一种多序列比对分治算法DCA-ClustalW

多序列比对是生物信息学研究中最基本的一项内容,多序列比对的精确算法是一个NP-hard问题,一般研究者都侧重于设计多序列比对近似算法,最有代表性的近似算法是ClustalW;分而治之是一种重要的算法设计思想,它将复杂问题分割成更简单的子问题来解决,能有效提高算法效率。本文设计了一个DCA-ClustalW算法,对多序列比对问题,同时考虑从纵向和横向两个方面将复杂问题分割成简单易解的子问题,在BaliBase基准数据集上测试表明,该算法是可行的。     

基于混合神经网络的车辆路径模型研究

为有效解决现代物流配送中的车辆路径问题,发挥BP神经网络在解决分类问题和Hopfield神经网络在解决组合优化问题中的优势,依据"分而治之"策略提出了基于混合神经网络的优化模型。通过BP神经网络对一个配送中心范围内的多个配送点进行区域划分,在各子区域内使用Hopfield神经网络求得最优配送路径,从而得到质量较高的解和较快的收敛速度。基于Matlab的仿真实验结果表明,与传统的爬山算法、遗传算法相比,该模型能够获得性能更好的全局最优解。     

模块化神经网络集成方法研究

针对模块化神经网络的集成问题,综合"分而治之"和"集思广益"的思想,提出了一种在线选择子网络的方法。针对不同的输入,计算输入与各子网络训练样本中心的距离测度,构造距离测度的隶属函数,通过模糊判别实现子网络的在线选择。参与信息处理的子网络随输入变化,使网络集成具有更强的自适应能力。多个子网络采用线性整合,采用样本空间重构技术及动态规划方法实现子网络权重的在线优化。仿真结果表明:该方法提高了模块化神经网络的精度和泛化能力。     

多尺度自适应上采样的图像超分辨率重建算法

针对现有基于卷积神经网络的图像超分辨率重建网络中存在的训练难以收敛、无法适配多个放大系数和无法进行非整数放大系数上采样的问题,提出了一种基于多尺度和分而治之思想的自适应上采样图像超分辨率重建算法。该算法通过改进后的多尺度通道注意力特征提取模块对低分辨率图像进行多尺度特征提取以生成不同尺度下的特征图,再将其输入瓶颈层实现全局特征融合,使用基于分而治之的自适应上采样模块获得超分辨率图像,从而解决了不同放大系数的适配问题和非整数放大系数的上采样问题。在对比实验中,该算法在不使用任何初始化方法时仍然具有良好的收敛性。在整数放大系数下,该算法的图像重建性能超过当前主流的超分辨率网络,PSNR和SSIM性能相比MRFN分别提升了0.34 dB和0.039 1。在非整数放大系数下,其PSNR性能相比双三次插值方法平均提升1.24 dB,且不需要对每一个放大系数都进行训练。     

网络融合趋势下的电信网络运营管理

在传统的通信网络中，不同的网络基于特定的技术提供相应的功能和业务。随着网络业务规模的发展，这种分而治之的网络格局逐渐暴露出其固有的问题：网络体系日趋复杂，不利于网络资源的共享；综合业务的提供能力较弱，网络管理和维护成本较高。     

基于分而治之的快速多维尺度定位算法

传统MDS-MAP算法通过同时提取网络中所有节点间距离信息的特征来实现定位,计算时间复杂度相对较高,影响了算法的定位速度。针对该问题,提出了基于分而治之的快速多维尺度定位算法DMDS-MAP,剔除参与转换的冗余数据,可有效提高原始MDS-MAP算法的定位速度。DMDS-MAP算法将距离矩阵进行划分,选取对角阵作为子矩阵以剔除冗余数据,通过奇异值分解从各子矩阵中提取指定维数的特征转化为相对坐标,融合由各子矩阵求得节点的相对坐标,得到所有节点的相对坐标,最后,根据锚节点坐标信息得到所有节点的全局绝对坐标。实验结果表明,在定位精度相似的情况下,随着参与运算的节点密度的增加,DMDS-MAP算法较MDS-MAP算法在运行时间上有明显的提升。     

基于分而治之的多维标度算法

作为一种典型的多元统计分析方法,多维标度法(MDS)广泛应用于降维和可视化研究中.MDS从n个样本间的距离距阵出发,求取它们在低维欧氏空间的坐标.经典MDS算法(CMDS)的时间复杂度为Θ(n3),影响MDS的速度.文中基于分而治之的思想提出一种新的MDS算法.首先将距离矩阵沿对角线分成若干子矩阵,然后对每个子矩阵求解,最后通过正交变换和平移变换整合各子矩阵的解,从而得到原距离矩阵的全局解.该算法的结果与CMDS完全一致.当样本维数远小于样本个数时,其时间复杂度仅为Θ(nlgn).与CMDS算法相比,该算法的速度大大提高,从而使MDS可应用于更大规模数据集.     

Haar类正交变换在数字水印中的应用

论文采取变尺度、多变换的策略,将Haar类正交变换应用于载体为图像的数字水印中。即不同的图像区域,子块尺寸不完全相同,相同尺寸的子块,所采用的正交变换不完全相同。实验结果证明:这种对图像采取分而治之的对策:不仅增强了水印的不可见性和鲁棒性,也提高了水印的抗攻击性,同时达到了图像高度压缩的目的。不仅如此,文中的正交变换的计算量小,均是即位算法,特别适宜并行计算。另外,文中水印为二值图像,且是盲水印。     

多层次-跨尺度物理中并行DVM-DAC算法

多尺度现象及相关理论方法是复杂物质系统研究中重要的科学问题.单一的量子力学或分子动力学方法无法解释多尺度体系中存在的现象.第一原理离散变分线性标度（DVM-DAC）算法是一种有效的大尺度体系计算方法.它采用分而治之方案,获得了O（n）的计算复杂性.但由于需要求解大量的特征方程,实现中存在严重的计算瓶颈.发展了一种并行DVM-DAC算法并付诸实现,有效地解决了原有算法的计算瓶颈问题.测试结果表明,并行DVM-DAC算法具有很好的可扩展性,并成功完成104碳纳米管原子体系的计算,为多尺度体系研究提供重要工具.     

计算机集成制造系统仿真建模

仿真建模问题对计算机集成制造系统的研究和开发是十分重要的。针对一般计算机集成制造系统(CIMS)中仿真建模所存在的覆盖面小和灵活性差的问题，本文通过对一般CIMS的功能层次分析，采用分而治之的方法，提出了在CIMS应用系统中经营管理、生产制造和设备控制三个层次的仿真建模模型和建模方法，为计算机集成制造系统各层次的仿真软件的开发提供依据。