一种新的Turbo码译码迭代停止准则

介绍了Turbo码编码与译码原理。针对传统停止迭代准则译码耗费硬件资源的不足,提出了利用外部信息结合交叉熵迭代停止准则作为新的迭代停止准则算法。仿真分析结果显示：新的迭代停止准则可在不同的信噪比情况下,保证迭代次数适中并确保译码性能的稳定,应用该算法既可提高无线通信的数据传输质量、减小系统传输时延,又可最大限度地节约硬件资源。     

改进遗传算法全局收敛性分析

传统的遗传算法大多数没有给出收敛性准则。一类新的改进的遗传算法被提出,该算法即考虑了优化问题的全局性要求——每一步构造一个新函数,而这往往却比局部最优理论和方法困难得多;同时通过对选择算子的改进,对遗传算法后期进化缓慢问题得到了有效控制,最后给出了算法的收敛性证明以及收敛性准则。实例证明该算法是有效的。     

适用于单轮单样例标注场景的主动学习停止准则

针对现有的选择精度主动学习停止准则仅适用于批量样例标注场景这一问题,提出了一种适用于单轮单样例标注场景的改进的选择精度停止准则。该准则通过监督自本轮起前溯的固定学习轮次内的预测标记与真实标记间的匹配关系,对选择精度进行近似的评估计算,匹配度越高则选择精度越高,继而利用滑动时间窗实时监测该选择精度的变化,若当其高于事先设定的阈值,则停止主动学习算法的运行。以基于支持向量机的主动学习方法为例,通过6个基准数据集对该准则的有效性与可行性进行了验证,结果表明当选取合适的阈值时,该准则能找到主动学习停止的合理时机。该方法扩大了选择精度停止准则的适用范围,提升了其实用性。     

基于外信息绝对值信噪比的迭代停止准则

针对Turbo码译码延时较大的问题进行研究。通过分析译码器输出外信息绝对值信噪比的统计特性,利用译码器输出外信息绝对值信噪比的收敛特性,提出一种新的迭代停止准则,简称为SBAE准则。将新准则与现有的经典迭代停止准则对比,新准则节省了大量存储空间,通过仿真分析新准则下Turbo性能及平均迭代次数,得出结论:新准则在保证译码性能的同时,有效减少了译码的平均迭代次数,加速了Turbo码的译码过程,提高了译码效率,为Turbo码在实时系统中的应用提供一种有效方法。     

基于BIC停止准则的改进A*OMP信道估计算法

在高速移动场景下,由于多普勒频移的影响,OFDM系统会产生严重的载波间干扰,从而影响无线通信链路的质量。为弥补该缺陷以保障通信链路的质量需求,需要对高速移动通信信道进行准确估计,然后通过均衡算法进行补偿。已有的A~* OMP算法是一种基于多路径搜索和优选的改进OMP算法,与传统OMP算法相比,虽然能够更加接近全局最优解,但其使用的停止准则在高速移动通信信道估计中性能表现欠佳。为此,提出一种运用BIC停止准则的改进A~* OMP算法,对高速移动通信信道进行估计。仿真结果表明,BIC停止准则比原有准则具有更好的信道估计性能。该改进算法在350 km/h的场景下,与OMP算法相比,约有0.5 dB的性能提升。     

逐步求准的视频镜头聚类算法

提出一种有效的逐步求准的视频镜头聚类算法(SPC).该算法并不是直接处理视频数据的底层高维特征向量,而是先把这些高维特征向量通过小波变换转换到Haar小波系数空间中,然后利用多分辨率分析技术实现逐步求准聚类结果的目的.算法的每一步求准过程都属于层次聚类过程,它利用了一种巧妙的停止准则来使算法中的合并聚类过程结束 .该算法解决了以往镜头聚类算法中存在的聚类中心选取问题以及需要给出相关领域经验参数问题的同时,还能够自动的进行聚类个数的估计.理论分析和大量的实验结果表明,该算法是一种非常有效的视频镜头聚类算法.     

Kriging模型的增量构造及其在全局优化中的应用

为了解决高效全局优化算法(EGO)中迭代次数增多时构建Kriging模型速度过慢,以及对于某些响应值变化范围较大的目标函数出现过早收敛的问题,提出了增量Kriging方法和基于此方法的改进EGO算法.增量方法利用已经得到的关联矩阵的逆矩阵和新增的数据点忽略关联系数优化的过程,直接进行一系列矩阵运算,得到新关联矩阵的逆矩阵,进而得到更新后的预测模型.改进的EGO算法使用上述的增量方法和更加严谨的停止规则,包括改善期望、自变量和响应值的停止准则.最后使用标准函数分别对增量方法和EGO算法进行测试,结果表明,增量方法可在损失少量精度的情况下大大缩短模型更新的时间,改进的EGO算法具有更高的效率和稳定性.     

