基于代理模型自适应选择的多目标大规模社区检测方法

    公开(公告)号:CN119151703A

    公开(公告)日:2024-12-17

    申请号:CN202411624897.5

    申请日:2024-11-14

    Applicant: 江南大学

    Abstract: 本发明涉及大规模社区检测技术领域,公开了一种基于代理模型自适应选择的多目标大规模社区检测方法,从待检测网络中选取核心节点来代表大规模社区网络,并初始化父代种群;利用多目标遗传算法对父代种群进行更新,并计算目标父代种群中每个个体对应的KKM与RC,构建KKM与RC样本空间,以便对候选代理模型池中的多种代理模型分别进行训练,基于代理模型的肯达尔系数Tau与斯皮尔曼系数Rho,选取目标代理模型,并对真实目标函数KKM和RC指导优化,获取最优目标代理模型对待检测网络数据进行社区检测,构建最优解集;基于最优解集中每个个体解的模块度评估指标选取最优解,并获取相应的划分方式对待检测网络进行社区划分。

    一种基于覆盖旅行商问题求解的急救队路径规划方法

    公开(公告)号:CN117172394B

    公开(公告)日:2024-05-03

    申请号:CN202310967878.1

    申请日:2023-08-03

    Applicant: 江南大学

    Abstract: 本发明公开了一种基于覆盖旅行商问题求解的急救队路径规划方法,属于人工智能的强化学习和组合优化领域。本发明通过设计覆盖注意力模块对顶点间覆盖关系建模,并动态地将顶点被访问的信息传递至覆盖集中的其他顶点,高效地捕获问题特征和时序特征;为了提高模型对于对称不变性的学习并增强构造解的能力,提出了基于实例增强的改进基线用于REINFORCE算法,无需引入额外的评论家网络,并且具备显存占用少,运算速度快的优势。实验结果表明,本发明在求解质量上相较现有DRL方法均有明显优势,在不同覆盖类型、不同数据分布的实验中也展现了极强的泛化能力,部分实例的求解质量甚至超越了传统启发式算法,并保持着数十倍的求解速度优势。

    一种基于精英结构策略的混合贝叶斯网络结构学习方法

    公开(公告)号:CN117391203A

    公开(公告)日:2024-01-12

    申请号:CN202311387928.5

    申请日:2023-10-24

    Applicant: 江南大学

    Abstract: 本申请公开了一种基于精英结构策略的混合贝叶斯网络结构学习方法,涉及贝叶斯网络结构学习方法领域,该方法在迭代学习混合贝叶斯网络结构的过程中,在每一个迭代周期首先使用改进的精英策略筛选出更优秀的精英个体组成精英集,然后基于精英集提取双精英结构、相对结构和趋向性结构来表征所有精英个体之间的异同信息,然后利用这些知识结构所反映的结构异同信息引导贝叶斯网络结构个体进行变异,从而引导种群变异向适应度更高的网络结构靠近,使得本申请的方法具有较好的收敛效果和较快的速度,可以更好的迭代学习并寻找到理想的贝叶斯网络结构。

Patent Agency Ranking