摘要：差分演化算法具有结构简单容易实现,收敛速度快和鲁棒性强等优点,但是存在早熟和进化停滞的现象.提出的二阶段循环优化差分演化算法框架能够很好地保持算法局部开采能力和全局勘探能力的平衡.在差分演化的变异操作中,以马氏距离矩阵为依据分别在目标向量的近邻或者远邻中选择父辈个体参与变异,这样分别形成偏重局部开采或者偏重全局勘探的搜索阶段,此二阶段循环迭代,使得局部开采和全局勘探能力得到震荡平衡.在CEC2005标准函数集上的测试结果显示了提出算法框架的有效性.

摘要：目前粒子群优化算法和分布估计算法较少用于解决排列编码组合优化问题,本文提出了一种新的适用于求解排列问题的分布估计离散粒子群优化算法.提出的算法结合粒子群优化算法和分布估计算法的思想,突破了标准粒子群优化算法速度-位移更新模式.新算法中每个粒子的信息一部分来自该粒子当前解排列与全局最优排列的最长公共子串,另一部分来自描述所有个体最优值分布信息的概率模型.这样粒子的当前解、所有个体最优值和全局最优值都参与了新解的生成过程,提出的算法秉承了粒子群优化算法的思想,同时具有更全面的学习能力,提高了算法的寻优能力以及避免陷入局部最优的能力.在两个经典的排列问题上的实验结果表明提出的算法具有良好的性能.

摘要：软子空间聚类算法的性能主要取决于其目标函数和搜索策略.文中提出了一种基于差分演化算法的软子空间聚类算法DESC.首先,设计了一个结合模糊加权类内相似性和界约束权值矩阵的新目标函数.然后,提出了新的隶属度计算方法.最后,引入了一种有效的全局搜索算法——复合差分演化算法,并运用该算法优化新目标函数和搜索子空间中的聚类.实验表明,新目标函数和复合差分演化算法的引入有效地提高了软子空间聚类算法的性能,新算法较已有软子空间聚类算法有明显优势.

摘要：迁移学习是对传统监督学习的扩展,试图利用其他相关领域中的现存数据来帮助完成当前领域的学习任务.对于归纳式迁移学习算法,当目标领域只有少量数据时,已有的算法容易受到选择性偏差的影响,不能充分发挥相关领域数据的作用.为解决该问题,提出一种利用领域相似性的新途径:通过定义领域弱相似性的概念,将相似性的约束与目标分类器联系起来,能在训练过程中有效利用相关领域的大量数据,设计出一种基于支持向量机的迁移学习算法TrSVM,并给出求解过程.在大量数据集上的实验结果表明了新算法的有效性.

摘要：差分演化(DE)是解决优化问题的非常有效的新兴智能算法,但它主要用于连续优化领域,至今尚不能象解决连续优化问题那样有效的处理组合优化问题。首先提出了离散DE用于组合优化问题,然后在离散DE中引入分布估计算法(EDA)来提高性能,把EDA抽样得到的全局统计信息和离散DE获得的局部演化信息相结合来产生新解,形成基于EDA的离散DE算法。为了保持种群多样性,在提出的算法中引入了位翻转变异操作。实验结果表明,EDA能大大提高离散DE的性能。

摘要：版画技法与情感因素,两者相互统一和互相影响,我国版画艺术不断发展,从平、凸、凹、孔四大印刷方式的版种健全到今日的各个版种混合并用.版面是表现思维的一种方式,对于一个已确立鲜当我们在表达自己心中既有的清晰影像或观念时,运用白己所掌据的择,材料的扩展,技法的综合,画面结构的把握,特殊的形象符号的运像装置艺术以及扩展到文学、新乐领域.