一个基于混合蛙跳算法的0/1背包问题算法

混合蛙跳算法是一种全新的基于群体智能的后启发式计算技术,具有高效的计算性能和优良的全局搜索能力.描述了0/1背包问题的数学模型,阐述了混合蛙跳算法的基本理论,在全局信息交换过程中加入变异操作,改进了混合蛙跳算法,并将该算法应用到0/1背包问题的求解,在实例上的运行结果表明本文方法的可行性和有效性.     

一种改进的蚁群算法求解多维背包问题

多维0-1背包问题是经典的非确定多项式问题(Non-Deterministic Polynomial,NP),针对蚁群算法求解该问题时易出现陷入局部最优、收敛速度慢等问题,提出了一种改进的蚁群算法。本文算法引入蛙跳算法的分群思想,将蚂蚁分为拥有不同文化的两个群体,提高了全局搜索能力;采用贪心策略修改公式,针对具体问题具体分析,提高了算法的精确度;融合轮盘赌算法简化了公式。仿真结果表明,本文算法加强了全局搜索能力,得到的结果更为精确。     

基于惯性权重蛙跳算法的WSN布局优化

针对传统混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)易陷入局部极值的问题,在青蛙最差个体的更新策略中引入反正切惯性权重加以修正,从而使该算法具有更强的全局搜索能力及局部搜索能力。将提出的改进型蛙跳算法应用到WSN(Wireless Sensor Network,WSN)覆盖优化问题中,通过理论数据分析及仿真结果证明,改进的蛙跳算法较传统的SFLA、PS0、WIS-SFLA对网络覆盖率有较大的提升,是一种较优的覆盖优化方法。     

一种求解0-1背包问题的混合粒子群算法

针对0-1背包问题,提出一种具有修复策略的、贪心算法与二进制粒子群算法相结合的混合智能算法.数值试验结果表明,该方法能在一定程度上克服早熟现象,且收敛速度较快.因此,应用该混合智能算法求解0-1背包问题是比较有效的.     

一种改进的混合蛙跳算法

针对基本混合蛙跳算法存在的易陷入局部最优、随着迭代次数增加种群退化的缺点,提出了一种改进的混合蛙跳算法。该算法将混合蛙跳算法中子群体内最差解根据子群内最优解和全局最优解进行更新的方式转换为最差个体根据子群内中心点和全局最优解进行更新的方式,使得最差解通过获得来自子种群内其他解的更多信息量来调整自身的状态。同时,算法在完成一次内迭代合并之后利用选择算子对整个种群进行选择更新。中值策略较好地平衡了算法的全局搜索与局部搜索能力,选择策略保持了进化过程中种群的多样性。实验结果表明:改进后的算法具有更好的优化性能。     

一种改进的混合蛙跳算法求解有约束优化问题

提出一种适用于求解有约束优化问题的改进混合蛙跳算法(improved shuffled frog leaping algorithm, Im-SFLA)。该算法针对混合蛙跳算法(shuffled frog leaping algorithm, SFLA)在进化后期搜索速度变慢且容易陷入局部极值的缺陷,将模拟退火和免疫接种思想引入到具有高斯变异和混沌扰动的SFLA中。标准测试函数仿真结果表明Im-SFLA能显著提高收敛速度和精度,并能有效克服局部极值,全局寻优能力明显优于SFLA。使用静态罚函数法将有约束优化转化为无约束优化,对12个有约束优化测试函数的实验结果表明Im-SFLA寻优精度高、鲁棒性强,是一种十分有效的求解有约束优化问题的算法。     

CMSFLA-SVM算法在人脸识别中的应用

针对蛙跳算法(shuffled frog leaping algorithm,SFLA)易陷入局部最优,且求解精度较低的问题,提出一种交叉变异的蛙跳算法(crossover and mutation shuffled frog leaping algorithm,CMSFLA).该算法在全局搜索中,青蛙个体依适应度值而选择不同概率分别进行交叉和变异操作.将改进的蛙跳算法CMSFLA训练支持向量机(support vectors machines,SVM),并将其用于人脸识别中.ORL和CAS-PEAL-R     

