混合优化算法

对连续函数的优化问题,本提出了一个模拟退火算法（ＳＡ）与ＰＯＷＥＬＬ直接算法相结合的混合优化算法（ＳＡ－Ｐ）,数值实验表明该算法是有效的。     

一种组合RSA算法

简述了基于乘同余对称特性的快速ＲＳＡ算法（ＳＭＭ）和递归余数和快速算法（ＲＳＲ），并对ＲＳＲ算法进行了简要分析。在两种快速算法的基础上提出了一种组合ＲＳＡ算法。定性分析表明，新算法比ＳＭＭ算法和ＲＳＲ算法速度更快。     

基于多层神经网络的盲均衡算法

提出了一种新的基于多层神经网络的盲均衡算法,神经网络的训练采用一种新的混合算法。该算法结合了Ｒｏｓａｒｉｏ算法与Ｓｏｌｉｓ和Ｗｅｔｓ的随机优化方法的优点,具有全局收敛特性。模拟结果显示,该算法比常量模板算法具有更快的收敛速度,性能优于线性均衡器和使用传统ＢＰ方法的神经网络均衡器。     

一种有效的微波电路CAD优化算法

本文叙述了一种基于ＤＦＰ算法的优化方法,选择ＤＳＣ－ＰＯＷＥＬＬ法和自选因子法作为该算法流程中的一维搜索和Ｈｅｓｓｉａｎ矩阵公式的具体实现,通过这些改进,提高了一维搜索的速度和精度,并解决了由于近似求导引入的计算误差,并利用ＳＵＭＴ混合罚函数法,使优化算法适用于有约束条件优化问题。应用于微波电路ＣＡＤ的优化结果证明了它的有效性和实用性。     

基于维度距离的混合属性密度聚类算法研究

DBSCAN算法是一种基于密度的聚类算法.针对该算法在处理混合属性数据上的不足,采用面向维度的距离的思想,对不同类型的数据定义不同的相似度度量方法和不同的相似度阈值,减少了对全局相似度阈值的依赖,提出了一种新的适合混合属性数据聚类的算法M-DBSCAN.仿真表明新算法有效解决了DBSCAN算法无法处理混合属性数据的缺点,对混合属性数据有较好的聚类效果.     

一种无需重新建模的特征编辑算法

介绍了一种对引用特征进行动态修改的编辑算法,这种算法基于Ｂ－Ｒｅｐ／ＣＳＧ混合表示的特征模型,可以保证存储在模型中的产品信息在特征修改操作完成后不会丢失,并且可以方便地实现修改过程中的约束驱动;提出了广义操作链表的概念和构造方法,实现了对造型操作的详细跟踪;利用索引表方法解决了广义操作链表对造型操作过程跟踪信息量过大的问题。本文所提出的算法已成功地应用在一个特征造型原型系统中     

自适应有源噪声控制算法研究

自适应有源降噪作为一种有源的降噪方法,已获得了广泛的应用,本文主要介绍研究有源噪声控制中的ＦＬＭＳ,ＦＲＬＳ算法,其中ＦＬＭＳ具有设备简单,易行和对无色噪声良好的收敛性等特点,是一种经典的自适应算法,而ＦＲＬＳ实现起来相对要复杂些,但是其对宽带信号和有色噪声的收敛性能较ＦＬＭＳ要好得多。计算机仿真结果验证了算法的有效性。     

LMS算法的最佳计算步长研究

ＬＭＳ算法在线性滤波中得到广泛应用,人们对其进行了许多研究,给出了算法收敛的充分条件和对固定计算步长的误差上下限算法,但以往对计算步长的定量研究尚很不充分。由于ＬＭＳ算法中权向量输入 数据的统计特性,迭代计算中应突出使用较近的历史数据。另外,由于ＬＭＳ算法是噪声梯度法,须使其计算步长逐渐缩小,以保证ＬＭＳ算法的稳态均方差趋向于系统的最小均方差。据此,提出一种估计最佳计算步长的新方法。新方法中将ＬＭ     

Powell搜索法和局部收缩微粒群算法的混合算法

提出一个求解无约束最优化问题的新的混合算法——Powell搜索法和惯性权重线性调整的局部收缩的微粒群算法的混合算法。该算法不需要计算梯度,容易应用于实际问题中。通过对微粒群算法的修正,使混合算法具有更加精确和快速的收敛性。主要目的是通过加入混合策略证明标准微粒群算法是能够被改进的。首先利用20个基准测试函数进行仿真计算并比较,计算结果表明,新混合算法在求解质量和收敛速率上都优于其它的3种算法(PSO,GPSO和NM-PSO算法)。同时将新混合算法和最新的各种协同的PSO算法进行分析比较,比较结果表明,新混合算法在解的搜索质量、效率和关于初始点的鲁棒性都远优于其他的进化算法。仿真结果证明了新算法是求解无约束最优化问题的一个高效的算法。     

基于ＧＰＵ的ＳＳＯＲ稀疏近似逆预条件研究

由于ＳＳＯＲ预条件共轭梯度算法中预条件方程求解需要前推和回代,导致算法迁移到ＧＰＵ 平台上并行效率不高．为此,基于诺依曼多项式分解技术,提出了一种ＧＰＵ 加速的ＳＳＯＲ稀疏近 似逆预条件子（ＧＳＳＯＲＳＡＩ）．它不仅保持了原线性系统系数矩阵的稀疏和对称正定特性,而且预条 件方程求解仅需一次稀疏矩阵矢量乘运算,避免了前推和回代过程．实验结果表明：在ＮＶＩＤＩＡ Ｔｅｓｌａ　Ｃ２０５０ＧＰＵ 上,对比使用Ｐｙｔｈｏｎ在单个ＣＰＵ 上ＳＳＯＲ 稀疏近似逆预条件子实现方法, ＧＳＳＯＲＳＡＩ平均快将近１００倍;应用到并行的ＰＣＧ算法中,相比无预条件的ＣＧ算法,平均提高了 算法的３倍的收敛速度