鲁棒并行设计的模型与算法

提出一种基于约束网络的鲁棒设计方法,该方法能用约束网络对并行设计中的一类不确定性参数进行有效的描述和处理。提出了反映该问题需求的数学模型,设计了通用的一致性求解算法框架,得到了满足该框架的算法都是弧一致的充分条件以及推论,并利用区间算法对该框架进行实现。飞行器布局设计实例说明了该方法的有效性。     

遗传/粒子群混合算法在飞剪机结构优化中的应用

飞剪机结构参数设计需满足若干技术性能要求才能保证剪切质量。飞剪机结构参数优化设计问题要满足多个非线性约束要求,同时需优化多个目标函数,提出遗传算法/粒子群混合算法用于曲柄连杆式飞剪机结构参数优化设计,结合各自算法的优势,在算法运行初期利用遗传算法的全局搜索能力进行优化搜索,在算法运行后期利用粒子群较强的局部搜索能力进行搜索,综合考虑多个目标函数和约束条件,通过实例计算表明,该混合方法可以稳定、有效的获取到满意的优化设计结果。     

非严格的中枢辐射航线网络设计的鲁棒优化方法

为解决中枢辐射航线网络设计结果易受参数不确定性影响的问题,首先在需求和成本具有不确定性的条件下,建立了非严格意义上的无容量限制的中枢辐射航线网络鲁棒优化模型,并采用鲁棒优化方法对航线网络进行优化设计.然后结合中枢辐射航线网络实际应用中枢纽个数少的特点,对最短路算法加以改进,提出了一种求解航线网络鲁棒优化设计的精确算法,得到了适用于多种可能情景的鲁棒解.最后利用有关的成本和需求数据对该方法进行了验证;结果表明,鲁棒优化设计方法对航空公司构建中枢辐射航线网络具有很好的实用性.     

基于罗兰C磁天线的高精度数字移相算法研究

在介绍罗兰C全向磁天线设计方法和接收特性的基础上,针对全向磁天线信号合成中的数字移相环节,设计了一种高精度数字移相算法,该算法突破了传统数字移相算法移相精度受信号采样率限制的缺陷,实现了信号的高精度数字移相。利用罗兰C标准脉冲信号对移相算法进行了仿真计算,并用实际采集的罗兰C信号进行了验证,结果均表明了算法的正确性和优越性。该算法具有计算过程简单,易于采用高性能硬件逻辑可编程芯片FPGA/CPLD来实现,在罗兰C全向磁天线设计中获得了较好的应用效果。     

轨道电路移频信号参数高精度快速检测算法的研究北大核心

现代铁路运行中,及时了解轨道电路移频信号的状态将直接影响到列车的行车安全;为了高精度、准确快速的检测轨道电路移频信号参数,通过分析轨道电路移频信号的频谱特点,对基于FFT的汉宁窗频谱校正算法在移频信号参数检测中的应用进行了研究,利用MATLAB对其进行仿真,结果表明在该算法下各参数检测值均满足误差指标要求,同时将采样时间缩短到1s以内,提高了检测的快速性,该算法为实时移频信号参数测试仪的设计提供了理论依据。     

供电网络优化设计的模拟退火算法

对供电网络优化设计提出了一种新算法。把供电网络优化设计问题抽象成图论问题，应用图论最优化方法解决该问题。同时提出了多边形变换方法，用模拟退火算法对供电网络进行优化设计，最终得到一个费用最小电网。     

混沌时间序列的自适应变异差分进化ANFIS预测

提出了一种基于自适应变异差分进化（AMDE）算法的ANFIS模型对混沌时间序列进行预测的方法,该方法采用自适应变异差分进化算法和最小二乘法相结合的混合学习算法对ANFIS网络结构参数进行优化设计,利用差分进化算法的全局寻优能力对ANFIS网络前件参数进行优化,而网络的结论参数采用最小二乘法优化,混合学习算法提高了网络参数辨识的收敛速度和系统的全局收敛性,仿真实验结果表明了该方法的有效性。     

供电网络优化设计的模拟退火算法

对供电网络优化设计提出了一种新算法，把供电网络优化设计问题抽象成图论问题，应用图论量优化方法解决该问题，同时提出了多边形变换方法，用模拟退火算法对供电网络进行优化设计，最终得到一个费用了小电网。     

