导读:本文包含了组织型膜算法论文开题报告文献综述及选题提纲参考文献，主要关键词:组织型膜系统,划分聚类,K均值,入侵检测
组织型膜算法论文文献综述
王少霖[1]（2019）在《基于组织型膜系统的划分聚类算法研究与应用》一文中研究指出膜计算为我们提供了一种新型的,可以进行海量数据处理的计算模型。膜计算具有分布式、极大并行性、海量储存性和非确定性等特点,将膜计算应用于聚类中,会在保证聚类质量的前提下大大提高聚类效率。本身划分聚类算法思想简单,时间复杂度较低,运行所需时间较短,可以对海量数据进行处理,而且在其他方面应用也比较广泛。但是划分聚类算法对于初始聚类中心的选取较为敏感,划分聚类算法的聚类质量很大程度取决于初始聚类中心的选择。本文考虑改进初始聚类中心敏感的问题,并与膜计算结合构造新型算法。本文首先详细介绍了研究背景与研究意义,分别对膜计算和划分聚类的国内外发展现状作了综述,对膜计算与划分聚类结合的研究现状与发展进行了介绍,然后对组织型膜系统及划分聚类进行概述。本文首先提出了一种基于环状膜结构的组织型膜系统,并通过一个简单的例子研究了该系统的聚类质量,其次进行了划分聚类算法的改进并与基于环状膜结构的组织型膜系统结合应用于网络入侵检测。主要研究内容如下:一是将组织型膜系统进行了改进,将环状膜结构引入组织型膜系统中,设计了一种基于环状膜结构的组织型膜系统,在此膜系统中,每个膜的作用单一,分工明确,执行效率有极大的保证。二是提出了基于CSTP系统的IKM算法,对传统的随机选择初始聚类中心的方法进行改进,使得对于任何数据集,K均值算法可以以极快的速度确定初始聚类中心,并且提出了变异策略以优化算法的运行结果。叁是提出基于CSTP系统的HCBP算法,对K中心点算法的迭代过程中聚类中心点的选择进行了改进,代价函数的计算更新了公式,将K中心点算法与K均值算法结合,用于K均值算法结果的进一步优化。并与基于环状结构的组织型膜系统,提出了基于该系统的混合划分聚类算法。四是将CSTP-HCBP算法与CSTP-IKM算法应用于网络入侵检测,对实验数据KDDCUP99进行检测。入侵网络检测主要是通过对网站中的重要数据进行采集,技术分析,从而对其行为是正常行为还是入侵攻击行为进行判定。(本文来源于《山东师范大学》期刊2019-06-01）
刘庆飞[2]（2019）在《基于组织型膜系统的改进遗传算法研究与应用》一文中研究指出膜计算(Membrane Computing,MC)作为自然计算中一个相对年轻的分支,它是从细胞、组织以及器官的结构和功能中抽象出来的计算模型,具有极大并行性、分布式、非确定性等特点。膜计算为生物分子计算以及非传统计算提供了一个新的计算框架。目前,膜计算已被广泛地应用于众多领域。遗传算法是通过模拟自然界生物进化论而成的并行随机搜索优化方法。遗传算法作为进化计算(Evolutionary Computing,EC)领域内发表研究成果最多的分支,是进化计算体系的中心。MC和EC都是自然计算领域内非常重要的分支,探索两者的交叉研究方向具有广阔的前景和重要的意义。本文探索膜计算与遗传算法的交叉应用,探究进化算法在膜计算上的实现问题。数据挖掘的任务之一是发现一堆数据中的相似模式,并对其进行定量化描述。聚类分析属于无监督机器学习的一种,聚类分析就是依据某种度量相似性标准,将特征相似的样本归为一类,从而使得类内差异较小,类间差异较大。聚类分析本质上是一种优化问题。膜计算凭借着自身分布式并行的特征,在解决复杂优化问题方面有不可比拟的优势。物流配送中心在商品流通系统中起着关键作用,是供货点与需求点之间的桥梁,如何优化配送中心位置的选取,对于降低企业的物流成本、促进企业长远发展具有显着的现实意义。因此,研究物流配送中心选址问题具有重要的战略意义。本文的创新点主要包括:(1)受经典神经网络输入层、隐含层、输出层结构的启发,设计了一种叁层拓扑结构的组织型P系统,每一层细胞内含有不同的规则,彼此间分工配合相互交流,最终结果保留在输出层细胞中。(2)设计了基于浓度的选择算子,并将精英策略加入到寻优过程中,解决了遗传算法进化过程中种群多样性降低的问题,并将改进后的CGA算法与组织型P系统相结合形成TPCGA算法。(3)设计了新的自适应遗传算子,改进后的遗传算子根据进化代数和个体的适应度值自适应的调整交叉概率和变异概率,并将Metropolis采样技术加入到遗传算法中,以增强遗传算法的局部搜索能力,将改进后的算法与组织型P系统相结合形成TPIAGA算法。(4)将改进后的算法分别用于聚类和物流配送中心选址中,并通过实验对算法的性能进行验证,进一步拓展了基于膜计算的智能算法在现实中的应用领域。(本文来源于《山东师范大学》期刊2019-06-01）
