一种基于模拟退火的自适应算法

针对常规BP算法收敛速度慢和易陷入局部极小的问题,文章提出了一种新的BP算法———SASSFBP算法。该算法根据训练中最近两个梯度的符号及其相对大小来动态地改变权步因子,提高了神经网络的收敛速度,并同时结合模拟退火算法来避免陷入局部极小。仿真实验结果表明:SASSFBP算法在收敛速度与运算精度,以及避免陷入局部极小的能力等方面均明显优于常规的BP算法。     

Hanoi塔问题非递归的新算法

关于Hanoi塔问题的非递归算法,已有了大量的研究[1￣4]。实验表明,当圆盘数目较少时,现有的非递归算法的执行速度比递归算法要快一些,但是随着圆盘数目的增加,现有的非递归算法的执行速度会逐渐变得比递归算法慢。论文提出了一种基于压缩编码的非递归新算法,在压缩了存储空间的同时,提高了算法的执行速度。实验结果表明,对于任意圆盘数目n,论文所实现的非递归算法的执行速度比现有的递归算法和非递归算法都有成倍的提高。     

基于粗粒度模型的蚁群优化并行算法

为了改进蚁群优化算法的收敛速度,研究了一种基于粗粒度模型的并行蚁群优化算法,该算法将搜索任务划分给q个子群,由这些子群并行地完成搜索,可使搜索速度大幅度提高。实验结果表明,用该算法求解TSP问题,收敛速度比最新的改进算法快百倍以上。     

双适应函数单亲遗传算法

设计了一种新的双适应函数单亲遗传算法,该算法对个体和基因分别计算其适应值,并将适应值最差的基因进行变异,从而大大地提高了遗传算法的全局收敛速度。实验表明,该算法比只有一个适应值的传统遗传算法具有更快的收敛速度。     

一种单模式匹配算法

本文在介绍经典模式匹配算法BM算法及其改进算法BMH算法的基础上,提出了一种单模式匹配算法。实验表明,该算法有效的加快了模式匹配的速度,提高了匹配效率。     

一种改进的BP神经网络算法与应用

针对传统BP算法存在的收敛速度过慢、易陷入局部极小、缺乏统一的理论指导网络结构设计的缺点,分析了一般的改进算法在神经网络优化过程中存在的问题,从蚁群算法和BP算法融合的角度上,并引入了放大因子,提出一种综合改进的BP算法。该算法引入放大因子改善BP算法易陷入局部极小的情况,结合蚁群算法用于指导网络结构设计,并极大地改善了收敛速度过慢的问题。最后,将改进的BP算法与传统BP算法进行应用于煤矿瓦斯预测。通过对实验结果的分析,从时间和正确率上都表明改进的BP算法要优于传统的BP算法。     

基于快速收敛Grabcut的目标提取算法

为了加快Grabcut算法的收敛速度,提出了一种降低原图像分辨率以加快收敛速度的算法.该方法将原始图像的分辨率降低,在缩小图像上迭代Grabcut算法,使得收敛速度得到极大地加快.将收敛获得的目标区域作为原始图像初始值,并再次使用Grabcut算法,从而获得了目标的细节信息.从理论上证明了在降低分辨率图像上使用Grabcut算法,其Gibbs能量单调递减方向与在原图像上一致.同时实验结果表明了该算法收敛速度快,且目标提取的效果和原始的Grabcut算法相当.     

