使用离散小波矩和遗传算法的目标识别

提出了一种连续小波矩的离散化算法,用于目标识别中的特征提取。因为可提取的小波矩数量较大,为简化分类器的设计,进一步提出了利用遗传算法（GA）进行自动的特征优化选择。仿真实验表明了离散小波矩的旋转不变性。基于瑞士联邦理工学院计算机视觉实验室的Obj_DB物体数据库,进一步测试了识别性能。结果表明,方法对任意选择的12个物体达到了100%识别率,优于无特征选择的方法和Hu矩特征方法。     

自由曲线缝纫轨迹离散的多目标优化方法

二维花样缝纫机普遍存在B样条缝纫线迹离散不均匀的问题,这对缝纫机的高速运行性能及缝纫质量均造成很大影响.分析了缝纫轨迹的离散过程和原理并建立了相应的数学模型.为寻求最优的解决方法,分别分析了用Newton法和二分法求解的可行性与优缺点,最终确定了基于多目标遗传算法的等弦长离散方法.在遗传目标式的构建,编码方式的选取,变异和交叉算子的设计中均兼有降低算法复杂度的考虑,以确保该算法在嵌入式缝纫系统中高效运行.最后针对具体的缝纫花样的离散将该算法和二分法进行对比,证实了该算法的优越性.该算法已成功应用于二维电脑花样机控制系统中,并取得了很好的效果.     

考虑失灵风险的随机多目标定位-库存问题及其优化算法

为实现物流系统整体优化,考虑失灵风险、随机需求、设施容量约束、提前期等因素,以系统总成本最小与客户满意度最高为目标,建立一个两级物流网络的随机多目标定位-库存问题模型。该模型是一个双目标的非线性离散混合整数规划模型。在此基础上,设计一种改进的基于小生境技术的非支配排序多目标遗传算法。实验结果表明,该算法可得模型的Pateto前沿解集,与标准非支配排序遗传算法相比,改进算法在收敛代数及解的数量和分布上均具有明显优势。在实际应用中,决策者可根据需要及偏好在Pateto候选解中选择合适的优化决策方案。     

基于离散数学模型的网络多信道时延一致性控制方法

由于传统网络多信道时延控制方法主要在模拟信道频域上获得信道模拟参数,导致多信道时间同步误差较大,为此提出基于离散数学模型的网络多信道时延一致性控制方法。首先,建立网络模拟信道的时域离散数学模型,以便获取信道的传输时延。其次,结合时延的时变性特点,对网络多信道时延进行一致性控制。最后,进行仿真实验。实验结果表明,设计方法的总时延与参考信道时延的差值最小,优于对照组。     

运动目标识别方法与仿真研究

运动目标识别与跟踪在军事和工业领域具有广泛的应用前景。典型的跟踪方法有相关匹配算法、光流算法、基于运动轮廓算法等。典型的识别方法有：模板匹配目标识别法、基于相似性度量识别法、基于遗传算法目标识别算法等。本文提出了一种基于神经网络的识别与跟踪方法,并研究了运动目标识别与跟踪仿真模型和实现方法。     

基于蚁群算法和BP神经网络的信道分配策略的研究

研究无线传感器网络信道分配策略的主要目标是提高网络吞吐量和容量,减小网络的传输时延,最大限度的利用有限的网络带宽资源。多信道MAC协议的应用,可以有效地提高网络通信的可靠性和吞吐量,以及解决由于信道受干扰而造成的网络瘫痪等问题。根据无线传感器网络多信道的特点提出了一种基于蚁群算法的动态反馈负载均衡信道分配策略。本策略首先应用BP神经网络对信道负载情况进行预测,然后通过基于蚁群算法的负载均衡算法对信道进行筛选,最后利用最大离散化算法进行信道分配。在NS2平台下对所设计的协议进行了仿真实现,并与应用最为广泛的多信道MMAC协议以及SMAC进行了对比分析。根据仿真结果可知,本文设计的MAC协议在网络吞吐量、网络传输时延等性能方面比MMAC协议及SMAC都有了很大程度的提升。可以有效减小网络传输时延,提高网络吞吐量和抗干扰能力。     