一种新的BEMD筛分停止准则

为优化二维经验模态分解(Bidimensional empirical mode decomposition,BEMD)算法,提出了根据空间位置信息的稳定性制定BEMD筛分停止准则的思想;明确了一维经验模态分解和二维经验模态分解在筛分停止需求上的本质区别.均值曲面的物理状态预示了待筛分曲面极值点数量和分布变化规律,基于此制定出一种BEMD筛分停止准则.实验表明,该准则较传统的停止准则有明显优势.     

应用于数字电视用户浏览行为的二分K-Medoids聚类算法

为了对数字电视用户浏览行为进行有效分析,提出了应用于数字电视用户浏览行为的二分K-Medoids算法。针对欧氏距离容易丢失数据信息,受异常值影响较大的缺点,利用云相似度对聚类算法进行了改进,减少异常数据等不确定因素对聚类结果的影响;针对K-Means 算法易受人为因素影响的迭代次数、大数据环境下聚类中心不再变化难以实现等停止准则问题,使用了一种综合类内、类间相似度和类簇个数三个因素的停止准则,在不过度消耗系统资源同时又能满足实际的聚类需求。在实验中,将基于云相似度的二分K-Medoids (BKS)、基于云相似度的K-Medoids(KS)算法在不同用户数量下进行测试,实验结果表明,提出的算法提高了聚类准确性和算法的鲁棒性。     

一种基于迭代局部搜索的和声搜索算法

为了改进原始和声搜索算法的全局搜索性能,提出了基于迭代局部搜索的和声搜索算法.该算法在充分利用和声记忆库中信息和提高搜索效率的同时,对于不满足停止准则的新和声采用基于改进kick策略移动的迭代局部搜索算法进行寻优,从而使新算法具有较强的"爬山"能力.针对4个benchmark函数对新算法做了测试,并与粒子群优化算法以及已有的几个算法进行了比较,结果表明该算法跳出局部极值点的能力较强、收敛速度更快、寻优精度较高;最后将新算法应用到焊接梁的优化设计问题中,仿真结果验证了该算法在求解焊接梁最小造价问题时优于原始的和声搜索算法、遗传算法等方法.     

TSP问题的禁忌模拟退火求解

提出了一种加入了禁忌表、并且采用了新的温度控制机制的用于求解TSP问题的模拟退火算法。新算法增加了搜索结束阶段进行“爬坡”移动的概率,吸收了禁忌搜索具有较强局部搜索能力的优点和模拟退火算法产生优质解的能力,并且对问题的依赖性低于传统的模拟退火算法。对标准的TSPLib中不同国家的城市数据进行测试的实验结果表明,新的算法比传统的模拟退火算法在求解TSP问题上有更快的收敛速度,在解的质量上也有一定程度的提高。     

基于改进模拟退火算法的软硬件划分

软硬件划分是嵌入式系统协同设计中的关键问题,已经被证明是一个NP问题。模拟退火算法是解决该问题常用的启发式算法,但是其存在收敛速度过慢的问题。通过改进算法的扰动模型和退火进度,提出一种新的代价函数计算方法来提高它的收敛速度。实验结果表明,相对于基于经典的模拟退火算法和已有改进的算法,新算法运行时间大大减少,并且增大了找到近似最优解的概率。     

Simulation optimization using simulated annealing

The purpose of this study is to investigate the feasibility of using a simulated annealing algorithm in conjunction with a simulation model to find the optimal parameter levels at which to operate a system. In particular, we discuss an effort to use simulated annealing to find a combination of input parameter values for a model which optimizes a nonconvex, nonconcave objective function of the input parameters. In the absence on an optimal annealing schedule, we demonstrate that multiple runs of the simulated annealing algorithm can result in an optimal or near-optimal solution to the problem.     

Accelerated simulated annealing algorithm applied to the flexible job shop scheduling problem

This paper presents a simulated annealing algorithm accelerated by a partial scheduling mechanism and a cooling schedule mechanism that is a function of the standard deviation. This facilitates a rapid approach to good solutions in the flexible job shop scheduling problem (FJSSP). The results demonstrate that for benchmark instances of several sizes, simulated annealing that implements the proposed mechanism converges more quickly to good solutions than simulated annealing that does not implement the proposed mechanism.     