对Schoof算法加速方法的研究

介绍两种计算椭圆曲线离散对数的求解算法——袋鼠算法和BSGS算法,并比较了它们各自的特点。将它们应用于对Schoof算法的加速过程中,提出了加速后的算法。实验结果说明加速后可以获得很大的速度的提升。     

求解TSP问题的自适应模拟退火蚁群算法

针对蚁群算法易陷入局部最优,收敛速度较慢的问题,在最大-最小蚁群算法的基础上,提出一种自适应模拟退火蚁群算法。在高温阶段以一定概率接受次优解,优化每次迭代后的路径,增加算法的全局搜索能力,并采用一种自适应的信息素更新策略,前期增加算法的全局搜索能力,后期加快算法的收敛速度;在低温阶段通过降温系数的取值,加快算法收敛速度,在温度机制上采用了回火机制,避免局部最优,使解的质量得到了提高。同时在算法中结合了3opt进一步优化了算法解的质量。实验结果表明该算法的收敛速度以及求解质量得到了一定程度的改善,较好地平衡了种群多样性以及收敛速度的关系。     

LMBP神经网络改进算法的研究

论述了BP网络中最优秀的算法之一LMBP算法及其推导过程,分析了标准LMBP算法的特点和不足。为了进一步加快标准LMBP算法的收敛速度,提出了变步长θ的改进LMBP算法。通过采用某水厂混凝沉淀过程真实的实验数据和Matlab仿真程序实验,验证了此改进LMBP算法的可行性和有效性。该改进算法进一步加快了LMBP算法的收敛速度,对于采用LMBP算法神经网络的在线计算具有重要的应用参考价值。     

一种基于混合PSO的投影寻踪动态聚类模型

针对粒子群算法容易陷入局部最优解,将遗传算法的交叉和变异引入到粒子群算法中。根据不同的收敛情况及交叉和变异的特点使用两种算子,提出一种既能预防陷入局部最优解又能跳出局部最优解的混合粒子群算法,将该算法应用到投影寻踪动态聚类模型中来优化投影方向,得到近似最好的投影寻踪动态聚类模型。实验证明,相对于原始粒子群算法,该方法可以有效地避免陷入局部最优解,而且投影效果也更好。     

基于模拟退火算法的实体化视图动态选择方法

实体化视图选择问题是NP完全问题,我们通过研究和实验,提出了一种将模拟退火算法应用到实体化视图的动态选择中的方法。在定义了算法的状态、初始状态、目标函数及转换规则之后,深入讨论了模拟退火算法的参数选择对算法解的影响。最后的实验结果表明,模拟退火算法完全可以应用到实体化视图的动态选择中。     

基于拥挤度的改进蚁群算法

针对蚁群算法在求解旅行商问题时收敛时间长,且易陷入局部最优状态的缺陷,提出一种基于拥挤度的动态信息素蚁群优化策略。该算法引入静态拥挤度和动态拥挤度算子,主动提前预防停滞现象。将拥挤度与状态转移规则相结合,使蚁群状态实时跟随路径搜索情况而改变,提高蚁群自适应能力。针对蚁群路径搜索情况,加入邻域搜索优化规则,缩小搜索区域,结合2-opt局部优化策略,加快蚁群收敛速度。仿真结果表明,本算法既有较高的搜索效率又有较强的全局搜索能力。对比其他优化算法,无论是求解质量、稳定性还是收敛速度都能达到令人满意的效果。     

基于云计算的ACO-K中心点资源优化算法

云计算是计算网络模型研究的热点领域,能实现几种资源共享和资源动态配置。然而,云计算中存储资源如何快速路由,减少动态负荷,兼顾全局负载平衡是有待解决的问题。ACO是一种仿生优化算法,具有健壮性强、智能搜索、全局优化、易与其他算法结合等优点。K中心点算法是K均值的改进算法,鲁棒性强,不易受极端数据的影响。结合这两种算法的优点,提出一种基于云计算环境下的ACO-K中心点资源分配优化算法,得到最优的计算资源,提高云计算的效率。通过仿真验证了该算法的有效性。     

