动态无级网状态概率的卷积算法

通过对集中控制、状态相关控制方式的动态无级交换网进行模型化,提出了一种求解电路群状态概率的精确算法——卷积算法.算法的关键是一个全局状态相关到达转换为局部状态依存输入过程的公式.本方法的计算结果不仅可以方便地求得网中任意端对间各种阻塞概率以及电路群的效率等性能分析参数,而且还可以仅对所关心的端对进行局部评价,从而避免了由状态转移概率矩阵导出系统稳态概率的复杂计算.     

基于有效期望质量度量的图像混合丢包保护方法

针对现有基于交织器结构的不等丢包保护方案通常以端到端期望质量度量系统性能，而没有考虑最小质量要求的问题，提出了以有效期望质量度量系统性能的新判据，有效期望质量定义为扣除传输失败情况后接收端得到的期望质量，基于此新判据，提出了一种双向局部搜索的信源／信道码率分配算法，采用双状态马尔可夫网络模型，通过对SPIHT和JPEG2000编码器产生的码流数据进行仿真实验，结果表明，新算法与基于端到端期望质量度量的原算法相比能显著提高有效期望质量，降低传输失败事件发生的概率，同时计算复杂度也明显减小。     

加速硬件木马检测方法研究

为有效检测出芯片在设计和外包制造过程中是否被插入硬件木马电路,提出一种在芯片设计阶段插入二选一数据选择器(MUX)来提高电路节点转移概率的方法.即在电路中转移概率低于转移概率阈值的候选节点的主要输入端插入MUX来提高相关节点的转移概率,从而实现加速电路中硬件木马的检测.通过对扇出锥和电路逻辑拓扑结构的分析,选择对整个电路转移概率影响最大的节点作为候选节点,实现对MUX插入算法的优化,从而减少MUX的插入数量.同时增加关键路径延时限制,避免电路关键路径延迟超过预先设定的阈值.将预先设计的硬件木马电路的输入端插入在电路中转移概率较小的节点,并向电路输入端输入激励信号,分析计算在MUX插入前后电路转移概率变化以及硬件木马电路的激活概率.ISCAS'89基准电路的实验结果表明:在插入MUX之后,电路整体转移概率显著提高,电路中转移概率小于转移概率阈值的节点数明显降低;被插入在电路中的硬件木马被激活的概率显著提高;电路关键路径延时增加百分比控制在预先设定的比例因子之内.     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法，该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点．在迭代过程中，粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度．通过变异，粒子可有效地探索新的空间领域，从而可以有效地避免陷入局部最优解．Benchma呔函数实验结果表明，优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力．     

状变动态选路的神经网络算法

吸收一些电路交换网动态选路算法的优点,提出了基于神经网络Ｈｏｐｆｉｅｌｄ模型的状变突时选路算法。该模型全面集成了网管中心监控的话务数据,网路状态和电路保留策略,在对中继线群阻塞概率矩期预测的基础上优化全网动态路由。模型的设计尽量接实际,又充分考虑硬件的可实现性。     

进化状态判定与学习策略协同更新的二进制粒子群优化算法

针对二进制粒子群算法存在收敛速度较慢及易早熟的问题,提出一种进化状态判定与学习策略协同更新的二进制粒子群优化算法(ELBPSO),将粒子群迭代过程分为收敛和跳出局部最优两个状态,在进化状态判定的收敛状态阶段采用全信息(Fully informed)学习策略来提高收敛速度,对进化状态判定的跳出局部最优状态阶段采用局部信息(Singly informed)学习策略以维持种群多样性,使算法不易陷入局部最优。实验结果表明:ELBPSO算法具有更好的收敛速度和精度,可以有效平衡收敛与跳出局部最优。     