多目标遗传算法求解认知无线电性能优化问题

认知无线电的性能优化是一个动态多目标优化问题。现有的Bio-CR模型基于遗传算法优化认知无线电的性能,它使用线性加权方法将此多目标优化问题简化为了一个单目标优化问题。针对Bio-CR很难确定每个适应度函数的权值和容易漏掉一些最优解的问题,提出了基于多目标遗传算法的认知无线电性能优化算法CREA。CREA能够根据信道条件和用户服务需求的变化动态地调整传输参数以优化性能,不仅克服了Bio-CR的两个缺点,而且通过保存计算结果进一步减少了遗传算法的运行次数。CREA首先根据信道条件的变化动态确定一组适应度函数,然后运行多目标遗传算法获得一个Pareto-optimal set,最后根据用户服务需求从中选出一个最满意解,并通知认知无线电更新自己的传输参数。Matlab仿真实验证明了CREA的正确性和有效性。     

救灾物资高维多目标自适应分配问题建模与求解

针对救灾物资分配中效率和公平性的均衡问题,提出一种基于二维整数编码的高维多目标自适应分配算法。首先构建了一个综合考虑应急响应总时间、灾民恐慌度、救灾物资未满足度、物资分配公平性、灾民损失、应急响应总成本的高维多目标优化模型,然后采用二维整数编码和自适应个体修正（AIR）解决潜在的应急资源冲突,最后引入移位密度估计和第二代强度帕累托进化算法（SPEA2）设计了一个救灾物资高维多目标分配算法。在仿真实验中,与带有编码修正机制的非支配排序差异演化算法（ERNS-DE）和基于贪心搜索的多目标遗传算法（GSMOGA）相比,所提算法在两种应急环境中的覆盖值分别提高了34.87%、100%和23.59%、100%,同时所提算法的超体积值也远远高于两种对比算法。实验结果表明,所提模型和算法可以让决策者根据实际应急需求选择应急方案,具有更好的灵活性和求解效率。     

改进遗传算法的防空目标分配

对防空目标分配的前提、原则和分配模型假设条件进行分析,建立基于遗传算法的防空目标分配模型,针对二进制编码不利于处理约束条件的缺点提出十进制编码的染色体表示策略,对建立的模型进行优化。设定初始条件后,基于遗传算法的原理,对改进后的防空目标分配模型进行MATLAB仿真,然后用改良圈算法和海明距离对初始种群的产生进行改进,引入Logistic混沌序列对交叉算子进行改进,并且用按个体适应度大小排序的选择算法来代替赌轮选择方法。仿真结果表明,与简单遗传算法相比,遗传算法改进合理,搜索到全局最优解的概率提高到了90%以上,收敛速度大大增加,相较于模拟退火和禁忌搜索算法,改进后的遗传算法能够以非常少的进化代数,极少的时间消耗达到较高的搜索概率,效率提高了一倍甚至更多。     

LSO改进CGA解决多目标作业车间调度问题

针对传统方法在处理作业车间调度问题时很难将库存容量考虑在内的问题,提出了基于局部搜索算子(LSO)改进交叉遗传算法(CGA)的多目标作业车间调度模型。为了提高所提模型的效率,首先设计一种基于关键路径的交叉遗传算子;然后,设计一种新的局部搜索算子来提高遗传算法的局部搜索能力;最后,基于这两种算子,设计混合遗传算法框架,在考虑调度总完成时间的同时将库存容量作为目标进行优化。所提算法的有效性在FT10、LA01、LA06、LA11、LA21和LA36等基准问题测试中得到验证。仿真结果表明,与较为先进的非劣分层遗传算法(NSGA-II)相比,使用所提算法获得了更好的非支配解,从而更好地解决了多目标作业车间调度问题。