0-1背包问题的一种新的启发式算法

为了提高求解0—1背包问题的效率，提出了这类问题的一种基于贪婪算法的启发式近似算法，通过寻找尽可能大的可行解和尽可能小的上界，从而求出近似最优解，该算法最大的优点是可以给出计算误差，算法的最坏性能比是2，通过编程计算证明该算法具有良好的性能．     

对较好和较差个体双向更新的混合蛙跳算法

针对基本蛙跳算法在处理复杂函数优化问题时求解精度低且易陷入局部最优的缺点,将共轭梯度法引入基本蛙跳算法,对排名靠前的p个模因组中的精英个体和排名靠后的q个模因组中的落后个体同时使用共轭梯度法进行更新,一方面增强对较差青蛙的指导能力,另一方面使最差的青蛙直接更新,提高了算法的收敛精度.所得混合蛙跳算法有效结合了基本蛙跳算法较强的全局搜索能力和共轭梯度法快速精确的局部搜索能力.将所得的混合蛙跳算法与其他智能优化算法进行对比,数值试验结果表明,无论从收敛精度还是进化代数而言,所得混合蛙跳算法较其他算法均有较大的改进,具有更高的收敛精度,能有效避免陷入局部最优,且优化结果更加稳定.     

求解大规模0-1背包问题的改进人工鱼群算法

针对现有算法在求解大规模0-1背包问题时存在求解精度不够和稳定性不足的情况,将贪婪算法引入到人工鱼群算法中,提出一种基于贪婪的极坐标编码人工鱼群算法。该算法引入贪婪思想对母体的初始值以及非法解修正方式进行改进;根据大规模0-1背包问题的特点对算法中的母体结构和迭代方式进行调整,并引入最优保留机制增强算法搜索的方向性。通过对物品为500、700和1 000的背包问题的实验结果表明,该算法具有良好的寻优能力和鲁棒性。     

超椭圆曲线上的Jacobian加法算法的优化

计算超椭圆曲线上的Jacobian群中两个元素D和E的运算2D＋E是标量乘法的重要过程,该运算通常分为一个倍点和一个加法进行两次计算.通过优化T.Lange的计算公式,直接计算2D＋E,减少了中间结果的计算量,使得计算效率提高6%～8%.该方案也可用于超椭圆曲线密码体制的数字签名验证和Weil/Tate对的计算.     

云计算中的混合加密算法

为了使存储在云中的数据更加安全,根据云计算的特点,采用混合加密的方式对传统加密算法进行重新设计。在设计过程中,主要利用云计算存储容量大、运算速度快、并行性强的特性,结合传统加密算法的特征,改进设计了密钥加密法、二次加密法和分组混合加密法。实验结果表明,在云计算中3种混合加密算法均比传统加密算法有显著优势。     

同好推荐算法的实践

针对传统推荐算法在运算速度及稳定性不足等问题提出了基于矩阵模型的创新算法.通过对手机社区用户图书近一年的下载数据进行分析,依次测试每个月不同数据量下新旧算法的推荐效率,改进算法的离线计算方式,提前计量物品与物品之间的同好度表,同时,随机抽取百多名用户,计算新旧算法平均耗时表和数据量时间比指标表.实验表明,改进的算法具有明显的效率优势,不仅运算速度提高,运算结果可以重复使用,还提高了算法耗时的稳定性.算法拓展可用于商品的同好推荐,计算两物品之间的关联度,分析事件发生的影响因素等.     

用于宽带信号测向的修正RSS算法

宽带信号测向是信号处理研究的难点课题之一,在许多领域都有重要应用.如何提高测向算法的精度和运算速度成为急需解决的问题。这里利用矩阵奇异值分解的性质,对旋转信号子空间宽带测向算法中聚焦矩阵的计算方法进行修正,从而给出了一种简便的聚焦矩阵计算方法─修正RSS算法,该算法可以大大减小运算量,与传统的RSS算法相比,修正的RSS算法在方向估计精度、分辨率和相干测向性能等方面都获得了较大提高.将该算法应用到八元均匀线阵上,仿真实验结果证明了算法的有效性.     