多策略融合的黄金正弦樽海鞘群算法

针对樽海鞘群算法（Salp Swarm Algorithm，SSA）收敛性能差、容易陷入局部最优等问题，提出了多策略融合的黄金正弦樽海鞘群算法（Golden sine Salp Swarm Algorithm with Multi-strategy，MGSSA）.首先采用选择反向学习策略对种群中完全偏离最优个体寻优方向的个体计算选择反向解，改善种群质量；然后在跟随者位置更新阶段加入最优个体和精英均值个体引导，以加快算法收敛速度；最后根据概率选择黄金正弦算法变异策略，进一步改善解的质量，同时便于算法后期跳出局部最优.本研究在14个基准测试函数上进行实验，与其他群智能优化算法和其他改进樽海鞘群算法对比，将其应用于拉压弹簧设计问题测试解决工程优化问题的性能.结果表明：MGSSA具有较高的收敛精度和稳定性，在求解工程问题时性能良好.     

基于学习理论的改进粒子群优化算法

论文针对粒子群算法容易陷入局部最优的问题,提出基于学习理论的粒子群算法(L-PSO).该算法通过为粒子群全局最优粒子设定最大周期限制,使达到最大周期的全局最优粒子可以被取代,同时利用聚类的思想对粒子群进行分组,通过随机选择两个组中心,以一定概率进行交叉变异,生成竞争粒子并替换达到最大周期的全局最优粒子,能够较好地避免算法陷入局部最优,提高算法的收敛速度.在基准测试函数集上的测试结果表明该算法有效.     

一种基于校正因子的自适应简化粒子群优化算法

针对已有粒子群算法中全局搜索和局部搜索存在盲目性和滞后性以及粒子的早熟收敛等问题,提出了一种基于校正因子的自适应简化粒子群优化算法。该算法在简化粒子群算法基础上,以粒子间平均粒距大小作为触发条件,对惯性权重、平均个体极值和全局极值进行自适应扰动。校正因子可以根据当前粒子群个体信息和全局信息自适应调整,从而完成对当前粒子状态及时准确的更新,最终使粒子可以准确而快速的找到全局最优解。对3种典型测试函数的测试结果表明该算法具有较高的全局和局部搜索能力、能够有效地避免算法陷入局部极值,是一种实用且高效的粒子群改进算法。     

Ad-Hoc中一种多对多通信的传输群调度机制

为解决Ad-Hoc多源端和多目的端场景下已有的传输群调度机制通信冲突严重的问题,分析了Ad-Hoc网络中多对多场景下传输群中不同传输区域发生事件F和事件F'_k(k=2,3,4)的概率,在基于两跳的f-cast中继算法的基础上设计了一种适用于多对多场景下的传输群调度机制,该传输机制根据上述两种事件发生的概率来调整相应区域内小区成为可通信小区的概率. 理论分析和仿真结果表明,提出的传输群通信调度机制在多对多通信场景下可以有效地减少通信冲突发生的概率,提高网络通信能力.     

自适应偏振模色散补偿中的新方法

本文提出了一种对基于对传统粒子群（CPSO）算法中的Gbest进行优化的新型粒子群算法（GOPSO）。与CPSO算法相比,GOPSO算法具有更高的收敛速度,需要更少的迭代次数得到可以接受的结果,具有较小的概率陷入局部极值,且易于在实时应用中实现。实验中,已经将GOPSO算法作为高速光纤通讯中偏振模色散自适应补偿系统的控制算法,实验数据表明,GOPSO算法的性能大大好于CPSO算法。     

非完整运动规划的粒子群优化算法

讨论了粒子群优化和非完整运动规划问题。首先对粒子群优化算法的性能进行了分析，发现当搜索空间的维数较高时，粒子群将收敛到子空间的一个局部最优点，而该点并不是整个搜索空间的局部最优点。通过引入变异算子，则可以改进粒子群优化算法的性能。在此基础上，提出了一种求解非完整运动规划问题的带变异算子的粒子群优化算法。仿真结果表明，对于30维的球形函数，无变异操作的粒子群优化算法不能得到问题的最优解，而最优解可以非常容易地由带变异操作的粒子群优化算法得到。对独轮移动机器人非完整运动规划问题进行了仿真。结果表明，粒子群优化算法比牛顿法更有效。     

