算法的求解过程遗传算法的优点遗传算法的不足之处生物免疫系统人工免疫系统概述生物免疫系统的结构和组成免疫细胞抗原与抗体免疫系统机制免疫遗传算法基于免疫遗传算法的模糊均值聚类算法设计模糊均值算法简介模糊均值算法步骤算法设计仿真实验本章小结第四章改进的粒子群算法的聚类方法粒子群算法的研究背景粒子群算法原理基本粒子群算法算法描述参数设定改进条件调整奔跑速度。其他狼要想找到兔子的最简单方法就是跟着那只找到兔子的狼，通过估算自己与那只狼之间的距离来估算自己与兔子之间的距离，然后再调整自己的位置和速度。在这个过程中有可能出现开始发现兔子的狼后来把兔子跟丢了，但是后来又被其他的狼发现的情况，所以只有整个狼群的合作才能以最快的速度抓到那只兔子。粒子群算法就从生物种群的这种行为特性中得到启发并用于求解优化问题的。若我们把个优化问题看作是群饥饿的狼，优化问题的最优解看作兔子，那么在粒子群算法中，狼就是在解空间中进行搜索的粒子。这里的粒子是没有质量和体积，只有调整本身状态的速度和加速度的个折衷概念。而群是来自于人工生命的概念,。因此粒子群算法也可被看作是对简化了的人类社会或者动物群体活动的计算机模拟，信息共享机制是推动算法运行的主要机制，也是算法中最重要的部分。在搜索空间中每个粒子都以定的速度移动，并且这个速度是用同伴的移动经验和自己的移动经验来动态调整的。粒子的好坏程度是通过目标函数计算得到的适应值来评价的。每个粒子不仅知道自己的当前位置和到目前为止自己所发现的最好位置，而且还知道到目前为止整个群体所发现的最好位置。如果可以看作是粒子本身的移动经验，也就是每个粒子本身找到的最优解，那么则是中的最好值，即全局最优解，是整个种群的经验。每个粒子使用下列信息更新自己的当前位置自身位置自身速度自身位置与之间的距离自身位置与之间的距离。然后算法就是这样以个随机初始化形成的粒子群，迭代着开始进行搜索了。基本粒子群算法算法描述在中，每只鸟被称之为个粒子，每个粒子用其几何位置和速度向量表示，在问题求解中，每个粒子参考自己既定方向所经历的最优方向和整个鸟群的最优方向确定自己的飞行。现在般采用下面公式对每个粒子进行操作其中是粒子的速度向量，是粒子当前位置。是粒子本身所找到的最好解得位置，是整个种群目前找到的最优解的位置。其他参数的介绍见第部分。参数设定算法中需要调节的参数主要包括惯性权重系数学习因子和最大速度以及种群规模，在本课题算法中还加入了最大位置。惯性权重系数惯性权重系数是用前面的速度来控制当前速度的影响，较大的可以加强的全局搜索能力，而较小的能加强的局部搜索能力。目前普遍采用的是将设置为从到线性下降的方法，这种方法可使得在开始时在较大的区域内探索，较快地定位最优解的大致位置，随着逐渐减小，粒子速度减慢，开始进行精细的局部搜索。学习因子学习因子也称加速度系数和分别调节粒子向全局最优粒子和个体最优粒子方向飞行的最大步长。若太小，则粒子可能远离目标区域若太大则可能导致粒子忽然向目标区域飞去或飞过目标区域。合适的和可以加快收敛且不易陷入局部最优，目前大多数文献均采用。但文献分析指出，令，能使算法具有更好的收敛性能。最大速度引入最大速度的实际上是对粒子的全局搜索能力和局部搜索能力的种平衡。越大，则粒子的飞行速度越高，从而可以对整个空间进行有效的搜索越小，则粒子的飞行速度越低，从而可以对局部区域进行更加有效的搜索，确保获得较高的搜索精度。般来说，对于基本算法，若将搜索空间第维的变化范围定义为令并且在∈,的范围内能够获得较好性能。种群规模算法种群规模较小，般令。其实对于大部分问题个粒子就能取得很好结果，但对于较难或者特定类别的问题，粒子数可能取到或。最大位置最大位置的引入是为了防止在迭代后期，粒子位置超过取值区间。经试实验得出，并且在∈,的范围内能够获得较好的性能。改进的粒子群聚类算法粒子群算法的优缺点由于粒子群算法收敛速度快，需要设置调整的参数少，实现简洁，近年来受到学术界的广泛重视。现在，算法在函数优化神经网络训练模糊系统控制以及其它工程领域都得到了广泛应用。但是算法也有缺点，其最主要的问题是它容易产生早熟收敛局部寻优能力较差等。纵观各种与算法相关的混合算法，大多数基本上采用种策略对其改进，要么与其他算法结合，要么加入变异操作，同时采用两种策略的混合算法较少。因此，本文提出了种新的改进策略将局部搜索能力强的均值算法和基于遗传算法的交叉变异操作同时结合到算法中。通过适当调节，发挥各自的优点，既提高了算法的局部搜索能力，又因为加入了交叉变异操作增加了种群的多样性，防止了算法早熟。通过与文献中提出的方法对比，这种改进的粒子群聚类算法的收敛效果更好些。改进的粒子群聚类算法编码和适应度函数算法中的个体采用基于聚类中心的浮点数编码方式，每个粒子由个聚类中心组成，它可表示为长度为的浮点码串。个体的适应度函数定义为其中，为各样本到各自聚类中心的欧氏距离的和。基于遗传算法的交叉变异操作首先，采用基于轮盘赌的选择策略选择适应度较高与种群规模样大小的个体进行交叉变异，然后将完成上述操作的部分粒子按目标值的大小重新插入到原种群中，取代原种群中目标值较大的个体。具体的交叉变异操作采用由菲尔德大学开发的遗传算法工具箱中提供的离散重组的交叉方法和实种群变异方法。