带有间隙约束的模式匹配问题是序列模式挖掘的关键问题之一.目前,大多数的研究都为非负间隙,对字符串中每个字符的出现顺序有着严格的要求.为了增加匹配的灵活性,并且考虑到在序列模式挖掘中采用one-off条件更加合理,研究一般间隙与one-off条件下的模式匹配问题.该问题为NP-Hard问题.为了有效地求解该问题,提出了MSAING(maximum sequential pattern matching with one-off and general gaps condition)算法:首先,利用Reverse策略使模式与序列达到最佳的匹配状态;然后,使用线性表的结构使匹配过程中消耗的时间和空间大幅度地降低,同时,利用回溯机制提高匹配的成功率;最后,根据inside_Checking机制判断模式串是否会产生内部重复现象,以进一步提高算法的执行效率.理论证明了MSAING算法的完备性,实验结果验证了MSAING算法匹配结果的准确性以及在时间和空间方面的高效性.
针对粒子群算法(Particle Swarm Optimization,PSO)易陷入局部极值的缺陷,提出了一种新的自适应惯性权重混沌PSO算法(a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight,CPSO-NAIW)。首先采用新的惯性权重自...
详细信息
针对粒子群算法(Particle Swarm Optimization,PSO)易陷入局部极值的缺陷,提出了一种新的自适应惯性权重混沌PSO算法(a New Chaos Particle Swarm Optimization based on Adaptive Inertia Weight,CPSO-NAIW)。首先采用新的惯性权重自适应方法,很好地平衡粒子的搜索行为,减少算法陷入局部极值的概率,然后在算法陷入局部极值时,引入混沌优化策略,对群体极值位置进行调整,以使粒子搜索新的邻域和路径,增加算法摆脱局部极值的可能。最后,实验结果表明,CPSO-NAIW算法能有效避免陷入局部极值,提高算法性能。
暂无评论