基于ROAM算法的动态地形可视化研究

地形可视化是战场环境可视化仿真系统的重要组成部分,动态地形可视化是动态战场环境可视化仿真的重要内容.介绍了现有的地形可视化算法及其思想,包括几种主流的多分辨率实时地形可视化算法.重点分析了ROAM算法的网格表示方法、网格连续性算法和误差度量方法.在现有的实时静态多分辨率算法中,ROAM算法是最易于扩展为实时动态多分辨率算法的算法.分析了动态ROAM算法[1]的思想,通过改进静态ROAM算法的网格表示,建立了一种适用于动态地形ROAM算法的半规则网格;通过引入过渡区,解决了动态半规则网格的连续性问题;建立了基于ROAM的动态地形可视化算法.最后通过一个动态壕沟的实例验证了算法的可行性.     

海量数据凸壳快速优化算法研究

分析描述加速凸壳算法的基本思想.在分析传统的加速凸壳算法的基础上,根据加速算法剔除内点的时机将加速算法分成静态加速算法和动态加算法.同时阐述了动态加速算法的应用条件,并将动态加速算法应于金字塔凸壳算法之中.通过大量实验数据对比说明动态加速算法对提高平面海量散乱点集的生成速度非常有效。     

基于NN改进PSO算法的机器人路径规划

本文介绍了基于神经网络和微粒群优化算法的移动机器人动态避障路径规划算法.通过神经网络改进的微粒群算法,充分利用了神经网络的融合性和并行性来提高微粒群算法中适应度函数的准确性.通过神经网络描述机器人工作空间的动态环境约束并找到最优的适应度函数,在微粒群算法中使用该函数,求得微粒群算法最优无碰路径.     

基于实时信息的动态应急资源调度模型

为利用实时的道路信息、救援状态信息和应急资源配置信息,以提高应急响应能力,建立了一个动态的应急资源优化调度数学模型.针对任意时刻的静态应急资源调度模型,利用遗传算法进行求解.考虑算法的实时性,通过变换时间变量t进行迭代计算,提出模型的动态求解算法.通过一实例对模型的算法进行了验证分析,结果证明了动态应急资源调度模型及其求解算法的有效性.     

Tomasulo算法与记分牌调度算法研究

为消除数据竞争,可通过旁路控制机构或其它技术手段来解决,但仍然不能从根本上消除数据竞争.针对数据相关的不可避免性,采用流水线的动态调度算法来解决数据竞争问题,常用的动态调度算法是Tomasulo算法和记分牌调度算法,分析了Tomasulo算法和记分牌调度算法的基本思想和算法实现,对他们的异同进行了分析说明,实验证明,动态调度算法具有很好的消除数据竞争效果.     

基于聚类分析的动态自适应入侵检测模式研究

针对传统的基于聚类分析入侵检测的研究大都通过改进算法增强入侵检测的效果,算法往往具有较高的空间和时间复杂度,算法参数大多通过人工尝试得到,参数的最优化和动态改变无法得到保证的问题,提出一种新的入侵检测模式,采用针对K-means算法的特点的预处理过程,充分利用K-means算法应用的具体环境,将可得到入侵信息指导K-means算法的执行.加快了算法的收敛速度,解决了K-means算法本身存在的问题.通过动态确定初始中心向量和半径阈值参数建立了一种动态自适应入侵检测模式.通过实验验证了这种检测模式是有效的,能有效检测某一种具体的入侵类型.     

动态学习深度神经网络综述

深度神经网络是一种非常有效的机器学习方法,然而传统的算法均无法处理动态问题.因此,介绍了一种最近提出的能够动态学习的深度神经网络永续学习机算法.该算法能够实现对新增数据的动态学习,并且算法执行速度较快.通过对文献的分析表明,该算法是一种拥有非常广泛应用价值的深度学习算法.     

求解动态车辆调度问题的混合禁忌搜索算法

对带时间窗的动态车辆调度问题进行分析,引入虚拟点和时间轴概念,建立基于时间轴的动态车辆调度模型,并提出基于C-W节约法和禁忌搜索的混合禁忌搜索算法进行求解.算法中使用动态方法构造候选解和动态禁忌长度的选取策略来提高算法的收敛速度,最后通过测试实例验证了该混合算法解决动态车辆调度问题的有效性和可行性.     

动态贝叶斯网络的灵敏性分析研究

灵敏性分析是研究复杂系统特性的一种重要方法.现有动态灵敏性分析方法都是针对特定类型的动态贝叶斯网络且计算复杂度高.为了对一般动态贝叶斯网络的灵敏性进行有效分析,提出了一种基于联合树的动态灵敏性分析算法(DSA_JT),DSA_JT算法构建动态网络的联合树,通过消息传播建立参数与目标结点的条件概率分布在时间上的函数关系;DSA_JT将联合概率分布分解成局部概率因式形式,通过降低计算幂次提升计算效率,但计算复杂度仍然偏高.为了更有效地提高动态贝叶斯网络灵敏性分析的计算性能,在DSA_JT算法的框架上提出了DSA_BK算法,DSA_BK算法在灵敏性函数计算过程中,用子系统的概率乘积近似整个系统的联合概率,通过对接口结点局部性的边缘化操作更新模型的联合概率分布,进一步降低了计算幂次,并论证了DSA_BK算法误差的有界性.进而,通过对这两种算法过程的抽象,分别给出了动态灵敏度函数计算公式的证明,表明2种算法可以有效处理一般动态贝叶斯网络的灵敏性分析问题.最后,在上证股票网络上的实验结果显示这2种算法的有效性.     

