网络环境下新产品开发知识团队研究综述*

在综述国内外学者有关新产品开发知识团队研究成果的基础上,试图梳理出现阶段该领域的研究热点与难点问题,为后续研究奠定一定的理论基础。分别从团队的定义和类型,团队学习与团队管理,新产品开发知识团队的概念、类型、运作与管理等方面对已有的研究文献进行了系统的综述,在此基础上提出了已有研究的局限性及对未来研究的展望。     

网络环境下新产品开发知识团队研究综述*

在综述国内外学者有关新产品开发知识团队研究成果的基础上,试图梳理出现阶段该领域的研究热点与难点问题,为后续研究奠定一定的理论基础。分别从团队的定义和类型,团队学习与团队管理,新产品开发知识团队的概念、类型、运作与管理等方面对已有的研究文献进行了系统的综述,在此基础上提出了已有研究的局限性及对未来研究的展望。     

云计算环境下基于ABC-QPSO算法的资源调度模型

为了提高云计算资源的利用率,保证节点负载均衡,提出一种人工蜂群算法和量子粒子群算法相融合的云计算资源调度模型(ABC-QPSO)。首先将人工蜂群算法的搜索算子作为变异算子引入到量子粒子群算法中,以解决量子粒子群算法早熟收敛缺陷,然后以任务完成时间最短作为量子粒子群的适应度函数对云计算资源调度进行优化,最后在Cloud Sim平台上对ABC-QPSO的性能进行测试。结果表明,ABC-QPSO算法不仅克服了QPSO算法的不足,而且有效缩短了任务的完成时间,提高了云计算资源利用率,适合于进行大规模任务的云计算资源调度。     

基于改进全局人工蜂群算法的WSN节点定位研究

无线传感器网络(Wireless Sensor Network,WSN)系统性能的提高,离不开对WSN中每一个传感器节点地理位置的精准定位。全局人工蜂群算法在基本人工蜂群算法的基础上,在邻域搜索后将迭代最优解添加到新解的更新公式中,提高了算法的开发能力。但将其应用于WSN节点位置求解时,存在计算时间长、收敛不稳定的问题。提出一种改进的全局人工蜂群算法,在邻域搜索后对新解进行衡量,若新解适应值在可接受的范围内,与迭代最优解进行交叉操作;若新解适应值较好,不与迭代最优解进行交叉操作;若新解适应值较差,舍弃新解。这较好地平衡了算法的探索和开发能力。求解WSN节点位置时,证明了该算法有更快的收敛速度和更好的收敛效果。     

基于ABC-NB的慢性病诊断分类研究

在医疗领域,医生做出有效正确的决策非常重要,为了提高医生诊断的准确性,避免诊断结果受到医生的直觉、潜意识和自身知识不全面等因素的干扰而造成误判。提出了将改进的ABC-NB算法应用于慢性病诊断领域,以提高诊断效率,减少误判几率。将基于改进尺度因子的人工蜂群算法应用于慢性病特征的选择,对数据进行降维,剔除冗余、无关的特征,提高收敛速度,增强算法搜索全局最优解的能力。接着将预处理后的数据各特征值进行训练和学习生成贝叶斯分类器,构建预测模型。预测模块将诊断结果显示出来供医护人员参考,辅助进行诊断和决策。实验表明该模型具有很好的柔性和鲁棒性,能够稳定的计算出慢性病的概率,有效的辅助医护人员进行诊断。     

基于轮盘赌反向选择机制的蜂群优化算法

针对人工蜂群算法易陷入局部最优的不足,考虑到基本蜂群算法中个体选择大多基于贪婪选择的思想,从而使算法快速向适应度值高的个体进化而陷入局部停滞。为此,提出一种基于轮盘赌的反向选择机制,以保持蜂群个体的多样性而使算法保持较好进化能力。通过对经典测试函数的仿真实验表明,改进的蜂群算法有更快的收敛速度和更好的收敛精度,且改进的蜂群算法对群体规模有很强的鲁棒性。     