侯彩萍[3]（2017）在《基于组织型P系统的DNA-GA算法研究及其在聚类中的应用》一文中研究指出DNA-GA算法本质上是建立在DNA编码上的遗传算法,是将进化计算领域和DNA计算相结合的一种表现形式。DNA-GA算法所采用的DNA编码方式与传统的二进制编码相比较起来更加灵活,并且还可以进行较多的遗传操作,这就使得DNA-GA算法相对于遗传算法来说,可以表达更多的遗传信息。所以DNA-GA算法能够在更大程度上克服GA算法所存在的某些局限问题,比如算法的早熟收敛、二进制海明悬崖问题等,因此DNA-GA近些年受到学者们的广泛关注。当下设计出更有效的DNA-GA算法,为人类研究做出贡献,具有很强的理论和现实意义。膜计算又称P系统,是从生物细胞、组织或器官的功能和结构中抽象出来的具有分布式的并行计算模型。从计算效率角度来看,P系统能够在线性时间内求解NP难问题,因此能够在计算智能方面为人们提供较多的方便。到目前为止,膜计算已被广泛应用于众多领域,例如:计算机科学,生物学,语言学,近似优化,计算机图形学,经济学,密码学等。膜计算的应用研究相对于理论方面研究,目前尚处于初级阶段,学者们期待P系统在应用领域上会有突破性进展。聚类分析属于无监督学习的一种技术,也就是说本身具有独立的学习能力。聚类的整个过程可以描述为:将整个数据空间中的每个对象根据欧式距离分别划分到不同的簇中,距离较近的对象会被划分到相同的簇中,反之距离较远的对象会被划分到不同的簇中,最终使得同一类中的对象尽可能地相似而不同类中的对象尽可能地不同。随着聚类分析的研究发展,其在模式分析、机器学习、数据挖掘、文档检索、图像分割、模式识别等领域都有十分广泛的应用。本文就是在以上所述的理论前提下,以膜计算模型中的组织型P系统为基础,提出了基于组织型P系统的DNA-GA算法(TPDNA-GA)。主要涉及叁部分的创新:一、对基本DNA-GA算法中涉及的遗传操作进行部分修改,提出了基于新型重构交叉算子的改进DNA-GA算法;二、将改进后的DNA-GA算法与组织型P系统相结合,结合的主要目的是利用组织型P系统的极大并行性和膜规则来提高DNA-GA的性能,其中包括了对适应度函数的定义及膜规则的改进,从而寻找到等待处理的数据集的最佳聚类结果。并且本文利用叁个标准测试函数对所提出新算法的性能进行了有效性验证;叁、将TPDNA-GA算法与K-means相结合进行了相关研究与对比分析,并利用标准测试集进行了算法性能分析;最后本文将该TPDNA-GA算法的聚类过程应用在处理Web文档中,提出了具体的文档聚类应用过程,并且利用Reuters-21578中的数据进行实验,对聚类精确度进行验证和比较,证明该算法能够为人们在日常工作中查询文档提供方便。(本文来源于《山东师范大学》期刊2017-06-12）
组织型膜算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
膜计算(Membrane Computing,MC)作为自然计算中一个相对年轻的分支,它是从细胞、组织以及器官的结构和功能中抽象出来的计算模型,具有极大并行性、分布式、非确定性等特点。膜计算为生物分子计算以及非传统计算提供了一个新的计算框架。目前,膜计算已被广泛地应用于众多领域。遗传算法是通过模拟自然界生物进化论而成的并行随机搜索优化方法。遗传算法作为进化计算(Evolutionary Computing,EC)领域内发表研究成果最多的分支,是进化计算体系的中心。MC和EC都是自然计算领域内非常重要的分支,探索两者的交叉研究方向具有广阔的前景和重要的意义。本文探索膜计算与遗传算法的交叉应用,探究进化算法在膜计算上的实现问题。数据挖掘的任务之一是发现一堆数据中的相似模式,并对其进行定量化描述。聚类分析属于无监督机器学习的一种,聚类分析就是依据某种度量相似性标准,将特征相似的样本归为一类,从而使得类内差异较小,类间差异较大。聚类分析本质上是一种优化问题。膜计算凭借着自身分布式并行的特征,在解决复杂优化问题方面有不可比拟的优势。物流配送中心在商品流通系统中起着关键作用,是供货点与需求点之间的桥梁,如何优化配送中心位置的选取,对于降低企业的物流成本、促进企业长远发展具有显着的现实意义。因此,研究物流配送中心选址问题具有重要的战略意义。本文的创新点主要包括:(1)受经典神经网络输入层、隐含层、输出层结构的启发,设计了一种叁层拓扑结构的组织型P系统,每一层细胞内含有不同的规则,彼此间分工配合相互交流,最终结果保留在输出层细胞中。(2)设计了基于浓度的选择算子,并将精英策略加入到寻优过程中,解决了遗传算法进化过程中种群多样性降低的问题,并将改进后的CGA算法与组织型P系统相结合形成TPCGA算法。(3)设计了新的自适应遗传算子,改进后的遗传算子根据进化代数和个体的适应度值自适应的调整交叉概率和变异概率,并将Metropolis采样技术加入到遗传算法中,以增强遗传算法的局部搜索能力,将改进后的算法与组织型P系统相结合形成TPIAGA算法。(4)将改进后的算法分别用于聚类和物流配送中心选址中,并通过实验对算法的性能进行验证,进一步拓展了基于膜计算的智能算法在现实中的应用领域。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
组织型膜算法论文参考文献
[1].王少霖.基于组织型膜系统的划分聚类算法研究与应用[D].山东师范大学.2019
[2].刘庆飞.基于组织型膜系统的改进遗传算法研究与应用[D].山东师范大学.2019
[3].侯彩萍.基于组织型P系统的DNA-GA算法研究及其在聚类中的应用[D].山东师范大学.2017