基于模拟退火的查询优化算法的设计与实现

提出了一种基于模拟退火方法的查询优化算法，在查询策略的状态空间上构造了模拟退火处法的一个原型，利用模拟退火算法对联结操作进行了优化。实验说明，该算法得到的执行策略优于传统算法得到的执行策略。     

基于RTT的TCP拥塞控制慢启动改进算法

分析目前TCP拥塞控制的慢启动策略及其存在的短连接带宽浪费、过度丢包等实际问题,提出一种基于RTT（Round Rrip Time,往返时延）反馈的TCP慢启动改进算法SS IM(Slow Start Improved)。改进算法在慢启动过程前期为快速利用当前有效网络带宽,拥塞窗口保持较高速度增长,后期为避免加重网络拥塞,根据当前网络状况动态地缓慢调整拥塞窗口增长因子,使cwnd（congestion window,拥塞窗口）平滑过渡到ssthresh（slow start threshold,慢启动阈值）。性能分析和NS2仿真实验结果表明,改进算法能有效地减少分组丢包数,提高网络吞吐量,降低路由排队时延,平缓数据突发量冲击,降低网络拥塞发生的可能性,利于网络性能的提高。     

基于改进YOLOv4的轻量化目标检测算法

针对当前YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测每秒传输帧数（FPS）低的问题,提出一种基于YOLOv4的轻量化目标检测算法ML-YOLO。首先,用MobileNetv3结构替换YOLOv4的主干特征提取网络,从而通过MobileNetv3中的深度可分离卷积大幅减少主干网络的参数量;然后,用简化的加权双向特征金字塔网络（Bi-FPN）结构替换YOLOv4的特征融合网络,从而用Bi-FPN中的注意力机制提高目标检测精度;最后,通过YOLOv4的解码算法来生成最终的预测框,并实现目标检测。在VOC2007数据集上的实验结果表明,ML-YOLO算法的平均准确率均值（mAP）达到80.22%,与YOLOv4算法相比降低了3.42个百分点,与YOLOv5m算法相比提升了2.82个百分点;而ML-YOLO算法的模型大小仅为44.75 MB,与YOLOv4算法相比减小了199.54 MB,与YOLOv5m算法相比,只高了2.85 MB。实验结果表明,所提的ML-YOLO模型,一方面较YOLOv4模型大幅减小了模型大小,另一方面保持了较高的检测精度,表明该算法可以满足移动端或者嵌入式设备进行目标检测的轻量化和准确性需求。