基于k-距离与重加权M-估计量的鲁棒协同推荐算法(英文)

The existing collaborative recommendation algorithms have lower robustness against shilling attacks.With this problem in mind,in this paper we propose a robust collaborative recommendation algorithm based on k-distance and Tukey M-estimator.Firstly,we propose a k-distancebased method to compute user suspicion degree(USD).The reliable neighbor model can be constructed through incorporating the user suspicion degree into user neighbor model.The influence of attack profiles on the recommendation results is reduced through adjusting similarities among users.Then,Tukey M-estimator is introduced to construct robust matrix factorization model,which can realize the robust estimation of user feature matrix and item feature matrix and reduce the influence of attack profiles on item feature matrix.Finally,a robust collaborative recommendation algorithm is devised by combining the reliable neighbor model and robust matrix factorization model.Experimental results show that the proposed algorithm outperforms the existing methods in terms of both recommendation accuracy and robustness.     

基于融合相似度和层次聚类的冷启动推荐算法

为了缓解协同过滤推荐算法中的用户冷启动问题,提出一种基于融合相似度和层次聚类的冷启动推荐算法．首先,基于用户的人口统计学信息、用户对项目的评分信息和项目种类信息,提出一种融合相似度计算方法;其次,基于用户的人口统计学信息,利用层次聚类确定冷启动用户的初始近邻用户集;最后,基于初始近邻用户集,利用融合相似度为目标用户进行推荐．基于MovieLens公共数据集,将本文提出的算法和其他推荐算法进行了实验对比分析,结果显示所提算法能够有效地缓解用户的冷启动问题,提高算法的推荐质量．     

基于符号编码的装配可行解域大小求解算法研究

在运筹学的分层思想指导下,应用组合数学理论,提出一种求解基于符号编码的装配作业调度问题可行解域大小的算法,适用于计算任意装配层次结构、任意数量零件和任意数量工序的树状装配型结构的可行解域大小,明确了可行解域的大小和问题的复杂性,为进一步提高遗传算法的效率和保证调度实时性提供有价值的参考。最后对装配结构中同结构不同工序数和同工序数不同结构两种情况进行了实例计算。结果表明,可行解域仅占整个解域的极小部分,为搜索域只限于可行解域内的高效遗传算法提供了研究基础。     

一种融合改进模拟退火技术的新型遗传算法

通过对传统遗传算法和模拟退火算法各自优缺点的分析，提出了一种新型遗传算法。算法以最优保留策略的遗传算法作为主体流程，在主体流程过程中融入改进的模拟退火技术，即设置双阈值和保留中间最优解来减少计算量，加快算法的收敛速度，从而为求得全局最优解提供了保障。通过对F6函数仿真试验，新型遗传算法的收敛速度和跳出局部最优的能力有很大提高。     

基于改进蚁群算法的机械手三维操作路径规划

提出一种改进的蚁群算法,实现机械手在三维栅格模型中进行最优操作路径规划。利用该蚁群算法模拟蚂蚁的觅食过程,使蚂蚁在初始点和目标点之间采用"惯性原则"和最大信息素启发策略完成最优操作路径的搜索。仿真实验验证了该方法在机械手操作路径规划应用中的有效性。即使在复杂的操作环境中,该方法也可以迅速地规划出最优操作路径。     

融合层次聚类和粒子群优化的鲁棒推荐算法

针对现有的推荐算法面对托攻击时鲁棒性差的情况,提出一种融合层次聚类和粒子群优化的鲁棒推荐算法.首先,根据用户评分矩阵,使用层次聚类将用户聚为两类,并根据平均类内距离进行类别判定,对攻击概貌进行标记;然后,基于矩阵分解技术,引入粒子群优化技术进行特征矩阵初始化,为模型训练提供初始最优解;最后,根据攻击概貌标识结果构造标记函数,降低对模型训练过程的影响,实现对目标用户的鲁棒推荐.在公共数据集上将本文提出的算法和其他算法进行了实验对比分析,结果显示提出的算法在鲁棒性方面有很大的提升,推荐精度也有提高.     

求解置换Flow-shop调度问题的改进遗传算法

提出一种求解置换Flow-shop调度问题的改进遗传算法。该算法采用多个体交叉方式,对交叉过程和变异过程分别进行阈值设置,实现了在优化过程中扩大解空间的搜索范围和保持种群的多样性,从而增大了获得最优解的几率。最后对一系列典型的Benchmark问题进行仿真测试,实验结果证实了该改进遗传算法的有效性。