思维进化算法的数列模型及收敛性分析

分析了思维进化算法(MEA)的“趋同”和“异化”算子及多层种群进化过程,建立了群体进化的数列模型;以模型的极限性质为基础,对算法收敛性进行分析,证明了算法的全局收敛性。与数值仿真试验结果所得结论相符。     

人工蜂群算法的几乎必然强收敛性:鞅方法

已有的人工蜂群算法的收敛性分析是基于算法的遍历性分析,在概率收敛意义下考虑的,这种收敛性分析不能确保算法在有限步内收敛到问题的全局最优解。首次尝试运用鞅论研究人工蜂群算法的几乎必然强收敛性,证明了人工蜂群算法确保能以概率1在有限步内达到全局最优解。这一结论为拓宽人工蜂群算法的应用范围奠定了理论基础,并为人工蜂群算法的改进及收敛性研究提供了新的理论工具。     

分工差分进化算法

为克服rand/1和best/1两种变异策略存在的缺陷,提出分工差分进化算法.该算法结合rand/1变异策略全局搜索能力强和best/1变异策略局部搜索能力强、收敛速度快的特点,在进化过程中对个体进行分工,优秀个体选择best/1策略承担开发任务,一般或较差个体选择rand/1变异策略承担探索任务,通过个体分工负责从而提高算法性能.对典型函数的测试结果证明,新算法能够大大提高算法的收敛速率和全局搜索能力.     

一种新的差分进化算法

针对高维复杂函数的优化问题,提出了一种新的差分进化算法（NDE）。该算法在运行中根据迭代次数自动地调整交叉概率因子,从而在搜索的初始阶段提高种群多样性,而在搜索后期加强局部搜索能力。对几种经典函数的测试表明,新算法不仅具有很强的全局搜索能力,而且能有效避免早熟收敛问题。     

基于差分进化的改进狼群算法研究

针对传统狼群算法（WPA）存在易陷入局部最优解、计算资源耗费大、鲁棒性低等问题,提出一种基于差分进化的改进狼群算法（DWPA）。首先,通过引入探狼搜索因子、猛狼最大奔袭次数、自适应围攻步长、差分进化策略等对传统狼群算法进行了改进,降低算法计算耗费的同时提高了算法的全局搜索能力;然后,运用马尔可夫链理论证明了DWPA的收敛性;最后,对13个测试函数进行寻优测试并与WPA等4种算法进行对比分析。测试结果表明,DWPA具有良好的鲁棒性和全局搜索能力,在求解多峰、高维、不可分函数方面的寻优能力尤为突出。     

解无约束全局优化问题的一个新的进化算法及其收敛性

文章利用一维搜索与局部极小点的消去技术设计了一个新的进化算法。此算法在迭代过程中,可不断消除那些比目前已找到的最好点差的局部极小点,从而使局部极小点的数目随着迭代的进行大量地减少,使算法更易找出全局极小点。另外,将一维搜索巧妙地用于算法之中,加快了收敛速度。并且证明了算法的全局收敛性,最后的数值实验也表明新算法十分有效。     

基于平滑技术和一维搜索的全局优化进化算法及其收敛性

为了解决全局优化算法中的一个难点--算法易于陷入局部极小点,设计了一个平滑函数,该函数可以消除一些局部极小点,而在包含最优点的部分,函数保持不变.这样,通过对此平滑函数的优化,局部极小点的数目就会在迭代过程中大量地减少,使算法更易找出全局极小点;根据平滑函数的性质,设计了一个新的杂交算子,此算子能自适应地产生优质的后代;利用平滑函数的性质,巧妙地将一维搜索技术用于算法的设计之中,从而使算法的速度大大提高;在此基础上,设计了一个解全局优化问题的新的高效进化算法,并且证明了其全局收敛性.最后的数值实验也表明新算法十分有效.     