基于遗传算法与蚁群算法动态融合的网格任务调度

深入分析遗传算法和蚁群算法的机理,并结合网格任务调度的研究,提出基于遗传算法和蚁群算法动态融合的网格任务调度策略.该策略通过不同迭代次数中种群相似度的差值实现两种算法的动态融合.仿真实验表明该策略是可行的,并且具有高效性.     

基于约束区域神经网络的动态遗传算法

提出一种基于约束区域神经网络的动态遗传算法,将遗传算法的全局搜索和约束区域神经网络模型的局部搜索结合了起来.利用动态遗传算法确定神经网络模型的初始点,同时使用神经网络确定动态遗传算法的适应度函数.该算法具有一定的理论意义和生物意义.与标准的遗传算法相比,缩小了搜索规模,可获得不定二次规划问题更好的近似最优解.     

基于动态规划和遗传算法的混合算法研究

动态规划法和遗传算法是目前在水电站厂内经济运行中广泛应用的两种优化算法，文章提出了一种基于动态规划法和遗传算法的混合优化算法来分别解决大规模机组组合问题中空间最优化和时间最优化的计算机求解问题。避免了遗传算法计算速度缓慢的问题，又避免了动态规划法的“维数灾”问题。最后使用清江隔河岩水电站的4台机组的运行数据进行了仿真研究，并和完全使用动态规划法的结果进行了比较，获得了良好的效果，说明该混合优化算法对于厂内经济运行是一种可行的算法。     

基于动态自适应技术遗传算法的智能组卷策略

为克服经典遗传算法求解智能组卷时存在的盲目搜索、收敛速度慢和个体易"早熟"等缺点,文章提出了基于动态自适应技术遗传算法.利用求解问题的特征改进经典遗传算法的多个关键部分,采用动态自适应技术,提高算法的寻优速度.实验结果表明,采用改进式的自适应遗传算法实现的组卷策略具有收敛速度快、搜索精度高、鲁棒性强等特点,具有很好的性能与实用性.     

改进梯度算子的小生境遗传算法

为避免小生境遗传算法存在的早熟和收敛速度慢等问题,本文提出了一种改进的梯度算子,以保证进化朝最优解方向前进,提高计算峰值的精度。同时,利用进化代数和个体的适应度值,动态调整个体的交叉算子和变异算子,有效保证种群的多样性,改善全局搜索能力,加快收敛速度。将改进的梯度算子引入到基本小生境遗传算法和自适应小生境遗传算法,通过Shubert函数测试,证明本文改进后的算法与基本小生境遗传算法和自适应小生境遗传算法相比,不仅大大提高了收敛速度,并能搜索到所有全局最优解。     

基于动态岛屿群体模型的并行遗传算法

在科学计算领域，并行计算越来越成熟，并行遗传算法开始受到关注，文章分析了遗传算法并行化的动机和实现模型，提出了一种新算法－基于动态岛屿群体模型的并行遗传算法，仿真结果验证了这种新算法的有效性和合理性。     

处理动态优化问题的捕食元胞遗传算法

根据自然界中的捕食关系,提出一种捕食策略来代替元胞遗传算法中的演化规则,并构建了基于捕食策略的元胞遗传算法以处理动态环境下的优化问题.在元胞空间中,捕食者对其捕食范围内的被捕者进行猎取并捕获其中最弱的一个.对捕食策略中种群规模的相互关系进行了研究,通过引入正交交叉算子进一步提高了算法的搜索能力.选择不同强度、复杂度的动态优化问题进行算法性能验证,所得结果表明新算法具有良好的处理动态优化问题的能力.     

实体化视图动态选择预处理算法的研究

实体化视图是数据仓库中提高查询效率的有效手段，数据仓库运行期间，需要对其中的实体化视图进行维护，从而保证用户查询的响应时间较短。针对用于实体化视图动态选择的遗传算法收敛速度慢，运行时间长的问题，提出一种预处理算法来计算动态选择实体化视图时遗传算法的初始群体。理论分析和宴验结果表明，该算法可以有效地提高实体化视图动态选择时的寻优收敛速度。     

基于动态融合蚁群遗传算法的医学图像配准

将基于动态融合的蚁群遗传算法作为一种新的图像配准优化算法应用在多模医学图像配准中。该算法以互信息作为相似性测度,生成初始信息素分布,采用蚁群算法搜索最优变换参数,其中动态融合策略提高了混合算法的搜索效率。仿真实验结果表明,该算法有效地避免信息函数的局部极值,减少大量重复运算,提高了配准的效率,配准结果具有良好的稳定性。     

基于遗传算法的动态RWA问题的研究

针对WDM光传送网中的动态路由选择和波长分配(RWA)问题,提出了一种基于遗传算法的动态RWA方法。将遗传算法与相对容量影响(RCI)波长分配算法相结合,以实现对RWA算法的改进。仿真结果表明,与现有最短路径算法[1]相比,该算法能有效提高网络资源利用率,促进波长资源的合理分配。     

求解随机时变背包问题的精确算法与进化算法

随机时变背包问题(RTVKP)是一种新的动态背包问题,也是一种新的动态组合优化问题,目前它的求解算法主要是动态规划的精确算法、近似算法和遗传算法.本文首先利用动态规划提出了一个求解RTVKP问题的新精确算法,对算法时间复杂度的比较结果表明:它比已有的精确算法更适于求解背包载重较大的一类RTVKP实例.然后,分别基于差分演化和粒子群优化与贪心修正策略相结合,提出了求解RTVKP问题的两个进化算法.对5个RTVKP实例的数值计算结果比较表明: 精确算法一般不宜求解大规模的RTVKP实例,而基于差分演化、粒子群优化和遗传算法与贪心修正策略相结合的进化算法却不受实例规模与数据大小的影响,对于振荡频率大且具有较大数据的大规模RTVKP实例均能求得的一个极好的近似解.