网格服务中基于GEP的资源自学习选取算法

在网格服务中,为有效地在域内合理选取恰当的资源分配给“服务消费者”,提出了基于基因表达式编程(GEP)的网格资源自学习选取算法。算法通过采样网格资源历史分配情况进行合理评估与挖掘后,达到对网格资源分配失效、网格资源能力等进行预测,故解决了原传统算法因需要依赖专业知识,而使资源的选取和分配过程具有主观性和盲目性的问题。最后,通过实验对基于传统遗传算法的选取方式和基于GEP的算法的选取方式予以比较,表明该算法确有其优越性与实用性。     

基于并行基因表达式编程的网格资源分配算法

 网格下的资源分配属于NP-难问题.为了更好地解决这个问题,文中首先提出了网格资源分配模型,并对资源个数与任务个数的三种不同情况进行了详细的分析,最后提出基于并行基因表达式编程的网格资源分配算法(Grid Resource Allocation Algorithm based on Parallel GEP,GRA-PGEP).该算法采用了基于资源与任务相关的非线性的编码方式和反转操作,同时应用粗粒度模型设计了该算法.仿真实验表明,GRA-PGEP算法在优化成功率、平均收敛代数以及耗时方面都要优于传统的GEP和GA算法.     

基于基因表达式编程的多数据流压缩并行算法

针对大规模数据流需要巨量存储空间,以及串行处理速度瓶颈,着力于解决处理后的精确度及数据压缩.在并行平台下,利用阈值滑动窗口技术将数据流分段送入各处理器,并使用基因表达式编程（Gene Expression Programming,GEP）的函数发现算法实现对数据模型的函数挖掘,提出了基于基因表达式编程的多数据流压缩并行函数替代算法PFR-GEP（Parallel Function Replace-GEP）.在PC机群上的实验结果表明：该算法有效提高了压缩比例与运算速度,且具有线性加速比.     

基因表达式编程和K-Means融合的雷达信号分选

为了解决聚类算法需要较多的先验知识,不能自动进行聚类的问题,提出了基因表达式编程和K-Means融合的雷达信号分选算法。从介绍基因表达式编程和K-Means聚类算法的特点出发,针对雷达信号的实际情况,对两种算法进行了优化融合,并通过模拟雷达辐射源数据进行了仿真验证,仿真结果表明该算法在不需要任何雷达辐射源先验知识的情况下即可自动完成聚类分选,具有98.3%的聚类分选精度和较快的收敛速度,其较高的分选精度在电子情报侦察系统上有着广阔的应用前景。     

基于动态规划的多目标检测前跟踪算法

本文针对低信杂比条件下的多目标检测与跟踪问题,提出了一种基于动态规划的多目标检测前跟踪算法.该算法能够比较准确地估计搜索空间中潜在的目标数量,并且最佳地分离出每个目标的航迹,从而较好地解决了以往检测前跟踪算法在目标数量未知的条件下容易出现漏警和虚警较多的问题.     

基于基因表达式编码算法的红外图像轮廓提取

针对红外图像轮廓特征信息提取的特点,提出基因表达式编码算法.首先建立基因表达式编码规则,求出最大的基因编码空间以及基因编码个数;接着把红外图像像素集合与染色体基因序列构建映射关系,不同的基因编码则代表不同的像素值,适应度函数大的基因参与数据优化,最后给出了红外图像轮廓特征信息提取评价函数以及算法过程.实验仿真得出基因表达式编码提取的红外图像轮廓没有伪吉斯效应,时效性快,边缘点保持指数接近理想状态.     

基因表达式编程在分形图像压缩编码中的应用

针对目前存在图像压缩率不高、全局搜索或遗传算法寻找最优分形图像压缩编码速度慢的不足,将基因表达式编程应用于分形图像压缩编码,提高求解分形图像压缩编码速度和压缩比.首先从理论上对二值图像压缩编码的求解过程和基因表达式编程在压缩编码中的作用机理进行分析;然后,研究分形图像压缩编码的基因和染色体的表示方法,适应度函数设计以及选择、变异、插串、基因变换、基因重组等基因遗传进化操作过程.提出基因表达式编程的分形图像压缩算法,求解分形图像压缩编码的最优解.实验结果表明,基因表达式编程应用于分形图像压缩编码,具有较强的全局寻优能力,搜索最优解的速度比遗传算法快约2倍,图像压缩率高.     

