摘要：以学习自动机为数学模型,结合斯金纳操作条件反射,建立一种人工感知运动系统,称为感知运动自动机(SMA).该系统包括感知状态集合、动作集合、感知运动取向性映射集合等9部分.系统引入好奇心和取向性概念,设计具有主动学习环境的内发动机机制,定义并分析了取向性学习过程,证明了系统熵的收敛性.通过模拟斯金纳鸽子实验表明了系统的可行性和有效性,仿真结果表明系统具有较好的自学习和自组织特性,同时稳定性较高.

摘要：在认知无线mesh网络多信道环境中处理繁重的数据业务是一项具有挑战性的任务。为了解决这个问题,提出了一种新的基于协作学习自动机(learning automata,LA)的自适应信道分配算法(CLACAA)。在所提出的算法中,LA被部署在邻近的互相协作的次用户上。为了LA能自适应地更新其动作概率向量,设计了一种线性奖赏无为方案;定义了一种新的信道利用率因子用于信道选择,以解决信道冲突发生的问题;给出了当信道由于大量输入请求而过载时的信道切换方案。实验仿真结果表明,该算法在提升网络吞吐量和数据传输率、降低切换时延和缓冲时延上有明显的优势。

摘要：为均衡无线传感器网络节点能耗和网络负载,提出了一种基于学习自动机的簇头选举算法。该算法考虑节点的能量消耗及其与邻居节点的状态信息,在选举簇头时,通过把节点的剩余能量与平均能量相比较以及把节点的相互距离与平均距离比较,来更新学习自动机选择动作概率,以提高有利节点选举为簇头的概率。仿真结果表明,该算法在簇头的分布上更加合理,同时也减少了网络的能量消耗,延长了网络生存期。

摘要：模糊C均值(Fuzzy C-Means,FCM)聚类算法存在过度依赖初始聚类中心,且未充分考虑隶属度矩阵变化趋势对聚类性能影响的缺陷,针对FCM存在的问题,提出了一种基于学习自动机的改进FCM聚类算法。算法改进了目标函数计算方式及隶属度矩阵,根据目标函数值以及平均类内距离的变化对智能体选择的行为进行奖励或者惩罚。通过UCI公共数据集以及工业生产中碳碳复合材料沉积炉生产数据进行实验,实验结果表明,相比K-means、FCM、IEWLFCM、LAC等几种已有聚类算法,在文中采用的实验数据集中,该文提出的基于学习自动机的改进FCM聚类算法在大多数数据集上准确率、FMI系数、JC系数均有所提升。

摘要：针对海洋捕食者算法在面对复杂函数和工程设计优化问题时存在的自适应能力有限、寻优精度有时较低、局部桎梏概率较高等缺点,提出一种新的高效自适应海洋捕食者算法.首先在海洋记忆存储阶段引入学习自动机引导的教与学搜索机制,更好地平衡算法在不同迭代时期对探索和挖掘能力的不同需求;然后在局部开发阶段,引入对数螺旋探索机制,加强算法在最优解附近的精细挖掘能力,进一步提高收敛精度;最后在算法中每次迭代末尾处加入改进的自适应相对反射策略,提升种群跳出局部最优的能力,降低局部桎梏概率.为了分析和验证该改进算法的性能,将其和6种代表性算法在进化计算大会(CEC)2017测试套件上进行100维的函数极值测试,并在4个具有挑战性的工程设计优化问题上进行测试.测试结果表明在求解多维复杂函数和工程设计优化问题时,本文改进算法的寻优精度、收敛性能和求解稳定性明显优于其他6种代表性算法,尤其在高维复杂函数下,其寻优性能的优越性更为显著.

摘要：研究了认知MIMO无线网络中基于博弈论的动态频谱接入技术,以使得具有不同风险偏好的次级用户(买家)可以动态地选择竞标策略,同时主用户也可以根据系统情况,自适应地调整拍卖机制。基于非合作博弈设计了一个有限离散博弈模型,该博弈至少有一个混合策略的纳什均衡。基于自动学习机的概念,设计了一个有限反馈的分布式随机学习算法。仿真结果表明,所设计的算法具有良好的性能,与传统的固定竞拍机制和随机的选择竞价策略相比,该算法能够帮助主用户获得更高的利润,且让次级用户根据自身的风险偏好,选择一个合理的竞拍策略。

摘要：MapReduce进行大数据分布式计算时,数据集倾斜特性将导致子任务间完成时间差异明显,影响计算性能。提出基于布隆滤波二次拆分的处理算法。考虑硬件配置、计算资源等约束,提出基于布隆滤波的改进Hash分区函数,缩小映射操作的选择范围。在Reduce阶段设计学习自动机分区算法,使用均匀分布抽样获取任务类型与规模,以Reducer范围为约束条件搜索Mapper与Reducer的近似最优映射。与不考虑Reducer异构的常规算法相比,所提算法网络开销与负载变化率可降低2.4%和28%以上,负载均衡度则提升7.31%以上,表明所提算法具有更高的计算效率。

摘要：针对传统蚱蜢优化算法收敛速度慢、寻优精度低的不足,提出融合学习自动机和折射对立学习的混沌蚱蜢优化算法LRGOA。算法利用完全随机混沌Tent映射进行种群初始化,提高种群遍历性和多样性;利用学习自动机对决定搜索方向的调整系数更新,以均衡全局搜索与局部开发;引入折射对立学习位置更新机制,避免算法陷入局部最优。将LRGOA应用于数据集特征选择问题,设计基于LRGOA的特征选择算法LRGOAFS。选取UCI库数据集对算法的有效性进行验证,证实改进算法可以同步降低特征选择维度和提升数据分类准确率。

摘要：随着工程技术要求的提高,许多实际优化问题从低维问题发展成高维的大规模优化问题,自然计算算法在面对该类问题时容易陷入局部最优,而协同粒子群算法是解决大规模优化问题的重要手段之一。本文将子种群划分自学习策略和惯性权重自适应策略引入到协同粒子群算法中,增强了算法的自学习能力,提高了算法的全局寻优能力。实验结果表明,所提算法的性能超过了传统协同粒子群等算法,具有求解大规模问题的较大潜力。

摘要：《复杂大系统的智能控制》一文在分析该领域已有成果的利弊的基础上,给出了一个较理想的智能控制系统的设计原理与方法的概要,可供有关方面的研究工作者参考.