带状线性方程组的含参交替方向并行算法

在MIMD分布式存储环境下针对系数矩阵为带状或块三对角矩阵的线性方程组提出了含三参数交替方向迭代并行算法。通过引入三参数调整,并适当分裂系数矩阵得到新算法,给出了系数矩阵为若干特殊矩阵时算法的收敛条件。在HP rx2600集群系统上实现了算法,针对不同的算例将其与多分裂方法、BSOR方法和PEk内迭代方法进行了比较。并行计算结果表明,所提算法具有较高的加速比和并行效率,明显优于多分裂方法和PEk方法,能合理分配内存,从而有效节省计算时间。针对算例1,加速比和计算效率略优于BSOR方法;而算例2的结果明显优于PEk内迭代方法。     

基于变分和小波变换的图像放大算法

为了更好地放大图像,利用小波变换的思想,提出了一种变分和小波变换相结合的图像放大算法.该算法的思想是先构造一个用Besov范数估计图像正则性的变分泛函,然后在小波域中最小化变分泛函得到放大图像.小波变换后的高频分量具有丰富的细节边缘信息,因而能够重构出高质量的图像,而且小波的引入使得文中新算法具有运行时间短、速度快的特点.与传统的插值放大图像不同,该算法是用变分的思想进行图像放大.理论分析和实验仿真表明,该算法能达到和样条插值同样的放大效果.     

基于新模型的动态多目标优化进化算法

在动态多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在时间连续发生变化的情况下依然能求出分布均匀且数量多的Pareto最优解供决策者选择十分重要.对动态多目标优化问题连续变化的时间变量区间进行了任意划分,在得到的每个时间子区间上把动态多目标优化问题近似为静态多目标优化问题,进而在每个子区间上定义了种群的静态序值方差和静态密度方差,然后把目标个数任意的动态多目标优化问题转化成一个双目标静态优化问题.在给出的一种能自动检测时间变化的自检算子下,提出一种新的动态多目标优化进化算法,并且证明了算法的收敛性.计算机仿真表明新算法对动态多目标优化问题求解十分有效.     

一种新的智能优化及其改进研究

研究了一种新的进化算法-和声搜索(HS)算法,针对其在处理复杂函数优化问题时容易陷入局部最优、收敛精度低的缺点,提出一种改进的和声搜索算法,算法在保留和声搜索的搜索机理的同时,把混合蛙跳算法中的局部搜索策略引入其中,维持了和声库的多样性,从而提高了对复杂问题的搜索效率.与同类算法相比,本文提出的和声搜索算法全局搜索能力强,收敛速度快,数值实验结果验证了算法的有效性和鲁棒性.     

最大间隔椭球形多类分类算法

针对多类分类问题中现有算法精度不高的问题,基于一类分类马氏椭球学习机,提出一种最大间隔椭球形多类分类算法,将每一类数据用超椭球来界定,数据空间由若干个超椭球组成,每个超椭球包围一类样本点,并以最大间隔排除不属于该类的样本点,该算法同时考虑了不同类样本点的协方差矩阵,即分布信息。真实数据上的实验结果表明该方法能提高分类精度。     

基于加权总广义变差的Mumford-Shah模型

给出了加权总广义变差(Total generalized variation, TGV)的定义. 利用图像的2阶加权TGV半范作为正则项, 利用水平集函数的2阶加权TGV半范近似边界长度, 提出了基于加权TGV的Mumford-Shah模型. 对未知函数分别利用交替Split-Bregman方法、Fenchel对偶方法及FISTA (Fast iterative shrinkage-thresholding algorithm)给出数值计算模型. 仿真实验结果表明, 利用图像的2阶加权TGV半范的去噪效果优于常用的梯度模2范数和加权TV (Total variation)半范正则化; 利用水平集函数的2阶加权TGV半范近似边界长度的边缘检测效果优于传统的TV半范和加权TV半范约束.     

基于非线性小波阈值的各向异性扩散方程

本文给出了林石算子定义的扩散方程的小波阈值等价形式,并在此基础上对林石算子定义的扩散系数计算公式进行了修改,将其中估计各阶导数时所用的高斯线性滤波图像改成平移不变小波非线性阈值图像,这样避免了高斯滤波引起的过度光滑和边界移动.实验结果表明新的扩散方程在保持边缘位置的同时能更有效地去除噪声.     

求置换因子循环矩阵的极小多项式和逆的算法

本文引入了任意域上置换因子循环矩阵,利用多项式环的理想的Gr(?)bner基的算法给出了任意域上置换因子循环矩阵的极小多项式和公共极小多项式的算法,同时给出了这类矩阵逆矩阵的两种算法最后,利用Schur补给出了任意域上具有置换因子循环矩阵块的分块矩阵逆的一个算法,在有理数域或模素数剩余类域上,这一算法可由代数系统软件CoCoA4．0实现。     

基于一种新模型的多目标遗传算法及性能分析

在多目标优化中,各目标通常相互冲突,其最优解往往有无穷多个,如何在最优解集中求出一组分布均匀且数量多的Pareto最优解供决策者选择十分重要.本文给出了多目标优化的一种新解法.首先定义了种群序值的理想方差和种群密度的方差,然后把目标个数任意的多目标函数优化问题Ⅰ转化成了用种群序值的理想方差和种群密度的方差构成的两个目标函数的优化问题Ⅱ,并对转化后的优化问题Ⅱ提出了一种新的多目标遗传算法(RDMOEA).计算机仿真表明RDMOEA算法对不同的实验函数均可求出在最优解集合中分布均匀且数量充足的Pareto最优解.     

基于二进脊波变换的图像去噪

二进小波变换在每次分解时不进行下采样,与小波级数相比,它是冗余的,且二进小波变换的部分系数扰动不会带来重构信号的严重失真。在相同的误判概率下,基于二进小波变换的信号去噪效果会好于基于小波级数变换的信号去噪效果。基于这个思想,该文提出了一种基于二进脊波变换的图像去噪算法。实验结果证明,与小波级数相比,该算法具有更好的去噪效果。