公共文化服务平台

共 4 条记录，以下是 1-4

全选清除导出

排序方式：

基于自适应划分的进化多目标优化非支配个体选择策略被引量：12: 2011年; 进化多目标优化主要研究如何利用进化计算方法求解多目标优化问题,已经成为进化计算领域的研究热点之一.多目标优化问题解的多样性主要体现在两个方面,即分布的广度和均匀程度.在分析了已有多目标进化算法保持解的多样性策略的基础上,提出了一种基于自适应划分的非支配个体选取策略.新策略根据非支配个体在目标空间的相似性程度对由当前非支配个体构成的前沿面进行自适应划分,在划分出的各区域选择最具代表性的个体,实现对非支配个体的修剪操作.为了验证新策略的有效性,将此策略应用于两类典型的多目标进化算法中,基于13个标准测试问题的仿真结果表明,自适应划分策略使最优解的均匀性和广度得到了很好的提升.; 公茂果程刚焦李成刘超; 关键词：多目标优化进化算法

基于神经系统与免疫系统调节机理的Memetic计算被引量：3: 2010年; Lamarck学习理论已被引入进化计算,能有效提高其局部搜索能力,逐步发展成为进化计算的新热点-Memetic计算.文中从神经系统与免疫系统在生物机体内的整合调节机理,提出了免疫Memetic计算模型,设计了模拟神经系统对免疫反应单向调节的Lamarck学习策略,并针对数值优化问题,提出了基于Lamarck学习的免疫Memetic算法.该算法结合了免疫算法和传统数学规划算法的不同特性,具有较理想的搜索性能.基于10个低维和10个高维基准测试问题的仿真结果表明,基于Lamarck学习的免疫Memetic算法与基于遗传算法的基本Memetic算法相比具有明显的优越性.; 公茂果焦李成刘芳杨杰; 关键词：人工免疫系统遗传算法

复杂分布数据的二阶段聚类算法被引量：33: 2011年; 提出了一种用于复杂分布数据的二阶段聚类算法(two-phase clustering,简称TPC),TPC包含两个阶段:首先将数据划分为若干个球形分布的子类,每一个子类用其聚类中心代表该类内的所有样本;然后利用可以处理复杂分布数据的流形进化聚类(manifold evolutionary clustering,简称MEC)对第1阶段得到的聚类中心进行类别划分;最后综合两次聚类结果整理得到最终聚类结果.该算法基于改进的K-均值算法和MEC算法.在进化聚类算法的基础上引入流形距离,使得算法能够胜任复杂分布的数据聚类问题.同时,算法降低了引入流形距离所带来的计算量.在分布各异的7个人工数据集和7个UCI数据集测试了二阶段聚类算法,并将其效果与遗传聚类算法、K均值算法和流形进化聚类算法做了比较.实验结果表明,无论对于简单或复杂、凸或非凸的数据,TPC都表现出良好的聚类性能,并且计算时间与MEC相比明显减少.; 公茂果王爽马萌曹宇焦李成马文萍; 关键词：聚类 K-均值算法进化算法流形

一种改进ε支配的等度规映射方法被引量：5: 2011年; 新型支配机制的研究是进化多目标优化领域中的热点和难点之一,其中,ε支配最具代表性.但是,它的缺点在于对于不同几何形状的Pareto前沿十分敏感.提出了一种改进ε支配机制的等度规映射方法,采用等度规映射把解映射到低维流形空间,发现隐藏于非支配解的几何分布,在低维流形空间进行ε支配的剪枝操作.与传统的ε支配相比,该机制不会丢失部分有效解,能够较好地保持解分布的均匀性.另外,为了克服传统ε支配丢失部分极端解的不足,设计了极端解校验算子.与NSGAII,SPEA2,NNIA和εMOEA相比,所提出的ε支配和极端解校验算子能够较好地保持解分布的均匀性和宽广性,改进了传统的ε支配.; 杨咚咚马晶晶焦李成公茂果司晓云; 关键词：进化计算多目标优化等度规映射

全选清除导出

共1页<1>

教育部“新世纪优秀人才支持计划”(NCET-08-0811)