将一种自适应遗传算法应用于移动机器人路径规划.提出了一种基于几何避障法的初始种群产生算法;设计了基于启发式知识的交叉、变异、求精和删除算子;采用一种新的模糊逻辑控制算法自适应地调节交叉概率和变异概率;对移动机器人离线和在线规划问题进行了仿真研究.仿真结果表明:自适应遗传算法具有较快的搜索速度、较高的搜索质量以及较强的自适应能力,为移动机器人最优路径规划问题的解决提供了一种新方法

Monte Carlo算法的一个重要组成部分: 描述所要模拟的物理系统的一些概率密度函数(PDF) →描述整个系统在空间、能量、时间或多维相空间中的 发展和演化; Monte Carlo模拟的主要任务:

基于遗传算法的基本原理,提出一种改进的遗传算法,将模糊控制思想与小生境技术引入到其中,从而保护种群的多样性,同时使每代最优解得以保存．遗传算法加入小生境技术后虽可保持种群群体的多样性,但是不可避免的会产生部分个体的早熟以及陷入局部最优,于是加入模糊控制思想,对种群的交叉概率Pc和变异概率Pm进行模糊控制,以此为基础,形成了一种新型的模糊控制小生境遗传算法．最后通过对三个典型函数的数值分析证明了该方法的有效性和可行性．

6.1 概述 6.2 贝叶斯概率基础 6.3 贝叶斯问题的求解 6.4 简单贝叶斯学习模型 6.5 贝叶斯网络的建造 6.6 贝叶斯潜在语义模型 6.7 半监督文本挖掘算法

在贝叶斯理论框架下, 提出了一种基于多源数据融合的深埋硬岩隧道围岩参数概率反演方法.首先, 分析硬岩隧道常用的启裂-剥落界限本构模型中围岩单轴抗压强度、启裂强度与抗压强度比及抗拉强度三个参数不确定性来源, 确定其概率统计特征; 其次, 利用粒子群算法优化多输出支持向量机, 建立反映反演参数与隧道监测数据间非线性映射关系的智能响应面; 最后, 结合贝叶斯分析方法构建概率反演模型, 运用马尔科夫链蒙特卡洛模拟算法实现了围岩参数的动态更新.将该方法应用到某深埋硬岩隧道中, 利用反演的围岩参数计算隧道拱顶下沉点、周边收敛点变化值及开挖损伤区深度, 与监测数据吻合较好.结果表明, 该方法可以实现围岩多参数快速概率反演, 更新后的参数可用于硬岩隧道施工安全风险评估与结构可靠性设计

为解决局部最优问题,将遗忘机制引入传统遗传算法中,提出了一种改进的遗忘遗传算法,给出了一种遗忘算子及其遗忘概率,通过在遗传过程中遗忘某些基因,增加了算法的搜索空间,使算法跳出局部最优,从而最大限度地避免早熟收敛.将该算法用于不同欠费率下的电信客户初始信用评分,找到信用权重的优化解,较好地解决了对高欠费率群体进行信用评分时,信用权重的适应值偏低的问题.实验结果表明所提算法有效可行.与标准遗传算法相比,本文所提算法可以获得更高质量的解

◼ 什么是句法分析 ◼ 与形式语言句法分析的比较 ◼ 上下文无关语法的分析策略 ◼ 自顶向下分析法 ◼ 自底向上分析法 ◼ 左角分析法 ◼ 上下文无关语法的分析算法 ◼ 移进－归约算法 ◼ Marcus确定性分析算法 ◼ CYK算法 ◼ Earley算法 ◼ Tomita算法 ◼ Chart算法 ◼ 概率上下文无关语法 ◼ 组块分析与部分分析

针对基本蚁群算法收敛速度慢、容易出现停滞等缺陷,提出一种新的蚁群优化算法——带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群,在优化过程中侦察子群以一定概率做随机搜索,提高了解的多样性;在信息素更新策略上同时使用本代和全局最优蚂蚁,兼顾了本代和历史的搜索成果;同时还采用LK变异算子,对每次搜索的解进行局部优化.最后对三个典型TSP实例进行了仿真实验,结果表明新的算法不仅能够克服早熟现象,而且能够大大加快收敛速度

统计学习方法即机器学习方法，是计算机及其应用领域的一门重要学科。本书分为监督学习和无监督学习两篇，全面系统地介绍了统计学习的主要方法。包括感知机、k近邻法、朴素贝叶斯法、决策树、逻辑斯谛回归与最大熵模型、支持向量机、提升方法、EM算法、隐马尔可夫模型和条件随机场，以及聚类方法、奇异值分解、主成分分析、潜在语义分析、概率潜在语义分析、马尔可夫链蒙特卡罗法、潜在狄利克雷分配和PageRank算法等

为解决冷连轧轧制过程中的打滑问题,在引入打滑因子的基础上,建立了以预防打滑为目标的规程优化模型.针对标准遗传算法存在的早熟收敛、振荡和随机性太大等缺点,利用改进的自适应遗传算法进行优化.该算法提出了一种基于排序的多轮轮盘赌选择算子,提高了算子的选优能力,也减少了随机性所产生的误差,同时依据个体适应度的值确定染色体的交叉概率和变异概率,使前期变异明显,后期趋于稳定,保证了种群开发和搜索的平衡及全局收敛性.现场试验及生产实践情况证明,该优化规程模型能够有效地降低打滑发生的概率,提高产品的质量,获得更好的经济效益