多目标迁移机制的动态负载平衡算法

针对并行计算中的负载失衡现象.提出一种新型动态负载平衡算法.将重载节点和轻载节点间需要交流的进程数目信息包括在负载平衡消息中,并视情况扩展目标节点的搜索范围.使重载节点能在算法的一次执行中外迁进程到多个目标节点,还提出 3条规则以减少消息传播的路由耦合现象.通过矩阵运算和求素数这 2个典型的并行计算实验,比较了 4种动态负载平衡算法的性能.结果表明,提出的算法因多目标迁移机制而具有最少的迭代执行次数,并能在一次执行中发现最多的轻载节点,有效缩减了系统对计算密集型任务的平均响应时间.     

基于进程登记表和负载状况表的进程迁移策略

分析了分布式系统中引起进程迁移的两类主要原因,引入进程登记表(PRT)和负载状况表(LST),并在此基础上探讨了实现进程迁移的具体过程.     

基于机器学习的MEC随机任务迁移算法

针对移动边缘计算（MEC）,提出了一种基于机器学习的随机任务迁移算法,通过将任务划分为可迁移组件和不可迁移组件,结合改进的Q学习和深度学习算法生成随机任务最优迁移策略,以最小化移动设备能耗与时延的加权和.仿真结果表明,该算法的时延与能耗加权和与移动设备本地执行算法相比节约了38.1%.     

基于语义分割的织锦类自适应风格迁移算法

通过风格迁移的数字化手段可以辅助艺术作品的创作,但由于织锦类手工艺品具有颗粒感线条、块状色彩、前后景纹理区别较大等特点,使用现有风格迁移算法得到的输出图像在视觉上难以达到令人满意的效果.针对上述问题,提出了一种基于语义分割的织锦类自适应感知域风格迁移算法,将语义分割任务和基于自适应感受域的风格迁移算法相结合,并提出新的内容损失和风格损失.此外,为了解决生成结果图像后景中纹理不均匀的问题,在内容图像上增加高斯噪声用于平滑训练过程中生成图像的后景纹理.实验结果表明,所提算法在织锦作品风格迁移任务中的表现优于现有算法.     

基于度约束最小生成树的域间路由恢复算法

低速拒绝服务攻击对于域间路由系统造成威胁,已有失效恢复算法未能有效解决恢复拓扑计算的时间复杂度高和节点聚合控制等问题,为此,提出一种基于度约束最小生成树的失效恢复算法.通过设计基础迁移子算法和复杂迁移子算法,在满足度约束的条件下根据遭袭路由系统生存拓扑构建新的恢复拓扑,并针对上述两类迁移子算法,分别提出关键点选择子算法,用于判定和计算迁移过程所需的关键节点.理论分析和仿真实验结果证明,该算法生成的恢复拓扑在有效控制节点度的同时,具有较优的性能.     

冻结作用下非饱和黄土水分迁移试验研究

首先自制了冻结作用导致水分迁移的试验装置,采用未设置格栅试验装置得到了液态水和气态水混合迁移结果,采用设置格栅试验装置得到了阻断液态水迁移通道情况下水分迁移结果.试验结果表明,土样密度、含水量、时间对冻结作用导致的水分迁移进程均有影响.冻结过程冻结锋面的推进使冻结区域含水量明显增大,未冻结区域含水量明显减小,冻结锋面处含水量增加最大.相对于未冻结区域水分迁移进程,水分向冻结锋面的迁移是比较缓慢的.干密度较小土样冻结区域含水量增加值小于干密度较大土样,干密度大,冻结锋面处的含水量增量相对较少.初始含水量越大,冻结锋面土体含水量增加值越大,并形成冰层.随着时间增加,冻结锋面处的含水量增加,但后期含水量随时间的增加值明显小于前期,在冻结锋面冰层形成初期,未冻结区域水分向冻结锋面迁移量大,冰层形成以后水分迁移量小.当土样初始含水量比较小时,设置格栅阻断液态水通道对冻结作用导致的水分迁移进程影响不大,向冻结锋面迁移水量主要来源于气态水迁移.当土样初始含水量比较大时,和混合迁移试验结果相比较,设置格栅阻断液态水迁移通道后向冻结锋面迁移水量明显减小.     