均匀设计在粒子群算法参数设定中的应用

针对依靠经验和试验来确定粒子群优化算法中的参数设定方法存在试验工作量大且难以得到最优的参数组合的问题,提出了一种改进的粒子群算法,该算法利用均匀设计的思想设定算法的最优组合参数,把参数设定问题描述为均匀试验设计中多因素多水平优化设计问题,从而能够以较少试验很快设定算法参数的取值,以使算法获得最优性能。仿真试验表明,利用均匀设计得到的参数组合可使粒子群算法获得稳健和高效的优化效果,说明了该方法的可行性和有效性,且可以推广到其他算法参数的设定。     

基于梯度有限元的异质材料实体优化设计

针对具有空间分布梯度的异质材料实体的优化设计,建立了两相材料梯度 有限元的概念,利用拉格朗日单元的形函数对体积分数进行插值,在节点邻域内引入设计变 量自适应下界进行梯度控制,利用移动渐近线算法求解优化设计数学模型以使结构满足特定 的功能和目标,以金属夹钳为算例验证了该方法的可行性和鲁棒性。     

大数据下基于特征图的深度卷积神经网络

针对大数据环境下DCNN(deep convolutional neural network)算法中存在网络冗余参数过多、参数寻优能力不佳和并行效率低的问题,提出了大数据环境下基于特征图和并行计算熵的深度卷积神经网络算法MR-FPDCNN(deep convolutional neural network algorithm based on feature graph and parallel computing entropy using MapReduce)。该算法设计了基于泰勒损失的特征图剪枝策略FMPTL(feature map pruning based on Taylor loss),预训练网络,获得压缩后的DCNN,有效减少了冗余参数,降低了DCNN训练的计算代价。提出了基于信息共享搜索策略ISS(information sharing strategy)的萤火虫优化算法IFAS(improved firefly algorithm based on ISS),根据“IFAS”算法初始化DCNN参数,实现DCNN的并行化训练,提高网络的寻优能力。在Reduce阶段提出了...     

一种参数联合优化的网络流量非线性预测模型

为了提高网络流量预测精度,利用相空间重构和神经网络参数间的相互联系,提出一种参数联合优化的网络流量非线性预测模型。将相空间重构和预测模型参数作为粒子群优化算法的粒子,网络流量预测精度作为粒子适应度函数,通过粒子之间相互协作获得全局最优参数,根据最优参数建立最优网络流量非线性预测模型,通过网络流量实例对模型性能进行测试。结果表明,相对于传统参数优化方法,参数联合优化方法大幅度提高了网络流量的预测精度,为非线性预测问题提供了一种新的研究思路。     

网络化运动控制系统的经典调度算法应用研究

网络化运动控制系统作为一类特殊的实时系统,其系统的性能与资源（处理器、网络）的调度密切相关,将实时调度理论应用于网络化运动控制系统非常必要。在对用于单处理器的经典实时调度算法（RM和EDF）以及网络调度的研究现状进行综述的基础上,对网络调度和任务调度的异同点及网络调度的实现方法和应用技术进行了研究。最后,对RM和EDF两类调度算法在网络化运动控制系统中的应用及调度优化问题进行了仿真研究。     

扩展T-S模糊模型的PSO神经网络优化算法

针对机械设备具有模糊性和非线性的特点,提出了一种利用扩展T-S模糊模型的,自适应PSO算法和BP神经网络相结合的新型智能结构优化算法。通过自适应的高斯函数来更改基本T-S模糊模型中的隶属度函数,进而使用扩展的T-S模糊模型来调整PSO算法的参数。以BP 神经网络隐含层神经元数目为设计变量,提取训练后的均方误差作为评价函数,用改进后的粒子群算法进行寻优。把优化后的网络模型应用于轮盘结构优化中,实验表明,该方法在保证轮盘性能的同时,对其结构进行了重新优化,是一种可行的结构优化方法。     