基于遗传算法的基因分类

独立分量分析(ICA)是应用于基因分类的一种统计方法.但独立分量分析中的估计分离矩阵算法主要采用了随机梯度算法、自然梯度算法,这些基于梯度下降的寻优算法很容易陷入局部极值,所得结果不精确.本文提出了一种基于遗传算法的基因分类算法,其基本思想是利用遗传算法代替独立分量分析中的传统的估计分离矩阵算法,对基因表达式数据进行分类,从而克服了结果不精确的问题.分析和实验结果表明,该分类方法获得了更好的分类效果.     

基于模拟退火的并行基因表达式编程算法研究

本文提出一种基于GEP的混合并行算法,将模拟退火机制与遗传机制结合,以提高算法跳出局部最优的能力;同时引入多种群策略和迁移算子,实现了运行于一定规模处理器内的粗粒度可扩展并行计算.对序列推理、函数发现和太阳黑子预测三组数据测试,与用基本GEP算法的结果进行对比,实验表明改进的算法具有更强的寻优能力和更高的稳定性.     

基于多子群竞争进化规划算法的光纤光栅设计

从光栅传输矩阵分析法出发,提出了一种基于多子群竞争进化规划算法的光纤Bragg光栅(FBG)设计方法,进而设计了用于滤波的均匀FBG和用于色散补偿的啁啾FBG(CFBG)的结构参数.结果表明,本文设计方法可直接确定FBG的结构参数,在不同的设计精度要求下所设计的FBG分析曲线与目标曲线吻合很好,所采用算法具有比传统的进化规划算法快几10倍的收敛速度和更好的稳定性.     

基于遗传算法的直觉模糊多目标规划

提出了一种基于遗传算法的直觉模糊多目标规划模型.首先,定义了目标函数和约束函数的隶属和非隶属函数;其次,通过直觉模糊"最小-最大"算子,提出直觉模糊多目标规划模型;然后,用遗传算法进行求解,使之适应线性和非线性的情况,具有通用性;最后,通过一个算例表明,直觉模糊多目标规划的性能优于模糊多目标规划.     

An Algorithm of Programming Data Flow Analysis Based on Data Flow Expresion

１ＩｎｔｒｏｄｕｃｔｉｏｎＴｈｅｓｔａｔｅｍｅｎｔｓｉｎｐｒｏｇｒａｍｓｈａｖｅｔｈｒｅｅｋｉｎｄｓｏｆｉｎｆｌｕｅｎｃｅｓｏｎｖａｒｉａｂｌｅｓｔｏｔａｌｙ：ｄｅｆｉｎｉｎｇｖａｒｉａｂｌｅｓ，ｍａｋｉｎｇｔｈｅｖａｒｉａｂｌｅｓｈａｖｅｄｅｆｉｎ...     

一种压缩DFA的高效FPGA实现

目前,面向网络流实时处理的正则表达式匹配技术面临两方面的挑战:一方面,复杂或大规模规则集会导致DFA存储空间爆炸的问题;另一方面,传统计算机的串行DFA匹配技术很难满足对高速主干网的线速深度包检测。本文提出了一个基于改进游程编码的DFA压缩算法,并在FPGA上高效实现了该压缩DFA的匹配引擎。测试结果表明规则集的单个DFA的吞吐率均大于800Mbps,在FPGA块内存最大利用率情况下的理论最大吞吐率达到49.5Gbps。     

