3维碎片拼合的算法研究

为实现艺术珍品保护或古器物修复中3维碎片的比对和拼接,提出了一种空间任意形状的3维碎片拼合算法。该算法首先对由实物测量数据建立的三角网格模型进行预处理,即去除模型中所存在的一些缺陷,以提取模型边界轮廓曲线;然后对碎片的边界轮廓离散点进行五次B样条插值,同时计算轮廓曲线上各个点的曲率、挠率和法矢,并据此分析3维碎片轮廓曲线的几何特性;接着根据轮廓曲线上各个点的总曲率来检测轮廓的特征点,并对轮廓进行分段;最后根据曲率、挠率的变化对不同轮廓上的特征段进行相似性度量,并运用法矢对相似性程度较高的轮廓段进行可匹配性验证,同时计算出可匹配轮廓段的坐标转换关系,以实现碎片的拼合。实例表明,该算法是高效、稳定的。     

二维非规则碎片匹配的算法

提出了一种基于曲率相似性的二维碎片轮廓匹配算法。该算法根据碎片轮廓上各点的曲率值来确定轮廓上的特征点,按照特征点对轮廓进行分段,将二维碎片的匹配简化为特征段的相似性度量与可匹配性验证。对可匹配的轮廓段进行欧氏变换以拼合两个轮廓曲线,自动地检测在当前变换下两个轮廓是否有重叠情况存在。没有重叠的两个轮廓组合起来更新为一个新的轮廓,进行再匹配直至重建过程完成。实例表明,算法是有效、稳定的。     

非规则三维碎片部分匹配算法研究

针对三维碎片拼合中的碎片匹配问题,在提取碎片轮廓线的基础上,提出了一种快速的碎片匹配算法。该算法首先对轮廓特征点按其邻域曲面片的形状进行分类;其次根据特征点类型标志、曲率及特征段Hausdorff距离对不同轮廓线上的特征段进行相似性度量;最后利用法矢对相似度较高的轮廓段进行可匹配性验证。该算法较适合于用散乱点云表示的三维碎片模型。     

一种新的二维开曲线匹配算法研究

在提取碎片轮廓的基础上,提出了一种基于相似变换下的新的尺寸不变为标示符的二维开曲线匹配方法。基本思想是首先以弧长的曲率绝对值的积分方法,通过对轮廓重采样来计算轮廓曲线上的特征点,特征点分曲线为若干段,然后特征段之间的Hausdorff距离来比较两曲线的段的相似性,当Hausdorff距离小于给定的容差时,可认为相应的轮廓是匹配的,实验证明算法更快有效。     

基于多尺度分析的三维曲线匹配技术研究

从提取三维物体碎片轮廓曲线出发,提出一种基于多尺度分析的三维曲线匹配技术。轮廓曲线经多尺度平滑后,计算曲线的特征矢量,通过比较特征矢量以判断轮廓曲线的相似性,实现三维曲线匹配。实验表明提出的算法具有准确性、鲁棒性和容错性。     

三维破碎物体多尺度拼接技术

在分析三维物体碎片轮廓曲线的特征和表示的基础上,研究多尺度小波轮廓描述符的计算,提出了一种多尺度下轮廓曲线特征提取及基于多尺度分析的三维物体碎片拼接方法.轮廓曲线经多尺度小波变换平滑后,提取曲率和挠率构成特征矢量;在选择了基于小波轮廓描述符的三维曲线匹配起点后,比较2条轮廓曲线的特征矢量以判断轮廓的相似性,并将轮廓匹配的2块相邻物体碎片拼接,实现破碎物体复原.最后通过实验验证了该方法的有效性.     

改进D-P算法在图像轮廓平滑中的应用

针对传统D-P算法速度较慢、编程不方便的问题,提出一种改进算法。以一定步长对轮廓进行遍历,根据轮廓上点到所选轮廓段首末点连线最大距离与距离阈值的大小关系,按轮廓遍历顺序获取曲线轮廓的特征点,并在相邻的特征点之间采用贝塞尔曲线进行平滑。实验结果表明,改进算法的速度比传统算法提高10%以上。     

最大比率圆弧逼近轮廓的匹配方法

提出了一种新的圆孤逼近轮廓曲线进行目标匹配的方法-最大比率法。曲线上两点之间的圆弧和曲线夹成的面积与对应扇形的比值随曲线上点的曲率的变化而变化。通过设置一个阈值算法可以检测曲率的较大的特征点用于圆弧逼近匹配。     

利用傅里叶变换边缘曲线法进行W型轮廓的快速匹配

W型轮廓标靶是一种用于汽车四轮定位的定位标靶,在一幅定位图像中能够快速地检索出与其一致的目标轮廓非常重要。传统的Hu矩、成对几何直方图算法运算速度慢,鲁棒性差。而一些适用于商标图像检索的傅里叶描述子却可以很好地适用于快速轮廓匹配,但是由于在一幅图像中进行目标轮廓的检索引入了过多的轮廓干扰,因此利用形状图像的傅里叶变换提取出轮廓的频谱特征,通过检查目标轮廓对模板轮廓频谱特征的干扰性大小来进行轮廓的相似性度量,并进行算法简化,从而达到轮廓快速匹配的目的。并且其抗干扰能力强,轮廓查找效率高。这说明利用傅里叶变换边缘曲线法进行轮廓形状匹配具有很好的适用性。     

最大比率圆弧逼近轮廓的匹配方法

本文提出了一种新的圆孤逼近轮廓曲线进行目标匹配的方法—最大比率法。曲线上两点之间的圆弧和曲线夹成的面积与对应扇形的比值随曲线上点的曲率的变化而变化。通过设置一个阈值,算法可以检测曲率较大的特征点,用于圆弧逼近匹配。     