基于P-Q解耦变换的智能电网状态估计算法

针对传统的电力系统状态估计算法存在计算精度低,运算时间成本高的问题,提出了一种基于P-Q解耦变换的电力系统状态估计算法.该算法将支路功率量测、负荷量测与电压电流幅值量测进行解耦.保留解耦后的非线性迭代表达式,得到变换后的功率表达式,并完成状态估计的优化计算. IEEE标准节点系统的测试计算结果表明,所提出的算法能够适用于不同网络拓扑结构的研究,并可以满足计算精度和计算时间的要求.     

模型参数化方法的一种改进算法

针对线性结构的有限元模型,并基于时域内的响应测量信息,建立了直接识别单元水平结构物理参数的改进算法;通过引入浮点运算指标Flop,定量分析了改进算法与原算法的计算效率.数值仿真了一大型空间网壳结构的参数识别,并对比分析了改进算法与原算法在相同计算条件下的识别效率,结果表明:在保证无噪声条件下识别精度100%时,改进算法的计算效率提高了约30倍;且改进算法可以有效地识别未知输入条件下的结构参数.由此得出结论,改进算法不仅能够大幅度提高参数识别的计算效率,而且易于扩展到未知输入情况下的参数识别,因而特别适合于大型结构的参数识别.     

CUDA架构下的快速Wallis影像增强算法

针对图像增强通常需要较大的计算量、用传统方法难于进行实时处理的问题,提出了一种基于图形处理器加速的Wallis变换影像增强方法.借助于图形处理器较强的运算能力,利用CUDA并行计算架构在PC机上实现了快速Wallis图像滤波算法,包括图形处理器（GPU）上任务分解、大规模计算核心的分解方法,结合使用共享存储器、全局存储器对算法进行加速,使用线程块内的共享存储器较好地解决了同一计算子空间的各线程同步问题.对比了CPU和GPU计算Wallis影像变换的时间,结果表明,随着图像分辨率的增大,Wallis并行算法可以把计算速度提高40倍.该方法具有较好的实时性,可大大提高图像增强过程的处理速度,显著地减少了计算时间.     

基于时延限制的Bellman-Ford算法

文中针对计算机通信中的QoS(QualityofService)要求 ,在Bellman Ford算法的基础上 ,提出了基于时延限制的Bellman Ford算法DCBF(Delay ConstrainedBellman Ford) .详细描述了DCBF算法 ,证明了DCBF算法的正确性 ,分析了DCBF算法的计算复杂度 ,并给出了一个实例 .     

基于云计算平台的代价敏感集成学习算法研究

针对现实生活中大规模不平衡数据的分类问题,设计了一种基于云计算平台的代价敏感集成学习分类算法。Hadoop云计算平台对海量数据进行划分用于并行学习,同时结合代价敏感的思想对学习得到的基分类器进行加权集成,实现了云计算平台上的代价敏感集成学习分类模型。仿真实验表明该模型能够明显提高少数类的查全率,同时Hadoop的并行机制使得云平台坏境下的集成学习时间较集中式环境有大幅度的缩减,进一步提高了大规模不平衡数据分类问题的学习效率。     

A distributed deadlock detection algorithm for mobile computing system

The mode of mobile computing originated from distributed computing and it has the un-idempotent operation property, therefore the deadlock detection algorithm designed for mobile computing systems will face challenges with regard to correctness and high efficiency. This paper attempts a fundamental study of deadlock detection for the AND model of mobile computing systems. First, the existing deadlock detection algorithms for distributed systems are classified into the resource node dependent （ RD ） and the resource node independent （RI） categories, and their corresponding weaknesses are discussed. Afterwards a new RI algorithm based on the AND model of mobile computing system is presented. The novelties of our algorithm are that： 1 ） the blocked nodes inform their predecessors and successors simultaneously; 2） the detection messages （agents） hold the predecessors information of their originator; 3 ） no agent is stored midway. Additionally, the quit-inform scheme is introduced to treat the excessive victim quitting problem raised by the overlapped cycles. By these methods the proposed algorithm can detect a cycle of size n within n - 2 steps and with （ n^2- n - 2 ）/2 agents. The performance of our algorithm is compared with the most competitive RD and RI algorithms for distributed systems on a mobile agent simulation platform. Experiment results point out that our algorithm outperforms the two algorithms under the vast majority of resource configurations and concurrent workloads. The correctness of the proposed algorithm is formally proven by the invariant verification technique.