遗传禁忌算法优化BP网络用于入侵检测

针对入侵检测系统存在的高漏报率和误报率,提出一种基于遗传禁忌神经网络的入侵检测模型。该模型基于遗传禁忌算法的全局搜索和BP网络局部精确搜索的特性,将遗传禁忌算法和BP算法有机结合,利用遗传禁忌算法优化BP网络初始权重,同时引入小生境技术改进遗传禁忌算法。实验表明,改进的遗传禁忌算法优化BP网络用于入侵检测能提高入侵检测的效率,降低误警率,可在一定程度上提高入侵检测系统的准确率。     

基于改进的遗传禁忌搜索算法求解电力线路最佳抢修路径

在分析和研究电力线路最佳抢修路径的基础上,提出了一种改进的遗传禁忌搜索算法来求解电力线路最佳抢修路径.此算法基于变异思想和A'算法产生禁忌搜索算法的邻域解,并利用遗传算法的阶段进化思想减少调用禁忌搜索算法的频率,进而提高改进的遗传禁忌算法的执行效率.仿真结果表明在求解电力线路最佳抢修路径时,遗传禁忌搜索算法的性能优于其他算法.     

基于遗传禁忌搜索的分类器选择集成方法

为提高入侵检测的精度,提出一种使用遗传禁忌搜索的分类器选择集成方法。该方法采用Bagging算法构建初始分类器集合,根据遗传禁忌搜索算法选择分类器子集,以该子集建立多分类器系统进行入侵检测。实验结果表明,与Bagging算法相比,该方法能有效提高检测精度、降低误报率。     

基于遗传禁忌算法优化的模糊神经网络垂直切换算法*

综合考虑了遗传算法和禁忌算法的优点,将遗传禁忌算法、模糊理论和神经网络相结合,提出了一种基于遗传禁忌算法(GATS)优化的模糊神经网络垂直切换算法GATS-FNN,并在垂直切换的过程中加入了预判决模块,通过节点的筛选降低了系统成本和算法复杂程度。将网络信号强度、网络带宽、网络负载和用户终端移动速度进行了模糊处理,并采用遗传禁忌算法进行优化,调整隶属度函数的参数,仿真结果表明,该算法可以降低页面平均响应时间,为用户提供更好的服务。     

3机Flow-shop调度问题研究

提出了一种遗传分枝定界算法求解3机Flow-s hop调度问题，该算法类似于常用的遗传局部算法和遗传动态规划算法．用随机方法生成测 试例子，通过与著名的Taillard的禁忌搜索算法和Reeves的遗传算法进行比较，实验结果证 实了遗传分枝定界算法的有效性．     

基于遗传和禁忌搜索混合的软硬件划分算法

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和禁忌搜索（TS）各自优缺点的基础上,提出采用遗传/禁忌混合算法（GATS）的策略,用遗传算法提供并行搜索的主框架,用禁忌搜索作为遗传算法的变异算子,遗传算法中变异过程解空间的搜索由禁忌搜索实现。实验结果表明,GATS具有多出发点和记忆功能强、爬山能力强的优势,能够克服GA爬山能力差、TS单点出发的弱点。最后与单纯的遗传算法和禁忌搜索算法进行对比实验,证明GATS更有优势,得到的划分结果也更优秀。     

一种求解车间作业调度的自适应混合遗传算法

针对遗传算法和禁忌搜索算法在求解车间作业调度问题存在的全局收敛性差、种群早熟化、收敛速度慢等缺陷,提出了一种自适应遗传禁忌搜索算法。算法通过自适应调整遗传算子中的变异概率,改善了遗传算法的收敛速度;通过增加禁忌表来选择杂交产生的个体,避免迂回搜索,以禁忌搜索算法作为变异算子,增加种群的多样性,避免算法陷入局部最优。通过仿真实例,验证了算法的收敛性和抗局部收敛性。     

基于遗传禁忌算法的贝叶斯网边定向方法

针对贝叶斯网边定向过程中存在的问题,提出一种基于遗传禁忌算法的贝叶斯网边定向方法,该方法将禁忌搜索的＂多样化＂引入遗传算法的交叉算子和变异算子中,生成禁忌交叉算子和禁忌变异算子,并对航班离港延误骨架模型进行定向,仿真实验结果表明,该方法是有效可行的。     

一种优化神经网络结构的遗传禁忌算法

常用的神经网络是通过固定的网络结构得到最优权值，使网络的实用性受到影响。引入一种基于方向的交叉算子和禁忌变异算子，同时把禁忌算法(TS)引入标准遗传算法，结合标准遗传算法和禁忌算法的优点，提出一种优化神经网络结构的遗传禁忌混合算法，实现了网络结构和权值同时优化。仿真实验表明，与遗传算法和禁忌算法相比，该算法优化的神经网络收敛速度较快、预测精度较高，提高了网络的处理能力。     

求解多工艺路线车间调度问题的禁忌-遗传算法

车间调度问题是一个NP难题,而多工艺路线的车间调度问题更具有实际的研究意义。从生产实际出发,在分析了多工艺路线的车间调度问题一般特点的基础了,提出了一种禁忌-遗传的嵌套算法,该算法重点讨论了禁忌算法的设计思想及遗传算法中遗传算子的设计。仿真实例说明了算法的有效可行。     