一种具有迁移学习的MF和DNN的组合推荐算法

为解决单一推荐算法应用具有局限性和用户行为数据具有稀疏性的问题,将迁移学习方法应用到组合推荐算法.该算法首先分别利用矩阵分解(MF)推荐算法和深度神经网络(DNN)推荐算法对用户行为数据进行预测,然后利用迁移学习方法将训练出来的特征数据作为组合推荐算法的输入,并进行再次训练,获得预测评分,实现对目标用户的推荐.实验结果表明,具有迁移学习的基于矩阵分解和深度神经网络的组合推荐算法能够有效地提升推荐质量.     

基于迁移学习的天气图像识别

为提高天气图像识别的准确率,达到良好的天气图像分类效果,提出一种基于迁移学习的天气图像识别算法.该算法使用Xception图像分类算法实现网络架构,再基于迁移学习理论将模型和参数应用到天气图像识别中,并在同一数据集上与其他模型进行性能对比.实验结果表明,基于迁移学习的改进Xception模型有效解决了训练样本不足、准确...     

基于生物地理学优化算法的电力系统无功优化

将模拟物种迁移规律的生物地理学优化算法（BBO）应用于求解电力系统无功优化问题。区别于遗传算法中局限于染色体两两之间分享特征信息的模式,BBO独特的迁移模式使得好的栖息地特征信息得以在多个栖息地之间广泛传播,从而加快了优化进程。IEEE14节点和IEEE57节点的测试结果表明：BBO算法在与相关文献中的算法相当的迭代次数内能够得到更优的解,且算法对参数的依赖性不强,适用于求解电力系统无功优化这一类复杂的工程组合优化问题。     

虚拟组织上的高效移动主体通讯迁移算法

根据虚拟组织结构的特点,提出了一种适用于虚拟组织结构上的高效移动主体通讯算法,该算法建立在有限状态模式的移动主体计算模型基础上.在移动主体计算模型中将服务、迁移、通讯等行为作为状态来处理,并利用状态触发机制刻画移动主体的所有工作过程,从时序逻辑上保证每个移动主体行为的原子性.通过引入虚拟组织上的移动主体收件箱（mailbox）机制,实现多移动主体间的高效通讯和迁移,并有效地解决了现有网络条件下的通讯失配问题.实验证明,该算法在迁移失配数和服务有效率两项性能指标上均优于之前的通讯迁移算法,具有强移动模式下移动主体的鲁棒性和智能性,克服了强移动模式下传输数据量过大等缺点.     

改进的细菌觅食算法在图像分割中的应用

针对一些仿生算法应用于图像分割时其搜索速度缓慢,易陷入局部最优等问题,提出一种改进的细菌觅食算法,并将其应用到图像分割领域。首先,把传统细菌觅食算法的趋化算子的固定步长替换为动态步长,把其迁徙算子的固定迁徙概率替换为动态迁徙概率;然后,利用图像的灰度直方图作为特征,并使用改进的细菌觅食算法进行图像分割。实验结果表明,使用基于改进细菌觅食算法的图像分割方法,在准确率和速度方面都优于其他传统仿生算法。     

基于TriBA结构和改进迁徙策略的并行遗传算法

为了提高并行遗传算法解决大规模问题的寻优效率,本文基于粗粒度并行遗传算法模型,提出了一种基于TriBA结构和改进迁徙策略的并行遗传算法,给出了TriBA并行遗传算法的分配策略和迁徙方式,并将改进的迁徙策略引入评价算子,通过评价算子,反映当前种群的局部收敛程度,当收敛程度满足设定的评价算子时,进行迁徙操作,并使用并行计算机对基于TriBA拓扑结构和改进迁徙策略的并行遗传算法进行模拟仿真.仿真结果表明,改进后的迁徙策略的并行遗传算法的寻优效率比传统迁徙策略的并行算法效率更高.该算法有效地提高了算法的寻优速度,增强了算法的寻优稳定性.     

一种改进的神经网络训练算法

针对递归最小二乘反向传播训练(RLS-BP) 算法在推导过程中因引入近似公式而影响了收敛速度的进一步提高的情况,提出了一种改进的RLS-BP训练算法,它通过修改误差性能测度使推导过程中不引入近似公式,进一步提高了收敛速度.实验也表明改进的RLSBP算法比原算法的收敛速度一般要快,有较好的实用价值.     

一种自适应细菌觅食优化算法

针对在优化高维函数时,细菌觅食优化算法性能不佳的情况,提出了一种自适应细菌觅食优化算法.将固定的趋化步长改进为非线性递减的自适应游动步长,提高了算法的局部搜索能力;引入维度自适应学习算法,对每个趋化周期内得到的当前最优细菌进行维度自适应学习一次,提高了解的精度和搜索效率;将精英细菌作为Tent混沌映射的初始点对符合迁徙条件的细菌进行位置初始化,加快了算法的收敛速度.仿真结果表明,文中提出的算法在解的精度和收敛速度等方面均表现更优,具有更高的效率.     

