基于AdaBoost的改进模糊分类规则集成学习

基于集成学习提出了一种新的模糊分类规则的产生算法。将分类规则的前件、后件模糊化,在自适应提升(Adaptive Boosting,AdaBoost)算法的迭代中,调整训练实例的分布,利用遗传算法产生模糊分类规则。并在规则学习的适应度函数中引入训练实例的分布,使得模糊分类规则在产生阶段就考虑相互之间的协作,产生具有互补性的分类规则集。从而改善了模糊分类规则的整体识别能力,提高了分类识别精度。     

一种基于蚁群算法与粗糙集的混合BP神经网络

为了解决BP神经网络对高维冗余样本分类时收敛速度慢、易陷入局部极小值问题,提出基于蚁群算法与粗糙集的混合BP神经网络分类模型.该混合BP神经网络用粗糙集对样本进行约简和降维,输入层神经元个数得到减少,降低了训练神经网络的计算复杂度,用蚁群算法解决了选取神经网络权值和阈值的随机性,避免了因其而导致的易陷入局部极小值的不足.对UCI数据库中数据集的测试结果说明,提出的混合BP神经网络对高维冗余复杂样本进行分类是可行的,性能远远比传统BP神经网络和蚁群神经网络优越.     

电力系统经济调度中的智能算法

电力系统的机组优化组合问题是其短期运行方案的核心,因为它可以带来巨大的经济效益,所以一直是现代电力系统优化任务中的主要部分。文中建立的数学模型可以用来模拟机组优化组合问题,在此基础上又介绍了蚁群算法的基本原理,并提出用蚁群算法解决这个问题的想法思路。     

改进蚁群算法在交通系统最短路径问题的研究

求解交通路网中两点间的最短路径是智能交通系统中的一个重要功能,为了更为准确快速地找到最优解,这里分析Dijkstra算法处理动态车辆路径问题中的缺陷,提出一种改进的蚁群算法,即在基本蚁群算法中引入搜索方向和搜索热区机制提高算法的搜索性能.通过建立改进蚁群算法模型,用VC 6.0开发工具,以实际交通地图为例,求解交通网络两点间最短距离;并与基本蚁群算法进行对比.仿真实验表明,传统蚁群算法的平均迭代次数为71.06,改进蚁群算法平均迭代次数为55.82,比传统蚁群算法有了明显的提高.该方法能有效解决交通系统最短路径问题,具有一定的实际意义和参考价值和实际意义.     

一种基于负载均衡的新型自适应路由算法

提出了一种用于波分复用(WDM)网络中的新型自适应路由算法.引入蚁群算法解决动态路由问题,通过改进寻路中链路综合权重的设置、优化蚁群寻路的原理以及考虑波长优先级来设计算法.仿真结果表明,这种算法对光通道建立比较有效,使用这种算法,不仅可以使拥塞率更小,负载分布也更加均衡.     

蚁群算法在分布式智能答疑系统中的应用研究

针对分布式智能答疑系统的特点,在对基于蚁群优化的分类规则发现算法研究的基础上,提出了分布式蚁群智能分类算法,并对该算法在分布式智能答疑系统中的应用进行了分析和测试.实践证明,该算法能有效地对分布式智能答疑系统的范例库进行数据挖掘,进一步提高智能答疑系统检索的效率和智能性,使分布式智能答疑系统的应用进入一个新台阶.     

基于蚁群算法的文本分类和聚类

为了研究并提高文本的分类和聚类算法的性能,笔者根据蚁群算法在TSP问题中的应用方法,将其改进引用到文本的分聚类中。在文本聚类中,改变蚂蚁的信息素释放机制,道路节点的聚合方式,最终将相似文本进行聚合。在文本的分类中,将所需要的分类信息装入蚂蚁,蚂蚁根据系统外部所希望的方式将文本分类。实验结果证明,这种新的算法可以使文本分类和聚类的准确度提高,蚁群算法在文本分类聚类中的应用是可行的。     

一种基于AFSA与RST分类规则挖掘算法

利用人工鱼群算法对信息系统的数量型属性进行离散化,然后用RST进行分类规则挖掘,再将AFSA与RST相结合,提出了一种基于AFSA与Rsr分类规则挖掘新算法,该算法不仅有效地解决了利用粗糙集进行分类规则挖掘时数量型属性的离散化问题,而且可挖掘出所要解决问题的一般分类规则.实验表明该算法是有效和正确的.     

蚁群聚类算法在客户关系管理中的应用

蚁群算法是优化领域中一种新兴的生物进化算法,与传统的算法相比,其具有并行、正反馈和启发式搜索等特点.在此,运用蚁群聚类算法对客户关系管理中的客户分类问题进行分析.结果表明,通过此算法对企业的客户消费数据进行分类,以此来获取不同类型客户的需求,对支持企业决策方面有着极为重要的理论参考价值和实际应用意义.     

一种基于蚁群算法的多目标跟踪数据关联方法

针对多目标跟踪问题,提出基于蚁群算法的数据关联方法.首先将多目标跟踪问题描述为组合优化问题.利用蚁群算法解决组合优化问题的优势,在对其路径和路径长度概念重新定义的基础上,将其应用于选择多目标跟踪中的轨迹-观测关联集合.详细介绍了蚁群算法应用于数据关联问题的具体方法,建立了基于蚁群算法的数据关联模型.实验结果表明,论文提出的基于蚁群算法的数据关联方法是行之有效的.