改进的大规模本体分块与映射方法

针对当前大规模本体映射分块结果不精确的问题,提出一种改进的大规模本体分块与映射方法。对本体进行预处理,把本体表示为有向无环图,将本体分块问题转换为图分割问题。采用基于遗传算法的GPO算法对有向无环图进行分块,利用基于本体块结构和参考点相结合的策略找到正确的块映射。实验结果表明,改进映射方法的分块与映射质量较优。     

面向领域特征聚类的构件组装优化方法

Internet环境的开放、动态和难控等特点,使网构软件的构件组装问题变得十分复杂。提出了一种面向领域特征聚类的构件组装优化方法。通过引入本体分类和相似度比较方法,设计了一种基于划分的聚类算法,以实现基于领域特征的精确的构件聚类。通过对构件和链路的多维QoS指标的换算,给出了应用动态规划方法求解面向领域特征簇的构件组装全局最优解的算法实现。算法分析和实验仿真表明了该方法的有效性和可行性。     

Ontology的实质是“本体论模型”

为了不改变语义性质和不造成概念冲突,Ontology不能汉译为“本体”。Ontology的“本体论”译名也不利于其在计算机工程领域中的实际应用。Ontology术语是作为本体论思维方式从哲学领域借用的。Ontology就是信息产品背后的、决定其性质的“概念系统”,将其理解为“本体论模型”不仅有方法论依据、语言学依据、模型方法依据,而且与Ontology的Gruber定义相一致。本体论模型是与数学模型、物理学模型并列的研究方法。     

从文本中获取植物知识方法的研究

知识获取一直是人工智能中的一个关键问题.当前,知识的文本挖掘（KAT）已经成为计算机领域的一个重要的研究课题.本文中,给出了基于植物本体的从海量网页文本库中自动获取植物领域知识的方法.该方法包括两个部分,一是植物本体（Botanical Ontology）,它是顾芳博士等建立的生物本体的扩展.第二部分是以植物本体为基础,在网络文本库中进行文本挖掘（Text Mining）,自动获取植物知识.实验证明,基于本体的文本挖掘是一种有效的知识获取方法.     

一种基于WWW的Ontology属性值自动提取方法

属性值是描述Ontology中类的重要信息,但是当前关于属性值的自动提取的研究并不多。该文提出一种基于WWW的Ontology属性值自动提取方法。论文首先提出了一种在小规模属性值种子集的基础上,包含属性值的句子的选择与属性值提取互动的方法。这种方法利用互联网信息的冗余性,自动抽取并扩充目标属性值集合。然后,为避免人工构造属性值种子集,提出种子集自动生成的方法。我们设计实验来计算提取结果的正确率和召回率,此外,我们还通过将填充后的Ontology信息用于网页正文提取任务来展示Ontology自动扩充结果的有效性。     

基于Ontology的汉语时间语义分析

介绍了Ontology的基本概念及结构，提出了一个基于Ontology的汉语时间语义分析的基本模型，并介绍了Ontology在模型中的作用及其与词典相结合后，提取文本中的时间短语并进行分析的方法。     

基于扩展序类逻辑的Ontology形式化描述与模型检验

本体一直是哲学中的词汇,后来随着计算机语义网络的发展,引入语义web领域,用来表示概念以及概念和概念之间的关系.用逻辑来形式化Ontology,并对形式化后的Ontology进行检验和推理一直是Ontology研究的热点和难点.参考描述逻辑描述本体的方法,提出了以扩展序类逻辑来描述本体,并对描述后的本体进行检验.     

以本体为核心的图像情感语义检索模型

针对目前图像检索系统较难实现情感语义检索的问题,构建了以本体为核心的图像情感语义检索模型。在对核心本体库的构建中,采用将Mpeg-7和概念格理论与本体构建相结合的方法,其难点在于将Mpeg-7标准描述符与图像情感本体的属性构造的结合,以及自动产生新的概念结果的方法;实现了图像情感领域本体框架的半自动构建。通过系统的初步实现与相关实验的验证,证明了此检索模型在实现图像情感语义检索中的可行性和优越性。     

一种交互式本体除错方法

在本体设计过程中容易出现逻辑错误,利用现有本体除错工具难以诊断并修正此类错误。针对该问题提出一种新的交互式本体除错方法。通过分析unsatisfiable concept自动生成相关问题,基于用户对问题的回答自动修复错误本体。实验结果表明,该方法能利用少量问题实现修复目的。     

Ontology自动创建中实例学习的研究*

Ontology近年来受到信息科学领域的广泛关注,其重要性已在许多方面表现出来并得到广泛认同。自动创建领域Ontology可以克服手工方法的不足,成为当前的研究热点之一;实例（Instance）是Ontology的重要组成元素,从领域文档集中学习实例是自动创建领域Ontology的关键之一。研制的一个领域Ontology的自动生成系统（OntoAGS）能够通过领域文档集自动地创建该领域的Ontology,OntoAGS系统的实例学习是基于模式匹配的算法。实验表明,与当前较流行的Ontology半自动生成系