一种基于二阶Markov目标状态模型的多帧关联动态规划检测前跟踪算法

传统的动态规划检测前跟踪(Dynamic Programming Track-Before-Detect,DP-TBD)算法在每一阶段的数据关联中,仅用当前帧的观测数据与前一帧的指标函数进行关联积累,对目标状态在连续相邻帧间的相关性以及目标运动特征的考虑不充分,这样在低信噪比时,容易发生目标关联错误,严重影响了DP-TBD算法的检测和跟踪性能。针对此问题,该文提出了一种基于二阶Markov目标状态模型的DP-TBD算法,该算法以目标状态的条件概率比最大为准则,采用二阶Markov模型描述目标状态的相关性,并根据目标运动特征给出了一种与目标转弯角度相关的状态转移概率模型。在此基础上,实现了多帧数据关联的DP-TBD算法。通过仿真实验与传统的DP-TBD算法进行了比较,验证了该算法的检测及跟踪性能。     

构造TCM好码的动态规划算法

本文提出了一种构造ＴＣＭ 好码的动态规划算法（ＤＰ）,ＤＰ算法在建立了ＴＣＭ 好码构造规则、编码器及信号网格图间的对应关系的基础上,采用动态规划算法进行寻优,从而获得ＴＣＭ好码。与常规ＴＣＭ 好码构造算法相比,本算法在精度、计算复杂度、灵活性上均有所改进     

基于进化规划的ATM网络优化路由算法

根据ATM网络承载业务的特性，提出了以最小化全网平均信元丢失率为目标函数，以途经交换节点数目为约束的优化路由准则，并应用进化规划方法求解此优化问题。     

基于差分演化算法的自适应无迹卡尔曼滤波

该文在分析无迹变换缩放参数选择方法的基础上,通过对几种缩放参数选择方法的对比分析后,确定以缩放参数选择作为优化目标,将差分演化算法(Differential Evolution, DE)应用到无迹卡尔曼滤波(Unscented Kalman Filter, UKF)计算中,选择每时刻滤波误差最小的缩放参数。提出了基于差分演化算法的自适应无迹卡尔曼滤波算法。通过实验表明,这种自适应策略不仅能够有效提高UKF的精度,避免使用固定缩放参数时可能造成的滤波随机发散;而且不受缩放参数个数限制,可以应用到任意形式的UKF中。     

Gene Expression Data Classification Using Laplacian Eigenmap Based on Improved Maximum Margin Criterion

To deal with the insufficiency problem of Laplacian eigenmap （LE） method and Maximum margin criterion （MMC） method in feature extraction, a new dimensionality reduction method called Laplacian eigenmap based on Improved maximum margin criterion （LE/IMMC） is proposed with applications in gene expression data classification. The LE/IMMC intends to constrain similar data points as close to each other as possible and maximize the margin regions between different pattern classes simultaneously. The proposed LE/IMMC by introducing IMMC into the cost function of LE retains the characteristic of local neighborhood relationship of LE. Meanwhile, it emphasizes the discriminative information by incorporating IMMC, which can maximize the betweenclass scatter and minimize the within-class scatter. Gene expression data classification experiments on four public datasets demonstrate our method is effective for feature extraction.     

基于双层模糊规划的电子干扰资源优化分配算法

电子干扰资源分配决策是一个双层规划问题,而且在复杂电磁环境下的作战过程中存在着大量的不确定因素。在综合考虑这些因素的条件下,建立了基于双层模糊机会约束混合整数规划的干扰资源优化分配模型。根据可能性测度理论得到双层混合整数规划模型,然后通过求解有限个混合整数线性规划问题,来获取模型的最优解。算例表明了方法的有效性。     

基于序列二次规划的粒子滤波算法

针对传统粒子滤波(PF)没有引入当前信息,并存在粒子退化的问题,提出了一种基于序列二次规划(SQP)多级优化的PF 算法。首先,基于残差分布特性采用置信区间剔除较大偏差粒子,调整粒子权值分布;然后,将重采样后的粒子映射到集合U,根据集合U 中各粒子复制次数建立多级优化模型,通过SQP 求解模型的参数值,当前后两级模型优化参数差异小于门限时,输出最后一级优化参数为滤波结果;最后,为防止过度采样导致粒子退化,利用滤波值及其协方差采样新粒子。仿真实验表明:SQP鄄PF 算法在跟踪精度,粒子多样性方面优于传统PF 算法。