基于粒度粗糙熵与改进蜂群算法的特征选择

经典的人工蜂群(artificial bee colony, ABC)算法面临着收敛速度慢、易陷入局部最优等不足,因此基于该算法来进行特征选择还存在很多问题.对此,提出了一种基于粒度粗糙熵与改进蜂群算法的特征选择方法FS＿GREIABC.首先,将粗糙集中的知识粒度与粗糙熵有机地结合起来,提出一种新的信息熵模型——粒度粗糙熵;其次,将粒度粗糙熵应用于ABC算法中,提出一种基于粒度粗糙熵的适应度函数,从而获得了一种新的适应度计算策略;第三,为了提高ABC算法的局部搜索能力,将云模型引入到跟随蜂阶段.在多个UCI数据集以及软件缺陷预测数据集上的实验表明,相对于现有的特征选择算法, FS＿GREIABC不仅能够选择较少的特征,而且具有更好的分类性能.     

基于ABC算法的群体动画研究与应用

对群体行为的模拟一直是动画研究领域的重点,如何表现出个体运动的独立性以及群体运动的整体性是群体行为模拟的难点所在,同时传统的群体动画制作手段工作量大,制作出的效果不能满足人们的需求。针对此问题文中将人工蜂群算法应用于群体行为模拟路径规划中,并针对群体动画的特征进行修改,从而产生一种新的简单、高效的制作群体动画的方法。仿真实验表明改进后的人工蜂群算法能够真实模拟出群体在运动过程中的心里状态及群体运动行为。     

云环境下基于模糊隶属度的虚拟机放置算法

虚拟机放置问题是云数据中心资源调度的核心问题之一,它对数据中心的性能、资源利用率和能耗有着重要的影响。针对此问题,以降低数据中心能耗、改善资源利用率和保证服务质量(QoS)为优化目标,借助模糊聚类的思想提出了一种基于模糊隶属度的虚拟机放置算法。首先,结合物理主机过载概率和虚拟机与物理主机之间的相适性放置关系,提出了新的距离度量方法;然后,根据模糊隶属度函数计算得出虚拟机与物理主机之间的相适性模糊隶属度矩阵;最后,借助能耗感知机制,在模糊隶属度矩阵中进行局部搜索从而获得迁移虚拟机的最优放置方案。仿真实验结果表明,提出的算法在降低云数据中心能耗、改善资源利用率和保证QoS方面表现比较优异。     

基于遗传蜂群算法的运动想象BCI系统导联选择*

在运动想象脑-机接口系统中,常采用高密度导联获取脑电信号,导致实验准备时间长,系统运行速度慢,性能变差等问题。针对上述不足,本文提出了一种基于遗传算子的蜂群算法用于导联优选,引入交叉和变异算子以提高蜂群算法的邻域搜索能力。通过对第四届国际BCI 竞赛 Dataset 1中四名被试者(a,b,f和g)的59导联运动想象数据进行导联优选,用多类CSP算法和支持向量机对优选导联数据进行特征提取和分类识别。结果表明所提出的算法在大大降低了导联维数的同时,也得到了比采用全部导联更高的分类识别率,验证了本文所提算法的实用性和有效性。     

云制造环境下基于可信评价的云服务选择

针对云制造环境下因存在大量功能相同或相似的制造云服务而导致用户很难获得合适云服务的问题,提出了一种基于可信评价的制造云服务选择方法。对问题进行了抽象,将可靠性、可用性、时效性、价格和诚信度纳入可信特征集,并考虑评价时间、评价者的诚信度对可信值的影响,采用加权平均的方法计算制造云服务的整体可信度;在此基础上,综合考虑制造云服务的功能、任务负载、当前状态和物理距离等因素,通过匹配功能、任务负载和价格,并结合可信评价值来指导云服务的选择。仿真结果表明,所提方法能够有效地识别云制造环境下的制造云服务实体,可提高交易活动的成功率,满足用户的功能需求和非功能需求。     