在信息传输系统中计算概率状态的过渡值和稳定值的一种新方法

研究了信息传输系统中的概率状态的一种新算法，在设计多信道的系统中，所用的概率状态矢量维数是很大的，为了提高计算速度，计算方便，减少内存，同时提高计算精度，该新的算法能满足上述要求，因此可广泛用于工程计算中，是有实用价值的一种新算法。     

水系统优化的粒子群算法分析

针对水系统集成优化问题,采用4种粒子群算法进行求解,并对算法进行了改进。通过算例分析了粒子群算法用于水系统优化时的计算特性。研究表明:在水系统集成优化时,基于混沌局部搜索的粒子群算法较适于该问题的计算。     

一种具有随机变异性质的粒子群协同优化算法

给出了一种具有随机变异特性的改进型粒子群协同优化算法,该算法克服了传统粒子群算法易陷入局部最优解且后续迭代过程速度慢的缺点.在迭代过程中,粒子的变异概率取决于粒子的适应度值以及当前所有粒子的聚集度.通过变异,粒子可有效地探索新的空间领域,从而可以有效地避免陷入局部最优解.Benchmark函数实验结果表明,优化后的粒子群算法比传统粒子群算法具有较快的收敛速度和较高的全局收敛能力.     

磷虾群优化的改进粒子滤波算法

标准的粒子滤波存在着权值退化问题,重采样可以解决权值退化问题,但也会带来样本贫化现象.为解决样本贫化问题,提出了一种利用磷虾群优化的改进粒子滤波算法.该算法结合粒子滤波的求解过程,以磷虾个体的诱导、觅食和随机扩散运动引导粒子向高似然区域移动.首先,将粒子滤波中粒子的状态值作为磷虾群的个体位置,从而将粒子的状态估计转化为磷虾群的寻优;其次,针对粒子滤波的特点,分析了磷虾算法中可以改进的参数,对磷虾算法中个体诱导、觅食运动的权值设计了新的动态更新策略,保证算法前期全局快速寻优后期局部精确寻优,同时为保持粒子的多样性,对磷虾个体进行遗传算法中的交叉操作,并设计了新的交叉概率更新公式;最后,在标准磷虾算法的基础上分析了改进算法的收敛性,并选用一种单静态非增长模型进行仿真试验. 仿真结果表明, 所提出的算法与标准粒子滤波以及粒子群、蝙蝠算法优化的粒子滤波相比具有更高的状态估计精度和更小的均方根误差,粒子的分布更合理.     

基于优化权集的数字集成电路随机测试

提出了一种基于确定性测试集的数字集成电路随机测试生成方法。通过将完备测试集分成若干子集，由每一子集计算产生子集中测试矢量的被测电路各主输入端取“1”值的概率组合即所谓的权集。通过减小测试子集生成概率的方差可以减少低生成概率的测试矢量数，进而减小在高故障覆盖率下的测试长度，该方法对大规模集成电路的内测试和外测试皆适用。     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

智能交通系统中车辆路径优化问题的研究

针对智能交通系统中的车辆路径优化问题,运用蚁群算法进行求解,并对状态转移概率公式的选择做出了调整,进一步对信息素挥发因子进行改进,从而改进了基本蚁群算法到一定阶段后容易陷入局部最优的缺点,提高了算法的运算速度。实例求解表明,改进蚁群算法在车辆路径优化问题中,可以快速有效地得到近似最优解。     

面向低电压供电数字电路的容错计算系统结构设计

为实现低功耗设计,数字电路的工作电压被不断降低,使得电路计算呈现概率特性.针对电路概率特性的实际应用,提出了将缩短精度冗余(RPR)算法与三模冗余(TMR)算法和冗余余数系统(RRNS)纠错算法结合的错误容忍的DSP系统设计方法,即RPR-TMR结构和RPR-RRNS结构;比较分析了PR-TMR和RPR-RRNS结构的综合性能,在低电压供电条件下该结构可以改善电路的性能,从而为概率器件在DSP中的应用提供了一种可行的设计思路.