅有原创的知识还不能真正让社会感受到知识对人类的贡献,即使技术原理形态的知识也不能推动社会进步。经济是知识推进社会进步的最重要动力,只有当知识成为创业行动、知识成为经济发展的源动力,成为企业最核心的行动基础时,知识的力量才能够被充分显露出来。教育的本质是让人类有探究知识的动力与能力,转化知识的动力与能力,将人类关怀与科学精神相结合,构建的三创教育体系是一个重要的     

基于邻域搜索的改进最大最小蚁群算法

针对蚁群算法求解旅行商问题时易陷入局部最优的问题,提出一个改进的混合最大最小蚁群算法,并应用于求解旅行商问题.上述算法设计了一种新的信息素更新模型,单个蚂蚁每走一步就进行信息素局部更新,在所有的蚂蚁搜索一周后,最优路径蚂蚁进行全局信息素更新.提出一种新的邻域搜索模型,将邻域大小设置为原来的一半,提高了计算的效率.在每个蚂蚁的一个周期循环后,使用邻域搜索算法优化最优解的路径长度.仿真结果表明,改进算法具有较高的求解精度和收敛速度.     

一种改进的K值最近邻自动分类方法

K值最近邻法是常用的一种自动分类算法。当待分类文本与样本集中多个决策样本的距离相等的时候,固定的K值取法不能充分利用样本集,给分类结果带来一定的随机性,影响了自动分类的准确性。本文通过对K值最近邻算法的原理进行深入分析,提出了一种K值动态选取的方案,使得K值最近邻算法的分类准确性有了显著的提高。     

应用于临床生存时间预测的二次学习算法研究

生存时间预测在医学、经济和工程等领域有着广泛的应用。随着机器学习技术和数据挖掘技术的发展和广泛应用,研究人员提出了很多基于机器学习技术的生存时间预测算法。这些算法虽然都取得了良好的效果,但预测精度均有提升的空间。因此,提出了一种基于二次学习风范的生存时间预测算法,并结合最近邻算法在截尾样本估计上的应用以及支持向量机在泛化性能上的优势,实现了对临床生存时间的建模。实验结果表明,该算法能够获取精确的生存时间,且具有预测精度上的性能优势。     

基于超网络的集成工艺决策与调度问题研究

针对多工艺产品的加工路线决策与车间调度方案不能同步制定的问题,在制造车间数字化背景下,提出集成车间不同要素信息的特征—工序—机器—工人的超网络结构,建立基于超网络的加工路线决策与车间调度模型,设计一种集成工艺决策与车间调度的两阶段混合遗传算法求解模型。在工艺决策阶段,设计特征—工序双层矩阵编码染色体保持加工路线的多样性,并在遗传算法的执行过程中使用变邻域搜索方法增强算法的局部搜索能力;在车间调度阶段,采用NSGA-Ⅱ算法优化调度模型,将得到的调度方案多目标值返回至工艺决策阶段用于加工路线的适应度评价。最后通过仿真实验验证了该算法的可行性与有效性。     

基于邻域密度的异构数据局部离群点挖掘算法

由于数据集规模、维数,以及复杂程度的不断提高,导致对其离群点的挖掘难度越来越大,提出了基于邻域密度的局部离群点挖掘算法.首先依据节点计算性能对高维数据进行区域分割,通过各个维度的数据分布来评价区域分割的效果.然后采取核密度来描述局部密度,根据高斯分布得到数据出现次数,进一步计算出数据邻域密度.再由邻域及密度关系计算得到各数据离群度,从而判断异构数据中的离群点.最后针对可能存在的离群误判情况,采取离群分数计算,为增强此过程的检测性能,利用权重进行剪枝处理.人工与UCI数据集上的仿真结果表明,当数据量和数据维数改变时,算法对离群点挖掘的准确度几乎不受影响,挖掘时间和覆盖率指标也显著优于其它方法;同时对于不同类型和复杂度的异构数据,算法仍然保持良好的挖掘准确度和效率.     

基于共同邻居邻域拓扑稠密性加权的链路预测方法

链路预测旨在利用已知的网络节点和拓扑结构信息,预测网络中未连接的两个节点之间存在连边的可能性。基于网络拓扑相似性的链路预测方法计算复杂度低且预测效果好,但现有的相似性指标对共同邻居的邻域拓扑信息考虑较少。针对此问题,提出一种基于共同邻居邻域拓扑稠密性加权的链路预测方法。首先,基于邻域拓扑相对稠密指数量化节点的邻域拓扑结构;然后,利用共同邻居的节点度和邻域拓扑相对稠密指数刻画共同邻居及其邻域拓扑的相似性贡献;最后,提出基于共同邻居邻域拓扑稠密性加权的节点相似性指标。在多个实际网络数据上的实验结果表明,与现有相似性指标相比,该方法能够取得更高的预测精度。