求解动态组播路由问题的混合优化遗传算法

分析了具有网络时延和时延抖动限制的动态组播路由问题的数学模型。在此模型的基础上提出了一种基因库(GP)与传统遗传算法(GA)混合的优化算法GP-GA。该算法利用基因库保存进化过程中得到的解路径以指导后继进化过程,同时改进了交叉和变异算子来加快算法的收敛速度。考虑到问题可能陷入的局部最优情况,又构造了基于“保留和不保留”的进化控制策略来增强寻优能力,很大程度上避免了算法“早熟”现象的发生。大量的仿真实验表明：GP GA算法相对现有的遗传算法求得最优解的概率更高,相对于动态的组播环境也有很好的代价性能。     

图像数据高置信度关联规则的提取方法研究

在图像关联规则挖掘的某些领域,要求提取出具有较高置信度的关联规则,同时对支持度的要求相对较低。提出了一种在兼顾支持度的情况下挖掘出高置信度的图像关联规则的方法。为了便于有效地提取图像关联规则,使用了名为bSQ（bit Sequential）的一种栅格数据格式。而后采取“逐层搜索”的方法,建立规则树,避免了传统方法在处理低支持度时产生的大量频繁项集。最后通过多图像关联规则提取优先级和图像数据立方体等技术在多幅图像中提取基于象素级的关联规则。通过实验证明,该方法能有效地提取图像数据高置信度关联规则,方法具有可行性。     

卫星间光通信中多场扫描捕获的仿真优化

在实际的卫星间光通信中，为保证对目标进行确定性捕获，需要采用多场扫描方式。多场扫描范围是多场扫描捕获的关键性参数，需要进行详细的分析。在已经建立的卫星光通信单场捕获模型的基础上，首先对卫星间光通信的多场捕获扫描问题进行了理论分析和模型建立，并以此为依据对多场扫描中的扫描范围的确定进行了研究。分析结果表明，为获得最短的总平均捕获时间需要对扫描范围进行最优化选择。为了便于工程应用，对此问题进行了数值仿真，基于仿真结果给出了多场扫描捕获中最优化扫描范围的确定经验公式。     

基于均匀设计的GEP算法研究与应用

提出了一种基于均匀设计的基因表达式编程算法(UGEP)，该算法对经典的GEP算法做了以下改进：利用混合水平均匀表的构造对初始种群的产生进行改进，保证了解分布的均匀性；引入自适应多亲杂交算子，用均匀优化代替随机进化。从理论上分析并证明了UGEP更具有全局收敛性，且收敛速度也优于经典的GEP。试验结果也证明，在求解函数拟合和时间序列预测等实际问题时，对比同类算法，UGEP算法体现出了较大的优越性。     

基于GEP的双目视觉摄像机标定方法研究

摄像机标定是精密视觉测量的基础,传统的标定方法具有很多的缺陷。提出了一种新的双目视觉摄像机标定方法,通过引入基因表达式程序设计算法,挖掘其中潜在的坐标函数关系。将GEP标定方法与同类方案进行了比较,实验结果表明：新算法有效地提高了标定精度,加快了运算时间,具有较高的实用价值。     

面向最优直方图求解的监督学习模型研究

最优直方图是一类重要的直方图技术，目前用于实现最优直方图的动态规划分组算法存在时间复杂度过高的问题。因此，提出了一种基于概率稀疏自注意力的监督学习模型来学习动态规划分组算法，该监督学习模型可作为动态规划分组算法的替代方案，主要包括3个部分：1)通过Embedding层与位置编码层将输入数值序列映射为对应的向量序列；2)通过概率稀疏的自注意力层捕获输入序列之间的依赖关系；3)通过前馈神经网络层将依赖关系映射到分组“桶”边界下标信息。实验结果表明，基于概率稀疏自注意力的监督学习模型在6个数据集上的准确率超过了83.47%,且其在预测阶段的时间消耗不超过动态规划分组算法的1/3。