多策略多参数并行差分进化算法

针对差分进化（DE）算法收敛早熟与计算效率不理想的问题,提出一种改进的差分进化算法。首先,在进化中同时并行多个策略与参数组合来提高个体多样性。其次,依据建立的评价指标自适应地调整组合来提高寻优效率。最后,把进化过程分为若干的子进程以避免前期优势组合不适应后期的问题。在10个标准测试函数上的实验结果表明,提出的算法与其他算法相比具有相对较好的性能。     

差分进化微粒群优化算法-DEPSO

微粒群优化算法是一种新的进化计算技术,具有良好的优化性能,但是对于高维多模态函数,因进化后期微粒多样性的降低导致算法早熟收敛.文章提出的差分进化微粒群优化算法(DEPSO),拓宽了微粒信息传递的途径,增加了微粒的多样性,保证了算法的全局收敛.实验结果表明,DEPSO比PSO有更好的性能.     

基于随机泛函的免疫进化算法收敛性及性能分析

分析基于免疫响应原理的免疫进化算法流程和运行机制.根据免疫抗体群的状态转移过程,研究免疫进化算法的马尔科夫随机过程,并采用随机泛函分析算法的收敛性,突破传统马尔可夫链方法对解空间较大问题分析的局限性.根据免疫进化算法参数构成和抗体种群达到吸收态的转换特性,采用泛函理论论证算法收敛速度估计、时间复杂度计算和参数选择原则.通过实验总结影响免疫进化算法收敛性的关键因素,为解空间较大及高维优化问题的免疫进化算法收敛性和性能分析提供可行方法.     

基于CS算法的Markov模型及收敛性分析

为完善布谷鸟搜索(CS)算法的收敛性理论,建立CS算法的Markov链模型,分析该Markov链的有限齐次性,在此基础上通过分析鸟窝位置的群体状态转移过程,指出随机序列将进入最优状态集,同时证明CS算法满足随机搜索算法全局收敛的2个条件。通过仿真实验验证CS算法可收敛于全局最优,从而确保CS算法的全局收敛性。     

标准粒子群优化算法的马尔科夫链分析

根据粒子群优化（Particle swarm optimization, PSO)算法的差分模型定义粒子状态序列和群体状态序列, 并分析其马尔科夫性质, 证明了粒子及种群的最优状态集的封闭性, 以及计算粒子一步转移概率; 进一步基于全概率公式和马氏链的性质, 推导了群体状态转到最优状态集的转移概率; 根据该转移概率, 对PSO算法的惯性权重ω和加速度因子c进行了讨论和解释, 研究了算法早熟收敛和发散等问题, 最后分析表明标准PSO算法以一定概率收敛到全局最优.     

Improving Markov Chain Monte Carlo Model Search for Data Mining

The motivation of this paper is the application of MCMC model scoring procedures to data mining problems, involving a large number of competing models and other relevant model choice aspects.To achieve this aim we analyze one of the most popular Markov Chain Monte Carlo methods for structural learning in graphical models, namely, the MC ³ algorithm proposed by D. Madigan and J. York (International Statistical Review, 63, 215–232, 1995). Our aim is to improve their algorithm to make it an effective and reliable tool in the field of data mining. In such context, typically highly dimensional in the number of variables, little can be known a priori and, therefore, a good model search algorithm is crucial.We present and describe in detail our implementation of the MC ³ algorithm, which provides an efficient general framework for computations with both Directed Acyclic Graphical (DAG) models and Undirected Decomposable Models (UDG). We believe that the possibility of commuting easily between the two classes of models constitutes an important asset in data mining, where an a priori knowledge of causal effects is usually difficult to establish.Furthermore, in order to improve the MC ³ method we propose provide several graphical monitors which can help extracting results and assessing the goodness of the Markov chain Monte Carlo approximation to the posterior distribution of interest.We apply our proposed methodology first to the well-known coronary heart disease dataset (D. Edwards &; T. Havránek, Biometrika, 72:2, 339–351, 1985). We then introduce a novel data mining application which concerns market basket analysis.     