基于改进ACO算法的印制电路板装配研究

引入带顺序相关切换时间的单机带权延期模型,研究印制电路板(PCB)装配中单生产线多板型的调度问题,使用改进的蚁群优化(ACO)算法对其进行求解。在改进算法中,使用带禁忌表的信息素更新策略防止算法过早收敛,以多线程方式实现局部搜索,通过路径池使局部搜索与蚁群进行交互和通信。测试结果表明,改进算法可以有效提高PCB装配效率,降低生产任务延期率。     

一种自适应分组的蚁群算法

蚁群优化算法是一种能应用于求解旅行商问题（Traveling Salesman Problem,TSP）的智能算法,但蚁群算法在求解TSP路径规划问题中存在收敛速度慢、易陷入局部最优解问题,而将蚂蚁算法的蚁群分组,能增加全局搜索能力,提高求解路径规划性能。通过分析蚁群分组大小与蚁群算法性能的关系,并提出了一种自适应分组蚁群算法,采用一种随迭代分组数减少策略方法,并将其应用于对TSP路径规划问题求解。通过实验结果对比表明,自适应分组蚁群算法在收敛速度和搜索质量方面都有了明显提高。     

两阶段流水车间批调度问题的蚁群优化算法

针对差异工件(工件尺寸不同)两阶段流水车间的批处理机调度问题,提出一种以最小化加工时间跨度为目标的蚁群优化算法.根据批中工件在每阶段加工时间的相似程度(标准差衡量),得到一个能够提高批中工件加工时间相似水平的启发式信息.同时,改进蚁群算法的编码方案,并引入局部优化算法来提高优化性能.仿真结果表明,与现有算法相比,该算法在工件规模较大的情况下具有较好的求解性能.     

改进的重叠蚁群优化算法

针对蚁群优化算法在进行全局最优解搜索时容易陷入局部最优解和收敛速度缓慢等缺陷,提出了一种有效求解全局最优解搜索问题的重叠蚁群优化算法。该算法通过设置多个重叠的蚁群系统,并对每一个蚁群初始化不同的参数,之后在蚁群之间进行信息素的动态学习,增强了不同蚁群对最优解的开采能力,避免了算法出现早熟现象。仿真实验结果表明,重叠蚁群优化算法在避免陷入局部最优解方面具有良好的效果,是一种提高蚁群算法性能的有效的改进算法。     

改进蚁群算法和支持向量机的网络入侵检测

为了提高网络入侵检测的正确率,提出一种改进蚁群优化算法（ACO）和支持向量机（SVM）相融合的网络入侵检测方法（ACO-SVM）。将SVM模型参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,同时在最优蚂蚁邻域内进行小步长局部搜索,找到SVM最优参数,采用最优参数建立网络入侵检测模型。利用KDDCUP99数据集对ACO-SVM性能进行测试,结果表明,ACO-SVM提高了网络入侵检测正确率,降低了误报率,可以为网络安全提供有效保证。     

基于蚁群遗传混合算法的QoS组播路由

具有延迟、延迟抖动、带宽、丢包率等服务质量约束的组播路由问题具有NP完全的复杂度。基于蚁群优化算法和遗传算法,提出解决QoS约束组播路由问题的混合算法。利用遗传算法和蚁群优化算法各自的优点,使用蚁群优化算法选择种群,遗传算法优化蚂蚁遍历所得到的解。仿真实验结果表明,该算法可满足各个约束条件,且全局寻优性能好,能够满足网络服务质量要求。     

无线传感器网络簇头多跳路径路由算法

在LEACH协议特定簇头选取(DCHS)算法的基础上,提出了一种基于蚁群优化(ACO)的簇头间多跳路径(ACO-CHMP)路由算法。该算法先采用DCHS算法分簇,在稳态运行阶段,利用改进的ACO算法找到从距基站最近簇头节点到基站的遍历所有簇头节点的最优路径,然后从该簇头节点开始沿着最优路径进行数据传输到基站。仿真结果表明:与LEACH算法、DCHS算法和ACO算法相比,该算法极大地均衡了网络的能量消耗,延长了无线传感器网络生命周期。     

改进的求解TSP问题文化蚁群优化方法

在文化算法基础上提出了一种改进的用于求解TSP问题的蚁群优化算法。改进算法采用新的双层进化机制对文化算法的种群空间与信念空间进行了重新设计,用最大最小蚁群系统（MMAS）构建种群空间,在信念空间中对当前最优解进行改进的3-OPT交叉变换操作,由于采用了这种双层进化机制,种群空间获得了更高的进化效率。通过仿真实验结果表明,改进算法比传统的蚁群算法（ACO）、文化蚁群算法（CACS）效果更好,收敛速度更快,精确度更高。     

一种求解邮路问题的量子进化算法

乡村邮递员问题属于NP完全问题,对它的近似求解方法主要是智能算法及线性规划,但其中的基本量子进化算法易陷于局部最优解。为此,提出一种新的量子进化算法,结合城市垃圾运输问题,对算法进行测试。结果表明,该算法在全局寻优能力及种群多样性方面均比传统算法有所改进,是求解乡村邮递员问题的一种有效算法。     

基于ACO-LSSVM的网络流量预测

为了提高了网络流量的预测精度,提出一种蚁群算法（ACO）优化最小二乘支持向量机（LSSVM）参数的网络流量预测算法（ACO-LSSVM）。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。