解聚类问题的基本粒子群算法步骤如下设定粒子数，规定迭代次数，随机产生个初始解根据当前位置，以式计算适应值。设置当前适应值为个体极值，当前位置为个体极值位置，根据各个粒子的个体极值，找出全局极值和全局极值位置迭代次数规定迭代次数按式，更新自己的速度，并限制在内按式，更新当前的位置根据当前位置，各个样本按最小距离原则分配给个聚类中心按式计算适应度更新,根据各个粒子的个体极值，找出全局极值和全局极值位置最后输出全局极值和全局极值位。本课题算法是在文献的基础上作的改进。首先在第步，更新位置时将其限制在内，其他的改进如下改进方法先用均值算法作快速分类，其结果作为其中个粒子结果，并在第步后面对粒子进行交叉变异操作，其他步骤同上，此方法称为。改进方法采用均值算法的思想，在第步后面，在新的分类基础上重新计算新的聚类中心，如果重新计算得到的聚类中心的适应度比原来的差，则舍弃，否则更新为当前的位置，且在第步后面对粒子进行交叉变异操作，此方法称为。改进方法综合改进方法和方法，此方法称为。仿真实验在以为操作系统的，主频，内存机上用分别对均值算法算法算法算法算法算法算法算法算法算法进行仿真实验。实验参数设置如下交叉概率，变异概率，种群规模为，迭代次数，为当前迭代次数。实验采用的植物样本数据，该数据集由分别属于三种植物的个样本组成，每个样本均为维模式向量，代表植物的种特征数据。每种算法作了次实验，结果见表。表对植物样本数据聚类的实验结果算法最好解平均值最差解最好解次数均值算法算法从表可以看出，用改进后的粒子群算法作的聚类，其结果比用简单粒子群算法或简单遗传算法或者均值算法作的聚类的结果都要好，而其用粒子群算法和均值算法以及遗传算法的三种算法所结合形成的混合算法的聚类结果又比用粒子群算法和均值两种算法所结合形成的混合算法做的聚类结果要好，特别值得注意的是如果各种算法结合的顺序不同最终得到的聚类结果也是不同的。并且可以由表中结果看出，用改进后的最后种算法所作的聚类其结果相对于其他算法或者改进策略来说是最好的。学校代号学号分类号密级公开硕士学位论文基于本体的合成方案及应用学位申请人姓名赵海涛培养单位长沙理工大学导师姓名及职称龙鹏飞教授学科专业计算机软件与理论研究方向软件工程论文提交日期年月学校代号学号密级公开长沙理工大学硕士学位论文基于本体的合成方案及应用学位申请人姓名赵海涛导师姓名及职称龙鹏飞教授培养单位长沙理工大学专业名称计算机软件与理论论文提交日期年月论文答辩日期年月答辩委员会主席施荣华教授,长沙理工大学学位论文原创性声明本人郑重声明所呈交的论文是本人在导师的指导下进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名日期年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权长沙理工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于保密，在年解密后适用本授权书。不保密。请在以上相应方框内打作者签名日期年月日导师签名日期年月日摘要定义了应用程序如何在上实现互操作性的套标准，它可以在网络中进行跨平台跨语言的描述发布查找以及调用。因此给应用程序的集成带来了方便，但是单个提供的功能毕竟有限，要想仅仅通过单的功能简单的交互来实现真正跨企业边界的应用集成是显然不够的，因此需要对已有的单个进行合成，从而形成新的以提供更多功能。本文的主要研究工作如下提出了种基于本体的动态语义合成的建模方法。该建模方法是把转化为本体的形式，在合成中利用的语义，从而实现动态语义合成。的语义分为两部分输入输出参数语义和功能语义。因此把本体建模分为两个步骤来实现输入输出参数建模和功能建模。首先提出的输入输出参数，将其表示为本体中类的形式，然后把的功能对应于本体中的属性，因为在本体中属性定义类之间的关系，因此通过属性可以判断产生这种属性的之间的关系，并且根据这些关系来确定能否合成。本体是建模的基础，如何构建本体直接关系到模块的质量。本文利用现在广泛使用的英语词库来构建本体。这样就可以避免进行重复的无意义的定义概念的工作，另外可以最大限度的消除各个领域间的语义冲突。首先将中同义词集合对应到本体中的类，然后定义这些类之间的关系来完成本体的构建。二提出了最佳路径合成算法。在的合成中，可能会有几个服务同时满足个要求，我们需要选择最合适的个来合成。这类似于最短路径算法算法中遇到的问题，但也有明显的区别。算法智能处理有向无环图中两点之间的单条最短路径问题，而合成中可能会涉及多条路径同时存在的问题，也就是个服务需要多个服务的输出才能执行，我们称之为多个服务问题。另外每个输入输出节点的元素个数可能不是唯的，这样就会产生系列的问题，我们称之为多个输入问题。因为我们从算法出发，加入对这两个问题的处理形成在合成领域中的最佳路径合成算法。另外该算法可以根据多种选择策略来选择，比如价格，执行时间等。实验表明与没有选择策略的合成算法相比，此算法能显著提高的合成质量，并且在些情况下，响应时间要比没有选择策略的合成算法要好。三实现了动态自动合成原型系统。在现有技术等基础上实现了动态自动合成原型系统，设