基于模拟退火及蜂群算法的优化特征选择算法

为了解决中文文本分类中初始特征空间维数过高带来的“维数灾难”问题,提高分类精度和分类效率,提出了一种基于模拟退火及蜂群算法的优化特征选择算法.该算法中,以蜂群算法流程为主体,根据蜜蜂群体觅食的特点快速寻找最优解,并且针对蜂群算法容易陷入局部最优解的问题,把模拟退火算法机制引入其中.该算法既保留了蜂群算法群体寻优的特点,又可以有效地避免陷入局部最优解.通过选择合适的收益率函数和温度下降函数,用实验的方法与卡方统计、信息增益和互信息等算法进行比较,表明了该算法的可行性和有效性.     

云环境下副本优化放置策略研究

为了提高云计算数据调度和副本访问的效率,对副本策略中的副本放置问题进行研究,提出一种基于蚁群算法的副本放置策略。根据自然界中蚁群觅食的原理,把蚁群算法应用于副本放置的整个过程; 利用信息素的动态更新以及拉普拉斯概率分布改进的蚁群算法得出一组最优解进行副本放置。在CloudSim平台上进行了仿真模拟,实验结果表明,提出的方案在平均作业完成时间、网络利用率和负载均衡度上均优于原始蚁群算法,并在一定程度上降低了副本放置的时间消耗和网络负载。     

基于协同过滤的个性化Web服务选择方法

对传统的Web服务选择算法进行分析,并指出其在动态环境下存在的问题。为了解决该问题,提出了基于协同过滤算法的个性化Web服务选择方法,并设计了一个动态的Web服务选择架构,架构使用协同过滤算法对Web服务的服务质量(QoS)值进行预测并选择最优的Web服务以满足用户的需求。使用150万条真实Web服务的QoS数据与其他4类算法进行了对比实验,结果表明所提方法的可行性和准确性。     

多目标人工蜂群算法在服务组合优化中的应用

应用广泛的聚集函数法可将多目标问题转换为单目标问题,但函数设计困难,通用性不强,且优化结果不能直观反映各目标的优化情况。提出了一个基于Pareto占优的多目标人工蜂群算法,改进了邻域搜索策略,给出一个对比实验。实验结果表明,改进算法在个体多样性与对Pareto最优边界的趋近程度方面均有优势。     

一种基于元数据的众包图片效用最优选择算法

随着互联网的高速发展,移动终端设备产生的众包图片可以用在许多重要应用场景当中以获得有效的信息。例如地震后现场区域的修复、重大事故的处理。但是,这些应用场景往往都会有资源限制的问题,如带宽、终端的存储与处理能力等等,这就限制了形成众包图片的数量。因此,如何在资源有限的情况下,从众包图片中实现目标的最佳还原是一个巨大挑战。通过采集与处理图片的地理和几何数据,形成图片的元数组,在限制计算资源的条件下,提出了一种以元数据为输入的众包图片效用最优选择算法,以实现目标的最佳还原。算法的输入是元数据而非像素,所以在资源有限的应用场景中能够高效地分析众包。采用图片的效用来衡量目标区域被覆盖的程度,并提出了图片效用计算方法。最后设计了仿真实验,实验结果验证了算法的有效性与优越性。     

基于分布估计蜂群算法的多用户检测器

为了提高二进制人工蜂群算法的全局探索能力,提出一种基于分布估计算法的二进制人工蜂群算法,并应用到最优多用户检测技术中,设计出基于分布估计二进制人工蜂群算法的多用户检测方案。该方案采用直接针对离散域的多维邻域搜索策略,加快了收敛速度,避免了连续域到离散域的转换,同时利用分布估计算法获得的全局统计信息产生候选解,提高了算法性能。仿真结果表明,与传统检测器相比,所设计检测器的收敛速度明显加快,误码率性能和抗远近效应能力显著提高。