【摘 要】
:
科学与工程实践中一大类问题都可以归结为优化问题,粒子群优化(PSO)算法作为一种新型的群智能优化算法,算法简单易实现,可调参数少,已得到广泛的研究与应用。本报告介绍了PSO算法的基本原理和更新机制,论述了离散PSO算法的研究进展和应用情况,介绍了几种离散化策略的建立、更新方式、计算模式和特点。最后介绍我们在离散PSO算法的构建及其应用情况,分享相关的研究成果和体会,并讨论了离散PSO的发展趋势和进
【出 处】
:
第十三届中国Rough集与软计算学术会议、第七届中国Web智能学术研讨会、第七届中国粒计算学术研讨会联合学术会议
论文部分内容阅读
科学与工程实践中一大类问题都可以归结为优化问题,粒子群优化(PSO)算法作为一种新型的群智能优化算法,算法简单易实现,可调参数少,已得到广泛的研究与应用。本报告介绍了PSO算法的基本原理和更新机制,论述了离散PSO算法的研究进展和应用情况,介绍了几种离散化策略的建立、更新方式、计算模式和特点。最后介绍我们在离散PSO算法的构建及其应用情况,分享相关的研究成果和体会,并讨论了离散PSO的发展趋势和进一步研究方向。
其他文献
为研究轮胎填料对轮胎胎面摩擦性能及安全性能的影响,将一定量炭黑和高岭土、三氧化二铝、钛白粉、碳化硅、锌粉等分别作为双组份填料与天然橡胶/乳聚丁苯并用胶进行共混,研究了硫化胶的综合力学性能、摩擦系数及动态力学性能,探讨了改变胎面胶摩擦、磨损特性的可行性。本文就填充材料对胎面胶摩擦性能的影响进行试验研究,探索填料在橡胶摩擦性能方面的作用机理及影响。试验结果表明:在天然橡胶/乳聚丁苯橡胶体系中加入不同填
自2011年以来,由中国橡胶工业协会牵头成立的杜仲产业联盟的协调下,在杜仲胶提取技术及设备制造、杜仲胶在轮胎、高铁减震部件、塑料改性、医疗器材、牙科材料等方面的应用均取得了一系列进展。作者同时提出采用良种高产胶种植模式、走集约化发展道路、建立产学研合作开发模式等促进天然杜仲胶规模化发展需要注意的几个问题。
交流提纲 Prsentation Outline一、中国造纸行业总体市场形势分析The market situation of China Paper Industry二、中国白卡纸市场形势分析An Analysis of the China Carton Board Market(一)国内白卡纸产能分布The distribution of cartonboard capacity in the
本文介绍了PCR四辊压延测厚系统精确测量压延机胶片及纤维帘布厚度,并实时控制胶片的厚度,提高产品质量。胶片与纤维帘布厚度数据自动采集、存储,生产数据扩展显示,生产过程数据通过网络进入工厂生产ERP系统,真正实现生产过程信息数据流。
采用具有制品形状的整体织物作增强材料,有利于提高橡胶材料的力学性能。本文探讨了环状织物的设计方法和其在传动带、传送带的应用,提出了齿形带织物的结构。成型织造是近年来新发展的曲面织物织造技术,在简要介绍其织造原理的基础上,采用玻纤纱织制出外凸形带织物和头盔形曲面织物,外凸形带织物可直接用于缠绕成型轮胎状回转体。
本文讨论了EPDM/POE/MVQ不同共混比对胶料物理性能、耐热性、耐油性和绝缘性能的影响,结果表明:采用动态硫化的POE/MVQ热塑性弹性体与EPDM共混胶料性能优于EPDM和MVQ直接共混胶料;双螺杆挤出机动态硫化POE/MVQ热塑性弹性体的综合性能最佳。随着POE/MVQ用量的增加,改善了共混胶的力学性能、绝缘性、耐寒性、耐油性、耐热性;先将POE与MVQ动态硫化制备热塑性弹性体然后与EPD
大数据给现有的数据分析与挖掘技术带来前所未有的挑战,研究高效的、可以揭示复杂数据的隐含结构的学习方法已成为机器学习和数据挖掘领域所关心的主要问题之一。本报告针对大数据的高效特征选择和聚类问题,介绍了本人课题组的一些最新研究进展。首先,从样本表征整体、样本批量增加角度建立了高效特征选择算法;其次,针对符号型数据、混合型数据和非平衡数据发展了新的聚类算法;最后,对大数据处理技术进行了展望。
提出了基于拟阵的粗糙集,并通过拟阵闭包算子给出了相应的拟阵上近似算子和下近似算子,同时研究了上下近似的性质。进一步,利用拟阵与二元关系的相互转换,研究了基于拟阵粗糙集与基于关系粗糙集之间的关系。
在多粒度时间序列研究中不确定性问题是时间序列数据挖掘研究中的重要课题。时间序列时序粒度本身的不稳定是一种广泛存在现象,也是时间序列数据挖掘困难的一个重要原因之一。对于这个问题,首先基于一个不确定性多粒度时间序列的基础模型对时间粒度不确定性进行了计论,并且提出了稳定时序粒度的基本策略。由于聚类分析在时间序列数据挖掘中的基础价值,一个不确定性粒度时间序列相似性算法框架被提出来解决这类数据的聚类问题。最
粒度支持向量机(Granular support vector machine,GSVM)通过选取粒的代表点构成精简训练集以提高支持向量机(Support vector machine,SVM)的学习效率,然而选取个别代表点有可能丢失部分重要分类信息,导致模型泛化能力不高。针对这一问题,提出基于粒分布的GSVM(Distribution based GSVM,DGSVM)加速训练方法,该方法依照粒