求解TSP问题的社会演化算法

将社会演化算法和蚁群算法相结合,以蚁群算法作为认知主体的推理过程,再以范式的学习和更新方式获得最优解,提出一种求解TSP问题的社会演化算法。最后通过两个算例实验仿真与TSP已知最优解进行对比分析,结果表明,社会演化算法在种群规模较小,迭代次数较少的情况下也可获得TSP最优解。     

光滑孪生参数化不敏感支持向量回归机

作为机器学习方法之一的孪生参数化不敏感支持向量回归机(TPISVR)有着简洁的数学模型,良好的学习性能,特别适合于求解带有结构异方差噪声的数据回归问题,然而TPISVR的训练速度较低,训练效率有待提高.TPISVR的传统算法可以归结为通过转化对偶问题的方法求解2个带有不等式约束的二次规划问题,然而这种求解二次规划问题的...     

一种基于泛函网络求数值积分方法研究

提出了一种基于泛函网络求教值积分新方法,给出了一种泛函网络模型及学习算法,并将该模型用于求任意函数的数值积分,理论上证明了泛函网络用于逼近数值积分定理.最后通过5个数值积分算例,并与传统计算方法作了比较分析,仿真结果表明,提出的数值积分方法精度高,适应性强,且不需要确定被积函数的原函数,因此该方法在工程技术中有较大的应用价值.     

基于AP聚类的约简孪生支持向量机快速分类算法

孪生支持向量机TWSVMs分类过程的计算量和样本的数量成正比,当样本个数较多时,其分类过程将会比较耗时。为了提高样本集的稀疏性,从而提高TWSVMs的分类速度,提出了一种基于AP聚类的约简孪生支持向量机快速分类算法FCTSVMs-AP。首先对原始数据集进行AP聚类操作。聚类的中心为约简后新的样本集,按照分类误差最小的原则构建优化模型,用二次规划方法求解新的决策函数的系数,并证明了当样本集压缩时,收紧新的快速决策函数和原始决策函数之间的误差等价于在样本空间对原始数据集进行AP聚类操作。在人工数据集和UCI数据集上的实验表明,保持分类精度的损失在统计意义上不明显的前提下,FCTSVMs-AP可以通过有效压缩样本数量的方式提高分类速度。     

基于ROC曲线的两类分类问题性能评估方法

为了克服传统分类算法指标存在的不足,即分类准确度、精确度和检测概率等指标对类别先验概率不具有稳健性,采用基于雷达接收机工作特性曲线即ROC曲线的评估方法来评估两类分类算法,通过参数法或非参数法建立ROC曲线,使用几率点欧氏距离、曲线下面积、最佳阈值点等指标对两类算法进行性能评估.实验结果表明,相对于传统算法,基于ROC曲线的评估方法的性能得到了很大的提高,在分类器识别算法性能评估中是一种有效的评估方法.     

云人工鱼群算法

借鉴人工鱼群算法的思想,利用云模型云滴的随机性和稳定倾向性的特点,提出了一种新的人工鱼群算法——云人工鱼群算法,并用于求解具有变量边界约束的非线性的复杂函数最优化问题。计算机仿真结果表明,云人工鱼群算法具有计算精度较高,搜索速度较快等特点,具有一定的参考和应用价值。     

云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。     

层次泛函网络构造理论及其在多重数值积分中的应用

对层次泛函网络的全局逼近理论进行研究,证明了层次泛函网络是一全局逼近器。利用这个特性,将层次泛函网络的构造方法和过程应用于多重数值积分计算。最后,通过6个典型的多重数值积分算例,计算机仿真结果表明,这种方法可行有效,具有较高的计算精度。     

基于模糊核聚类粒化的粒度支持向量机

针对传统的粒度支持向量机（granular support vector machine, GSVM）将训练样本在原空间粒化后再映射到核空间,导致数据与原空间的分布不一致,从而降低GSVM的泛化能力的问题,本文提出了一种基于模糊核聚类粒化的粒度支持向量机学习算法（fuzzy kernel cluster granular support vector machine, FKC-GSVM）。FKC-GSVM通过利用模糊核聚类直接在核空间对数据进行粒的划分和支持向量粒的选取,在相同的核空间中进行支持向量粒的GSVM训练。在UCI数据集和NDC大数据上的实验表明:与其他几个算法相比,FKC-GSVM在更短的时间内获得了精度更高的解。     

基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化

针对无线传感网络（WSN）的节点覆盖存在着覆盖率低、节点分布不均匀的问题,提出一种基于多策略改进的蝴蝶优化算法（MIBOA）的节点覆盖优化策略。首先,将基础的蝴蝶优化算法（BOA）与麻雀搜索算法（SSA）结合改进搜索过程;其次,引入自适应权重系数提高寻优精度和收敛速度;最后,对当前最优个体进行柯西变异扰动,提高算法鲁棒性。基准测试函数的寻优实验结果说明,MIBOA基本可在3 s内求解测试函数最优值,且收敛平均值精度较BOA提高了97.96%。将MIBOA应用于WSN节点覆盖优化问题,与BOA和SSA相比,节点覆盖率至少提高了3.63个百分点;与改进灰狼优化算法（IGWO）相比,部署时间缩短了145.82 s;与改进鲸群优化算法（IWOA）相比,节点覆盖率提高了0.20个百分点且时间缩短了1 112.61 s。综上,MIBOA可较好提高节点覆盖率并降低冗余覆盖率,有效延长WSN的生存时间。