混合型蚁群算法及其应用

蚁群优化算法——蚂蚁系统（Ant System,AS）是Dorigo M在20世纪90年代最早提出的一种新型生物智能算法,Dorigo M将蚁群优化算法应用于解决经典的旅行商问题（TSP）,取得了较好的应用效果。采用混合型蚁群算法进行优化求解,探讨其实现TSP问题的求解流程,以更好地指导实际问题解决。     

基于优化的BPNN模型在色彩空间转换中的应用研究

色彩空间转换在图像采集、显示,色彩信息传递及重现中发挥着重要作用,为实现真正意义上的“所见即所得”,需提高色彩转换精度。针对传统色彩空间转换模型中BP神经网络转换精度低、易陷入局部最优等不足,使用萤火虫算法优化BP神经网络的初始权值和阈值,提出一种FABPNN算法的色彩空间转换模型,并使用色差模型进行验证。实验结果表明,该模型具有较高的色彩转换精度,达到预期效果。     

基于灰色关联度聚类的协同过滤推荐算法

协同过滤推荐系统是电子商务系统中最成功、最重要的技术之一,而在协同过滤算法中用户相似度的计算是影响算法效率的重要因素。针对传统协同过滤算法中数据稀疏导致的近邻选择不准确问题,引入灰关联分析理论进行项目聚类和用户相似度计算,并以此为基础提出了一种新的协同过滤算法,既解决了对象匹配的不足,又提高了近邻选择的准确性。实验表明,该算法可以有效解决大规模数据下用户评分数据极端稀疏带来的问题,显著提高系统的推荐质量。     

基于PSO算法的OSPF多约束路由策略

利用传统SPF算法解决OSPF网络路由难题时,由于没有考虑多约束条件和有效利用次路径,一旦最优路径发生拥塞,网络传输性能将急剧降低。将PSO算法应用于OSPF网络路由规划,利用多约束条件并结合OSPF网络多种路由参数的特性,重点对有效改善网络局部拥塞和快速求得全局最佳路由及若干次路由算法进行探究,并利用仿真数据对所提出的改进算法进行验证。结果表明,在解决OSPF网络路由规划问题中,PSO算法较传统遗传算法和SPF算法能实现网路传输性能更优。     

基于贝叶斯网络的协同过滤推荐算法

网络技术的快速发展产生了海量用户数据,为在海量数据中寻找与用户需求相符的数据,提出一种能快速得到较准确推荐结果的基于贝叶斯网络的协同过滤推荐算法。实验结果表明,与传统协同过滤推荐算法相比,该算法准确度更高。     

基于多位点连锁度量的标签SNP选择方法研究

针对标签SNP选择过程中存在时间复杂度高、重构准确度低以及缺乏生物含义等不足,本文提出了一种基于多位点连锁不平衡的标签SNP选择方法,该方法首先利用最小等位基因频率等指标对数据集进行预处理,排除噪声位点等,然后根据标签SNP选择过程的特点设计并改进了蚁群算法,以获取候选标签子集,最后,为了进一步提高重构准确度,本文以重构准确度为目标,利用支持向量机作为学习模型,采用后向淘汰策略对候选标签子集进行精选。实验结果表明,先过滤再精选的策略,不仅降低了时间复杂度,而且在样本重构准确度也有一定程度优势。     

随机变系数线性结构关系EV模型的参数估计

利用随机加权正交回归最小二乘法给出了随机变系数线性结构关系EV模型中的参数估计。     

基于混沌振荡粒子群优化的FCM文本聚类方法

针对模糊C均值聚类算法易于陷入局部极值的问题,设计了一种基于混沌振荡粒子群优化的模糊C均值聚类方法。该方法在标准PSO算法中设计了一个振荡环节并引入混沌理论以增加算法的多样性和收敛性,接着把优化后的PSO算法和模糊C均值聚类算法相结合。文本聚类的仿真实验表明,相对于PSO-FCM算法和FCM算法,CCPSO-FCM算法具有良好的全局搜索能力和收敛速度,聚类效果良好。     

智能电动汽车路径跟踪控制方法研究

基于LQR参数整定设计最优控制器,是目前最优控制设计采用最广泛的一种方法。首先建立汽车动力学模型并分析汽车路径跟踪过程。利用LQR最优控制算法实现对汽车路径跟踪的控制。另外,采用整定参数的方式分析改变目标函数中权矩阵Q和R对控制性能的影响,从而得到控制性能较好的一对权矩阵,得到较好的控制策略。并利用仿真结果验证所采用的方法能达到很好的控制效果。     

基于逻辑回归模型的银行存款营销业务研究

现如今,存款营销成为了银行吸收存款的主要经营模式,如何通过现有数据建立模型来判断客户是否订阅存款业务,从而帮助商业银行更好地分配人力资源,提高业务量,以满足现阶段营销活动对提高营销成功率的期望.利用数据挖掘方法通过多种模型选择,并建立逻辑回归模型,然后对模型进行成功率判断以及变量重要性分析,最终了解到影响营销成功与否的关键因素,综合模型分析的结果,给出营销方案建议,最后提出现有研究的不足和期望.