摘要：子空间聚类任务中的无标记数据具有维度高、数据分布分散等特点,传统方法对数据预处理未进行详细地针对化设计且大多使用欧氏距离度量数据间的相似性,使聚类性能提升受限.因此,本文提出融入无监督度量学习的稀疏子空间聚类模型,该算法将距离度量与子空间聚类联合到同一框架,设计由两步组成的聚类过程.该方法对原始数据进行度量学习并重构了稀疏子空间聚类模型,使数据预处理不再是一个单独的步骤,最大限度地将输入的无标记数据之间相似度提高,有效提升了子空间聚类性能、加强了模型泛化能力.我们在真实公开数据集上进行实验测试,实验结果表明该方法优于现有的子空间聚类算法,具有良好的聚类性能.

摘要：考虑到实际生产过程中设备具有恶化特性,针对作业的实际处理时间是由基本处理时间和可变恶化时间组成的柔性作业车间调度问题,构建了最小化完工时间、总能耗和机器总负载的多目标调度优化模型,并提出了一种改进的NSGA-II算法进行求解。结合问题的特点,在算法中设计了一种基于工序和机器的并行双层编码方法及考虑机器恶化效应的贪婪式插入解码方法;并将Pareto等级引入交叉、变异算子,设计了一种基于动态控制交叉变异参数的策略以提高算法的寻优效率;为丰富种群的多样性并加强算法的局部搜索能力,分别设计了分层精英保留策略和4种邻域搜索机制。最后,基于标准算例进行扩展测试,验证了所建模型的合理性与改进算法的有效性。

摘要：针对多障碍复杂环境下移动机器人路径规划问题,提出了一种基于萤火虫算法的Q-learning算法。在求解算法中,为提高算法的收敛速度,使用萤火虫算法初始化Q-learning框架下Q值;为平衡算法搜索的随机性和目的性,结合贪婪搜索与玻尔兹曼搜索,设计了混合选择策略,使得算法可以动态选择搜索策略,并通过仿真实验验证所提算法的有效性。仿真实验结果表明所提算法在计算时间和路径平滑度等指标上优于Q-learning算法和Sarsa算法。

摘要：在家庭护理过程中,行动不便的患者往往需要两名护工同时为他们提供服务,这极大地增加了问题的难度。为实现家庭护理企业降本增效,以及为管理者实际排班提供参考,针对患者的同步服务需求,考虑护工的午休时间,以最小化运营成本和护工不满意度为目标构建了模型。从降级服务和同步服务时间差两方面构建护工不满意度表达式,设计虚拟午休节点处理午休约束。提出了改进的自适应大邻域搜索算法进行求解,该算法与多向局部搜索框架相结合,采用多种启发式初始解策略,设计同步服务判断矩阵,对解的可行性进行验证,针对两个目标分别设计局部搜索算子进一步提升解的质量。采用田口方法对算法参数进行调整并使用超体积指标和空间性分布指标评价解集。对比其他三种多目标启发式方法,所提算法在绝大多数算例上都获得更优的评价指标值,验证了所提算法在该问题上的适用性和优越性。