一种融入模式搜索的改进人群搜索算法

针对人群搜索算法在后期搜索时收敛速度减慢、容易陷入次优解、计算效果变差等缺点,设计一种融入模式搜索的改进人群搜索算法。利用6个标准测试函数进行仿真实验,发现改进后的算法在收敛速度和精度上明显提高,尤其是在后期能够进行突跳进而摆脱局部次优解,鲁棒性好,全局寻优能力增强。     

The tool for building an NN based on improved BP algorithm

0　ＩＮＴＲＯＤＵＣＴＩＯＮＢａｃｋ ｐｒｏｐａｇａｔｉｏｎＡｌｇｏｒｉｔｈｍ (ＢＰ)ｉｓａｖｅｒｙｕｓｅｆｕｌａｌｇｏｒｉｔｈｍｉｎｍａｎｙａｓｐｅｃｔｓ.Ｂｕｔｉｔｈａｓｔｈｅｆｏｌｌｏｗｉｎｇｐｒｏｂｌｅｍｓ:①Ｔｈｅｌｏｃａｌｌｅａｓｔｐｒｏｂｌｅｍｉｎｅｖｉｔａｂｌｅｄｕｅｔｏｉｔｓｎｏｎ ｌｉｎｅａｒｏｐｔｉｍｉｚｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃ②Ｔｈｅｓｌｏｗｃｏｎｖｅｒｇｅｎｔｓｐｅｅｄ③Ｌａｃｋｏｆａｃａｄｅｍｉｃｇｕｉｄａｎｃｅｆｏｒｔｈｅｈｉｄｄｅｎｎｏｄｅｓ’ｎｕｍｂｅｒｃｈ…     

支持向量机改进序列最小优化学习算法

为提高支持向量机序列最小优化学习算法的学习性能,提出了一种支持向量机改进序列最小优化学习算法,对传统SMO学习方法进行了多方面改进,从优化变量的选择和2个变量的优化方法分别提出具体可行的改进方法．改进后的SMO学习算法提高了学习速度,加快了网络收敛速度．基于改进SMO算法的仿真结果验证了改进SMO算法的有效性和优越性,并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性．     

自适应学习速率法在变压器故障诊断中的应用

为了提高电力变压器故障诊断的准确率,针对油中溶解气体分析,提出了一种基于误差自动调节修正因子的自适应学习速率法,使神经网络通过自身的误差变化过程自动调整学习速率修正因子,保证网络总是以最大的可接受学习速率进行训练,从而提高网络收敛速度。针对电力变压器故障气体及故障类型的特点,建立了电力变压器故障诊断BP（Back—Propagation）网络模型,应用该算法和原算法对该故障诊断网络模型进行训练。仿真结果表明,该算法的训练次数减少了35．4％,收敛速度提高了44．9％,有效地改善了网络模型的性能。将该算法应用于电力变压器故障诊断,能较为精确地判断出电力变压器的故障类型,故障诊断准确率达90．8％。     

改进PSO-BP神经网络对尾矿坝地下水位的预测方法

为解决传统算法收敛速度慢、精度低的问题,提出一种改进粒子群算法(improved particle swarm optimization, IPSO),通过在寻优过程中动态调整惯性因子ω和加速因子c₁和c₂,提高算法的寻优效率;利用改进算法优化BP(back propagation)网络的权值和阈值,建立尾矿坝地下水位预测模型,结合实例数据对预测模型进行验证。研究结果表明,改进算法的收敛速度得到改善,预测模型对坝体地下水位的预测精度得到提高。     

基于改进的Chebyshev神经网络的用水量预测

针对目前Chebyshev神经网络存在的不足,从算法和网络结构方面进行了综合改进。改进后的Chebyshev神经网络不仅符合生物神经网络的基本特征,算法简单,收敛速度快,而且网络输入可以是任意值,是一种多输入的多层前向神经网络模型,因而扩大了网络辨识模型的能力与学习适应性,并有逼近任意线性和非线性映射的优异特性。用改进的Chebyshev神经网络对城市的家庭用水需求量进行建模和预测。仿真结果表明,改进的Chebyshev神经网络为预测家庭用水需求量提供了一种有效的方法,它不仅具有优良的预测能力,而且在相同精度的前提下,其收敛速度也优于一般的BP网络。