基于推理信息量的BN参数学习变量离散化方法

提出推理信息量的概念,将其作为贝叶斯网络连续变量离散化评价标准。在连续变量离散化的过程中,采用遗传算法寻求最优解,设计个体编码方式、交叉算子和变异算子,将推理信息量作为衡量个体适应度的标准。实例分析证明,通过该方法对变量进行离散化后学习得到的贝叶斯网络在推理时能得到更大的推理信息量。     

基于遗传算法的直线光流刚体运动重建

建立一种新的基于直线光流场从单目图像序列恢复刚体运动和结构的模型,推导出直线光流场与刚体的运动参数之间的关系,用2个二阶线性微分方程表达这种关系,并提出一种求解刚体运动参数的遗传算法,只需要获得图像平面的2条直线光流即可求解刚体的旋转参数,并用合成图像测试了该算法的有效性。     

基于通信链路的NoC映射算法

片上网络映射算法对系统通信能耗、延时等性能具有重大影响。基于通信链路通信量大小,提出一种改进的多目标遗传映射算法,以降低系统能耗和延时。算法中提出根据通信链路通信量大小决定任务在网络拓扑中映射位置的方式来产生初始染色体,并通过改进的变异操作产生新的子代,有效降低了算法复杂度,加快了算法的收敛速度。实验通过NIRGAM仿真平台进行,结果表明,与传统的多目标遗传算法相比,在实际应用DVOPD中,能耗降低了49.76%,通信延时降低了53.23%;在VOPD实验中,能耗和延时分别降低了29.54%和32.45%;而MPEG-4的能耗和延时则分别降低了45.72%和49.40%。同样,提出的算法与模拟退火算法相比,能耗和延时性能也有明显提高。     

修定初定震源参数的非线性方法的论述

计算机进行地震定位获得震源参数的快速性和精确性是地震定位的关键性指标,震源参数的最佳值往往都是通过反复修定初定震源参数而获得.非线性算法在函数优化和搜索方面表现出快速的收敛速度和高精度的目标值的优势.基于非线性算法这两点的优势,研究了遗传算法、模拟退火算法和粒子群算法等3种非线性算法在修定初定震源参数中的理论应用,以期望进一步提高获得震源参数的收敛速度和精度.     

动态图表展现遗传算法基本原理

遗传算法是一种通过模拟人类或生物的遗传进化机制搜索最优解的方法,对于初学者来说,很难快速形象地理解遗传算法在计算机内的进化过程.针对这种情况,设计了一种图形化用户界面,把遗传算法基本原理嵌入在底层软件设计中,以曲线图变换的方式展现了遗传算法的收敛求解过程.     

产生纹理“Tuned”模板的遗传算法

本文对现有产生纹理“Tuned”模板的方法进行了研究与分析,指出这种方法的缺点:解的随机性,并提出了改进意见,在模板的调整中引入变异操作.在分析的基础上,提出产生“Tuned”模板的新方法-遗传算法,使寻找最佳模板的随机性减小.通过航空影像的试验,与现有方法作对比,表明新方法的纹理分类效果有明显改善.此外,还对“Tuned”模板对纹理方向的自适应性和模板元素的对称性作了实验分析,得到一些有实用价值的结果.     

改进遗传算法搜索性能的研究

本文针对改进遗传算法的搜索性能,提出了一种新的变异算子－自适应多位变异算子,它根据每一代的每一个体在当代中的优劣程度,自适应地控制其发生变异的位数。适应度差的个体变异的位数多,一方面使差的模式生存机会少,另一方面增加了种群的多样性,同时也扩大了搜索范围。我们用模式定理证明了该算子的有效性,并且我们作的仿真实验也同样表明该算子能大大改进遗传算法的搜索性能。     

一种改进的GA变异算子及其数学分析

提出了一种改进的GA变异算子,并对其有效性作了数学分析。实例表明,该算子能改善GA的收敛性能。     

知识获取技术及其在网络智能故障诊断中的应用

基于遗传算法提出了一种新型的机器学习方法,它利用遗传算法的全局寻优手段,为解决知识获取这一瓶颈问题另辟捷径。论述了该方法的原理及其实现过程,并且给出了网络故障诊断应用实例,证明了它的有效性。     

一种基于目标约束遗传算法的地层对比方法*

针对油田开发钻井剖面地层对比的具体特点和实际问题应满足的约束条件,提出了一种基于目标约束遗传算法的地层对比方法。该方法既能较好地完成常规地层对比,也可对因断层或地层尖灭等地质现象造成的地层缺失、错位等复杂情况进行处理。该方法具有较好的鲁棒性,随机搜索能力强,对复杂情况下的地层对比具有较好的适应性。给出了具体的实现算法,对实际资料的处理结果证明了方法的有效性。