【摘 要】
：
针对帝国竞争算法在求解旅行商问题时局部搜索能力不强和容易陷入局部最优的缺陷,提出一种基于自适应继承策略的帝国竞争算法。该算法采用自适应继承策略的启发式交叉算子、单点局部插入策略和固定邻域的2-opt算子来增强算法的局部优化能力,并加入帝国精英解集以保持种群的多样性。通过标准实例测试,验证了所提出的改进策略的优越性,与基于启发式交叉算子和帝国主义算法为框架的其他算法进行对比,实验结果表明,该算法求解
论文部分内容阅读
针对帝国竞争算法在求解旅行商问题时局部搜索能力不强和容易陷入局部最优的缺陷,提出一种基于自适应继承策略的帝国竞争算法。该算法采用自适应继承策略的启发式交叉算子、单点局部插入策略和固定邻域的2-opt算子来增强算法的局部优化能力,并加入帝国精英解集以保持种群的多样性。通过标准实例测试,验证了所提出的改进策略的优越性,与基于启发式交叉算子和帝国主义算法为框架的其他算法进行对比,实验结果表明,该算法求解中小规模的解旅行商问题具有较高的求解精度和较快的收敛速度。
其他文献
针对生成式文本摘要中模型对文本语义了解不够充分以及生成摘要缺乏关键信息的问题,提出一种融合关键词的中文摘要生成模型KBPM(Key-BERT-Pen model)。首先使用TextRank方法将文本中关键词抽取出来,然后将抽取出的关键词与原文一起经过BERT预训练模型得到更加精确的上下文表示,最终将得到的词向量输入到带有双重注意力机制的指针模型中,指针模型从词汇表或原文中取出词汇来生成最终的摘要。
针对并行密度聚类算法在处理大数据集时存在伸缩困难、参数寻优能力不佳、并行化效率较低等问题,提出一种基于分组和重力搜索优化算法(improve gravitational search algorithm,IGSA)的并行密度聚类算法(density-based clustering algorithm based on groups and improve gravitational search
区间集决策信息表拓展了经典决策信息表,但其属性约简研究较少。针对区间集决策信息表存在的问题,采用模型正域及相关依赖度提出属性约简及其启发式约简算法。在区间集粗糙集模型中,定义关于决策分类的正域与依赖度,证明粒化单调性等性质。提出基于依赖度的属性约简,设计启发式约简算法。实例分析与数据实验表明,设计的基于依赖度的启发式约简算法是有效的,所得结果有利于依赖学习与特征优化。
针对现有学生毕业去向预测研究工作忽略了社交关系对学生毕业去向选择的潜在影响问题,提出一种基于社交图嵌入的自注意力模型(social graph embedding-based self-attention neural network,SGE-SANN)对学生毕业去向进行预测。首先处理包含共性和个性的社交关系,并使用图卷积神经网络将其嵌入到学生成绩特征之中;然后引入自注意力机制平衡影响学生毕业去向
螺旋结构是自然界中经常出现的一种结构,螺旋结构因其特殊的运动轨迹、天然的收敛性而受到智能优化算法研究人员的关注。在螺旋动态优化算法(SDA)的基础上,提出一种基于组合螺旋和FDB选择策略的改进螺旋算法(MSPO),克服SDA的弊端,大大减小了时间复杂度、简化运算过程,提高了普适性和收敛精度。最后在八个具有代表性的基准函数上进行实验,实验结果表明,MSPO在收敛精度、收敛速度及鲁棒性上都表现出了更好
方面提取是方面级情感分析的一个核心任务,目前方法是用方面提取、观点提取、方面级情感分类间的关系构建多元关系协作学习模型。常用的数据集中存在大多数方面词和上下文词的出现次数较少,缺乏样本暴露量等问题,使序列标注器收敛到一个极差的区域,且由于在计算模型总损失时忽略了不同部分对方面提取效果的差异,导致神经网络模型几乎无法达到最佳性能。因此提出用于方面提取的软原型增强自适应损失模型(SPEAL),通过软检
影响力最大化是研究如何在社会网络中寻找小部分最具影响力的节点作为信息扩散源,使信息在网络中传播范围最大的问题。已有相关研究大多只是针对同质信息网络,但现实中的社会网络是包含了多种对象类型和对象之间多种关系类型的异质网络,因此提出了基于元路径的邻接信息熵(MPAIE)模型,以及基于元图的邻接信息熵(MGAIE)模型来模拟异质信息网络中的社会影响。通过设置元路径或元图,该方法可以灵活地整合异质网络中的
为了改善乌鸦搜索算法(crow search algorithm,CSA)收敛速度慢、收敛精度不足的问题,提出一种混合策略改进的乌鸦搜索算法(MSCSA)。首先在算法运行前期引入tent序列扰动的自适应权重系数,提高算法收敛速度;其次在算法后期引入混合黄金正弦与飞蛾扑火算子,避免算法后期陷入局部最优值;最后通过改进算法的发现概率AP,增加算法的随机性从而提高算法的收敛精度。通过在九个基准函数上对比
通过分析生物地理学优化算法(BBO)性能的不足,提出了一种基于混合凸迁移和趋优柯西变异的对偶生物地理学优化算法(DuBBO)。在迁移算子中,采用动态的混合凸迁移算子,使算法能够快速地向最优解方向收敛;在变异机制中,采用趋优变异策略,并加入了柯西分布随机数帮助算法跳出局部最优解;最后将对偶学习策略集成到算法中,加快了算法收敛速度并提升了搜索能力。在23个benchmark函数上的实验结果证明了提出的
网络表示学习旨在将网络中的节点转换到低维向量空间,并保持网络固有属性。现有方法大多针对普通网络,忽略了属性二分网络的特殊性及网络的高度非线性特性等。针对上述问题,首先引入一个扩展权重矩阵融合二分网络显式和携带属性信息的隐式结构;接着提出一种基于深度自编码器的属性二分网络表示学习模型,以捕捉网络的高度非线性特性;通过深度自编码器重构二阶邻近度以保持全局网络结构,同时该编码器利用节点一阶邻近度作为监督