基于隐马尔可夫链的自适应MODE及应用

不同的控制参数设定和生成策略(交叉和变异)都会对多目标差分进化算法的性能产生显著影响.为实现其控制参数和变异策略的实时自适应调整,提出一种基于隐马尔可夫链的自适应多目标差分进化算法.该算法利用隐马尔可夫模型对种群信息进行分析并得到最优序列,通过最优序列与实际状态序列的对比得出变异缩放因子F与交叉概率CR的最大似然估计值...     

基于Markov链模型的MANET连通性分析

提出一种基于Markov链模型的移动Ad hoc网络（MANET）连通性分析方法。建立节点可靠性分析的Markov链模型,使之便于计算节点的可靠性概率。基于此,建立网络剩余节点数以及故障节点数状态转移的Markov链模型,并推导出计算节点随机网络连通概率的公式。通过Matlab仿真验证了理论分析的正确性。     

基于UML的软件Markov链使用模型的构建

构建软件的使用模型是进行软件可靠性测试及软件可靠性评估的基础.近年来,如何由软件的UML模型构造软件的使用模型成为研究热点.对于大型的软件系统来说,应用现有方法构建的软件Markov链使用模型的状态空间过于庞大,模型描述困难,不利于测试用例的自动生成及软件可靠性评估.针对以上问题,提出了一种由UML模型构建Markov链使用模型的方法.该方法将场景的前置条件和后置条件作为 Markov链使用模型的状态,将场景的执行及执行概率作为状态之间的转移及转移概率.与现有方法相比,新方法构建的Markov链使用模型的状态空间小且无需人为干预,而且可以很方便地生成测试输入从而进行可靠性测试.针对UML模型的有效性,提出了经过可靠性评估扩展的UML模型生成Markov链使用模型的验证算法.最后通过一个卫星控制系统的实例对新方法的性能进行了验证.     

基于随机Petri网的集束装备模型及马尔可夫链分析

为了分析集束装备的性能,采用随机Petri网建模方法描述装备串行加工过程.采用自底向上方式,首先建立集束装备各组成模块的基本模型,然后根据实际的加工过程构造出整个装备的随机Petri网模型.给出了模型的马尔可夫链分析过程,进一步推导出装备的吞吐率和加工腔体的利用率.结果表明,该模型不仅可以表现集束装备的并发性,而且能表示出设备操作时间的随机性.该方法能够有效地描述和分析集束装备的加工过程.     

一个两层马尔可夫链异常入侵检测模型

在现有的单层马尔科夫链异常检测模型基础上,提出一种崭新的两层模型.将性质上有较大差异的两个过程,不同的请求和同一请求内的系统调用序列,分为两层,分别用不同的马尔可夫链来处理.两层结构可以更准确地刻画被保护服务进程的动态行为,因而能较大地提高异常的识别率,降低误警报率.而且异常检测出的异常将被限制在相应的异常真正发生的请求区内.检测模型适合于针对特权进程(特别是基于请求?反应型的特权进程)的异常入侵检测.     

随机Petri网模型到马尔可夫链的转换规则与实现

随机Petri网是一种系统设计和分析工具,它可以对系统进行定性分析和定量分析。为了有效利用随机Petri网进行性能的定量分析,根据随机Petri网模型转换为马尔可夫链的算法,总结并实现了它们之间的转换规则。该转换规则在变迁实施的过程中引入演变规则和合并规则,将随机Petri网模型转换为马尔可夫链。可以利用产生的马尔可夫链对随机Petri网模型的多项性能指标进行定量分析。实验结果表明,转换规则是正确、可行的。     

一种基于Markov链模型的动态聚类方法

对单变量时间序列的聚类，是一类有着广泛应用背景的特殊的聚类问题。由于该问题的特殊性，现有的聚类方法无法直接使用，故提出了一种新的基于Markov链模型的动态聚类方法。该方法首先对每一个时间序列建立一个描述其动态特征的Markov链模型，从而把对时间序列的聚类问题转化为对Markov链模型的聚类问题。然后通过定义各个Markov链之间的“距离”，采用动态聚类算法完成对这些Markov链模型的聚类，使用该方法，分别对一经真实数据和仿真数据进行了聚类试验，都获得了比较好的聚类结果。