一种新型模拟退火神经网络及其应用

针对训练神经网络权值的BP算法容易陷于局部最小值点的问题,提出了带自适应冷却进度表的模拟退火算法与lowell算法构成新型混合算法,用该算法训练网络的权值。冷却进度表中主要参数是模拟退火算法的控制参数T的初值T0和T的衰减函数。把整个迭代过程划分为若干阶段,在每个阶段结束时,依据网络模型误差自适应地修正下阶段的T0（回火温度）、T的衰减函数中的参数和迭代步长初值。仿真结果表明,上述混合算法具有很强的全局和局部搜索能力,其性能优于BP算法;该算法在油田系统建模问题中的成功应用也表明了该方案的有效性。     

改进的模拟退火算法在板式家具工业优化下料问题中的应用

讨论了如何利用改进的模拟退火算法即单调升温的模拟退火算法求解板式家具生产中的优化下料问题。在对问题进行数学描述的基础上，给出了算法求解的关键步骤和方法；讨论了单调升温模拟退火算法中如何跳出局部最优解，以及升温幅值的确定方法。实例表明该算法优化速度快，效率高，能有效解决大规模矩形件优化下料问题。     

改进的模拟退火算法在板式家具工业优化下料问题的应用

讨论了如何利用改进的模拟退火算法即单调升温的模拟退火算法求解板式家具生产中的优化下料问题。在对问题进行数学描述的基础上,给出了算法求解的关键步骤和方法;讨论了单调升温模拟退火算法中如何跳出局部最优解,以及升温幅值的确定方法。实例表明该算法优化速度快,效率高,能有效解决大规模矩形件优化下料问题。     

在中学排课问题中实用的模拟退火算法应用

针对中学排课问题,提出了一种分阶段的模拟退火算法解决方案.中学排课问题难点主要在于如何解决课表中存在的大量冲突以及如何优化课表.初始化随机生成一张带有冲突的课表,经过算法第一阶段,人工干预异化解结构,使课表可行;算法第二阶段引导性的改变课表结构使课表满足通用的软约束条件;算法第三阶段采用启发式随机邻域异化操作,变异课表,产生更优解.为了满足实际生产环境中对课表多元化的需求,在UI界面中提供可以手动调节课表机制.经过实验发现,改进后的模拟退火算法在解决中学排课问题时收敛速度更快,运行效率更高,并且在迭代次数较少的情况下,也能产生可行解.     

一种新的遗传模拟退火算法的软硬件划分方法

针对嵌入式系统软硬件划分问题,在分析遗传算法和模拟退火算法的主要优缺点的基础上,提出了一种新的小生境技术改进的遗传模拟退火算法（NGSA）,在遗传算法中融入模拟退火思想,同时引入小生境技术,保持群体的多样性;并采用Metropolis 法则形成新群体,改善群体的质量。实验结果证明该算法具有很强的爬山能力和全局搜索能力,与遗传算法（GA）和模拟退火算法（SA）相比适应度明显提高。     

融合简化稀疏A*算法与模拟退火算法的无人机航迹规划

针对无人机航迹规划问题,提出了一种融合简化稀疏A^*算法与模拟退火算法（Fusion of Simplified Sparse A^* Algorithm and Simulated Annealing algorithm,简称FSSA-SA）的航迹规划方法.首先,在对威胁环境进行建模之后,将模拟退火思想与具体航迹规划问题求解相结合,给出了模拟退火算法求解航迹规划问题的具体设计与实现方法.其次,利用简化的稀疏A^*算法在规划起止点之间进行一次往返搜索,并将所得结果中较优的一条航迹作为模拟退火算法的初始解,实现了两种算法的融合.然后,当退火进行至低温区时,通过对位置存在冗余的航迹节点的剔除,进一步改善了算法的求解质量.最后为了验证算法的优越性,将本文算法与稀疏A^*算法、模拟退火算法进行了仿真对比试验.试验结果表明,本文提出的FSSA-SA算法相比于上述两种算法,具有较少的规划耗时;相比于稀疏A^*算法,在所得航迹的综合代价相差不大的情况下,内存占用量少了两个量级;相比与模拟退火算法,在相同的退火条件下,其规划所得航迹的综合代价平均减少了35%左右.