基于马尔可夫链的分形图形生成算法

区别于传统的基于欧几里得算法的图形生成算法,在迭代函数系统的基础上,提出了一种基于马尔可夫链的分形图形生成算法。该算法首先利用马尔可夫链为每个状态转移函数设置转移的概率密度,其次通过比较随机数与状态转移函数的概率分布来确定进入的状态转移函数,进而计算吸引点的位置、确定线条的位置和角度,推导出迭代后线条的角度关系,最后通过多次迭代生成不同角度和位置的线条组成一个完整的图形。相对于传统算法,该算法针对分形图形的生成、仿射变换矩阵参数的具体调控方式、以及图形散点图的变化规则进行研究,通过对不同分形图形的生成及其形态调控的仿真实验验证了该算法可以对分形图形生成过程进行描述,进一步验证了该算法的优越性。     

关于汽车动态载荷智能测量的研究

汽车动态称重系统虽然能够适应快速称重,但其称量精度有所下降.为了在快速称重的同时保证称量精度,提出了基于改进Levenberg-Marquardt算法的动态载荷处理方法.首先通过小波变换对动态载荷中的高频随机干扰进行预处理,然后采用改进Levenberg-Marquardt算法对低频动态载荷进行拟合,最后从称重信号中减去拟合的动态载荷即可获得真实的静态载荷.仿真和实验表明,该方法可以有效地降低动态载荷对称量精度的影响,使系统动态称重相对误差小于2%,对高速动态称重精度问题具有一定意义.     

Dynamic Scheduling and Path Planning of Automated Guided Vehicles in Automatic Container Terminal

The uninterrupted operation of the quay crane (QC) ensures that the large container ship can depart port within laytime, which effectively reduces the handling cost for the container terminal and ship owners. The QC waiting caused by automated guided vehicles (AGVs) delay in the uncertain environment can be alleviated by dynamic scheduling optimization. A dynamic scheduling process is introduced in this paper to solve the AGV scheduling and path planning problems, in which the scheduling scheme determines the starting and ending nodes of paths, and the choice of paths between nodes affects the scheduling of subsequent AGVs. This work proposes a two-stage mixed integer optimization model to minimize the transportation cost of AGVs under the constraint of laytime. A dynamic optimization algorithm, including the improved rule-based heuristic algorithm and the integration of the Dijkstra algorithm and the Q-Learning algorithm, is designed to solve the optimal AGV scheduling and path schemes. A new conflict avoidance strategy based on graph theory is also proposed to reduce the probability of path conflicts between AGVs. Numerical experiments are conducted to demonstrate the effectiveness of the proposed model and algorithm over existing methods.      

动态交通网络中最优路径查找算法*

在真实交通网络中,可能出现某高速公路在某一时刻内通过的车辆过多,从而改变了该时刻道路的即时速度,这就需要对道路的交通流量进行监控。针对这一问题,通过建立交通网络的速度模式库,根据道路可达速度的变化更新速度模式。基于A*算法与速度模式库,提出针对动态交通网络的最短路径查询算法。采用真实数据集对算法进行测试,结果表明,应用该方法能够有效地解决在速度模式发生变化的情况下最优路径的查找,使交通网络中的最优路径查询更为准确有效。     

亚像元配准技术研究

为了获得高精度的图像运动参数估计,需要比较各种传统的图像配准算法的优劣并改进它们以满足需求.为此综述超分辨率重建中的图像配准算法,指出各种配准算法的特性,同时结合实验分析了不同的配准算法进行运动参数估计时的精度.提出基于遗传算法的亚像元参数估计方法,数值实验结果表明了该方法的有效性,同时对图像配准参数估计算法对噪声干扰的稳健性通过实验进行了讨论.     

基于小波变换的信号去噪的应用研究

文章指出了小波变换去噪方法与一般意义下去噪方法的不同,讨论了小波变换算法的优越性,进而提出了利用小波算法对含噪信号进行逐层分析与重构,将原始信号分解为不同频带,滤除不需要的频带,最后用Mallat重建算法得到去噪后的信号,既有效地滤除了信号噪声,又保留了信号的突变性。大量的实验结果和进一步的分析表明,该技术应用在动力系统的去噪研究中将更加有利于系统的稳定运行。