基于核模式合成的频繁巨模式挖掘算法

已有的频繁模式挖掘算法难以适应像生物信息数据挖掘、图模式挖掘等频繁巨模式挖掘应用.提出一种频繁巨模式挖掘算法,即基于核模式合成的频繁巨模式挖掘算法(Core Pattern Fusion Based Colossal Frequent Pattern Mining Algorithm,CPFCFPA),通过将各较小的核模式进行一步合成,寻求一个对频繁巨模式完整集的蕴含集.引入项集编辑距离概念,提出一种新颖的评价频繁巨模式挖掘结果质量的评测模型.实时数据集实验显示,CPFCFPA具有较好的可扩展性和挖掘性能,且对当前频繁模式挖掘算法难以或不能实现的挖掘任务,其挖掘结果能做到对频繁巨模式完整挖掘集的较好近似.     

基于属性值偏好矩阵的协同过滤推荐算法

传统的协同过滤推荐算法面临用户评分数据稀疏性和冷启动问题的挑战.针对上述问题,提出了基于属性值偏好矩阵的协同过滤推荐算法,首先采用奇异值分解(SVD)对用户-项目评分矩阵降维得到目标用户的初始邻居用户集,生成新的用户-项目评分矩阵;然后将用户评分映射到相应的项目属性值上,生成每个用户的属性值偏好矩阵,并基于属性值偏好矩阵进行用户相似性度量,从而缓解了评分数据稀疏性;将新项目的属性值与用户的属性值偏好矩阵进行匹配,从而找出匹配度最高的前N个用户作为新项目的推荐受众.实验结果表明了该算法的有效性.     

赛程安排的数学模型

本文讨论单场地上单循环赛的合理安排问题.运用图论算法给出了不同参赛队数n的赛程安排,并确定了其中各队相隔两场的最大间隔场次的上限.该算法将n为奇数和偶数的两种情况统一起来了,具有一定普遍性.给出了两种不同的衡量指标,从不同的角度衡量该赛程的优越性.     

决策树挖掘算法在教评体系中的应用研究

对高校教学质量评估体系中学生的大量评教数据和教师的档案数据进行数据挖掘,重点研究决策树方法中的ID3算法在教学质量评估体系中的应用。利用决策树挖掘算法挖掘影响教学质量的关键因素,找出数据的内在规律,并对挖掘结果进行分析,从中提取有用信息,才能更好地为管理决策分析提供科学依据。     

基于分簇波束成形算法的MIMO-OFDM系统信道容量的分析

提出了一种在有限反馈条件下多输入多输出-正交频分复用(MIMO-OFDM)系统中基于信道容量的分簇波束成形算法。该算法针对MIMO-OFDM系统在高信噪、低信噪比等不同情况时选择不同的波束成形向量来提升系统的容量。根据簇间、各子簇间均存在一定的相关性,设计出了次优波束成形算法。通过对所提出的算法仿真可知,在高信噪比、低信噪比情况下针对系统容量采用分簇的波束成形算法能够在一定程度上提升MIMO-OFDM系统在确定性信道与随机性信道的信道容量。     

Huffman树在公交车调度问题中的应用

在公交车调度问题中,本文提出一种新的方法,即Huffman最优树算法,该算法在电报编码和计算机指令系统优化等许多方面被广泛应用.合理解决公交车调度问题对于增加公交车公司的利益,满足乘客乘车需要都有重要意义.     

Apriori算法在网上考试系统中的应用

在远程教育系统的网上考试系统模块中,数据库和数据仓库中的用户交互数据记录了用户对系统的访问行为信息,利用最小支持度和最小置信度,挖掘出频繁项集,对这些信息的分析有利于远程教育教学管理人员和教师掌握学生对知识的掌握情况,从而可以对教学内容加以改进,对教学平台进行优化.     

免疫遗传算法在BP网络结构优化中的应用

免疫遗传算法是基于免疫原理的改进遗传算法，它能克服遗传算法易早熟、搜索效率低、不能很好保持个体的多样性等缺点。本文将免疫遗传算法用于BP网络结构优化设计中，仿真实验结果表明，该方法有很好的效果。     

用于线性优化的基于核函数的动态步长原-对偶内点算法

In this paper, primal-dual interior-point algorithm with dynamic step size is implemented for linear programming （LP） problems. The algorithms are based on a few kernel functions, including both serf-regular functions and non-serf-regular ones. The dynamic step size is compared with fixed step size for the algorithms in inner iteration of Newton step. Numerical tests show that the algorithms with dynaraic step size are more efficient than those with fixed step size.     

基于混合选择策略的GA数值寻优

函数优化是遗传算法应用的一个方面,标准遗传算法通常采用的是轮盘赌选择、单点交叉和变异等基本操作算子,其缺点是全局收敛性差,易造成“不成熟”收敛现象。研究表明,GA的收敛性主要是由选择算子实现的,轮盘赌选择易产生较大的随机误差,基于期望值和轮盘赌的混合选择策略则能够改善此误差。仿真结果表明,混合选择能够有效地提高GA对全局最优解的搜索能力,较好地改善“早熟”现象的产生。