一种结合PSO及改进BP网络的辨识方法

当辨识神经网络的类型和结构确定后,初始权值等辨识参数直接影响到辨识效果,而依靠先验知识试凑而得的参数值往往难以达到最佳效果。针对这一问题,提出了一种结合粒子群（PSO）算法及引入动量项的改进BP网络的辨识方法,利用PSO对改进BP网络辨识的初始权值/偏置、学习率、动量系数进行寻优,并将优化后的神经网络模型用在控制系统中进行修正,进一步完善辨识模型。应用在热工系统中,仿真结果表明了该辨识方法的有效性。     

混合遗传算法在WSNs定位中的应用

定位是无线传感器网络(WSNs)的应用支撑,针对用最小二乘法处理DV—Hop算法第三阶段误差过大、定位精度差的问题,提出了遗传算法(GA)+单纯形法的混合GA后期优化处理DV—Hop算法。其中,DV—Hop定位算法第一,二阶段用跳距估计出信标节点与未知节点间的距离,再用GA(建立了代价函数与惩罚函数结合的适应度函数)与单纯形法(作为遗传算子增加了算法的局部搜索能力)结合的混合GA采用保优原则优化未知节点的坐标。通过仿真可知:该算法的定位精度高、网络覆盖率大,适合WSNs的定位。     

基于粒子群优化算法的模拟滤波器设计

采用传统的网络综合法设计计波器存在带宽不精确及阻带衰减过小的问题,为此,提出一种基于粒子群优化算法的无源模拟滤波器优化设计方法.在网络综合法设计的滤波器电路基础上,利用粒子群优化算法对滤波器的整个参数空间进行高效并行搜索直到获得最优的参数值.实例表明,采用该方法设计的滤波器带宽更加准确,且具有更加陡峭的阻带衰减.     

QPSO算法的改进及其在DBN参数优化中应用

为了提升标准量子粒子群算法（Quantum Particle Swarm Optimization,QPSO）的收敛精度,提出了基于粒子势阱长度变化率的粒子平均最优位置权重计算方法,通过平均最优位置的调节,来提升粒子的寻优能力,并将改进后的QPSO算法应用于深度置信网络（Depth Belief Network,DBN）模型的学习率参数寻优中,以便找到最优的DBN模型参数,来提升DBN模型的识别准确率。将通过改进后QPSO算法进行参数寻优的DBN网络（LQ_DBN）应用于蛋黄形状检测中,与现有典型的DBN网络模型对比表明,LQ_DBN模型在蛋黄形状检测实验中的识别准确率比CC-PSO-DBN、PSO_MDBN和标准DBN模型都要高,且检测识别准确率的稳定性也是四种对比模型中最高的,表明基于改进的QPSO算法的DBN网络模型取得了较好的优化效果。     

基于改进栈式稀疏去噪自编码器的图像去噪

为了提高栈式稀疏去噪自编码器（SSDA）的图像去噪性能,解决计算复杂度高,参数不易调节,训练收敛速度慢等问题,提出了一种栈式边缘化稀疏去噪自编码器（SMSDA）的图像去噪方法。首先,由于边缘化去噪自编码器（MDA）具有收敛速度快这一特性,对SDA网络损失函数作边缘化处理,形成边缘化稀疏去噪自编码器（MSDA）,使其同时满足边缘性和稀疏性。其次,将多个MSDA堆叠构成深度神经网SMSDA,为避免模型参数局部最优,采用非监督逐层训练法分别训练每一层网络,再用BP算法对整个网络微调,从而获得最优权重。最后,用SMSDA对给定图像去噪。仿真结果表明,较SSDA而言,所提算法在降低计算复杂度、提高收敛速度的同时,拥有较高峰值信噪比（PSNR）,且保留了更多原始图像的细节信息,具有更好的降噪性能。     

基于优化RSSI精度的WSN加权质心定位算法

为消弱接收信号强度指示误差对无线传感器网络节点定位精度的影响,提出基于优化接收信号强度指示测距精度的加权质心定位算法。该算法根据接收信号强度指示（RSSI）和链路质量指示（LQI）在不同距离段的衰落曲线起伏的波动状况,采用分段测距的方法优化RSSI的测距精度,接着将优化后的距离值作为加权质心算法的权值因子对节点进行定位,进而提高定位精度。实验结果验证了该优化算法的有效性。