面向旅行商问题的一种改进遗传算法

针对传统遗传算法解决组合优化领域的典型难题--旅行商问题时存在的缺陷与不足,对传统遗传算法加以改进.引入了种群熵和基因座多样性来测度种群的多样性,并利用求得的测度值修改了个体的适应度,达到了预期目的.还提出启发式交叉箅子、二分局部搜索、自适应遗传参数,使该算法在提高搜索效率与解质量方面取得了综合平衡.在算法的仿真和测试中,改进后的算法明显优于传统的遗传算法.这表明,该算法具有良好的可行性和实用性.     

基于混沌置乱和分形维数的数字水印算法

把分形维数理论应用到数字水印中,提出了基于混沌置乱和分形维数的DCT域数字图像水印算法.首先将载体图像分块,计算每个小块的分形维数,根据分形维数调节嵌入强度系数,将经过混沌置乱的水印图片嵌入到载体图像的DCT域直流分量中.MATLAB实验结果表明,该算法具有较好的不可见性,对常见的图像处理攻击具有较好的鲁棒性.     

分布式图计算框架混合计算模式的研究

分析了分布式图计算框架的同步和异步计算模式在调度开销和收敛速度上存在的优点与不足.同步计算模式调度开销小,但是收敛较慢;而异步计算模式收敛较快,但调度开销大.基于上述发现,提出一种混合计算模式,能够在分布式环境下有效地结合同步与异步计算模式的优点克服各自不足,以获得最优性能.混合计算模式采用"同步控制流"以降低分布式环境下的调度开销,同时采用"异步数据流"使计算过程使用较新的数据以加快收敛速度.基于多个典型图算法和真实大规模图的评测显示,混合计算模式的性能是原有同步计算模式的1.2倍到2.4倍,计算量平均减少30%;相对于异步计算模式通过减少调度开销,整体性能可以提升至其2.3倍到4.6倍.     

代谢途径分析研究进展及其应用

由于缺乏详尽的热力学参数,基于网络拓扑的代谢途径分析是现阶段最重要的途径分析方法。首先简单地介绍了基于网络的途径分析方法发展简史,随后着重说明了基于凸分析的两种代谢途径分析方法：基元模式和极端途径及它们之间的异同,并详细阐述了这两种方法的具体应用。最后,使用极端途径分析了苏云金杆菌的PHB代谢。结果表明,除了传统的途径,还存在一些新颖的途径可用于PHB合成。     

基于多尺寸网格的LEACH协议改进

针对低功耗自适应集簇分层型(LEACH)协议中节点采集的数据存在大量冗余和能量消耗不均衡问题,提出一种能量高效路由协议MDG-LEACH。该协议基于虚拟网格和多尺寸网格选取活跃节点,采用综合考虑节点剩余能量和空间分布情况的簇头选择机制,簇头与基站之间根据动态规划方法建立最短传输路由树进行数据传输。仿真结果表明,与LEACH协议以及单剑锋的LEACH改进协议(计算机技术与发展,2013年第2期)相比,MDGLEACH协议在均衡节点能量消耗和延长无线传感器网络寿命方面有了较大提高。     

基于IRT的二项分布MAMI模型及其参数估计

项目反应理论的一个很重要的应用是在计算机自适应考试(CAT),CAT可以较好地估计对考生能力水平,还可以大大缩短考试时间,有着良好的发展前景。为了更好地测量考生的能力,本文根据项目反应理论,在多尝试、单一项目反应模型的基础上,引入多尝试,多项目反应模型,并建议用MMLE/EM方法对此种模型进行参数估计。     

Simulink模型到Modelica模型转换技术

针对Simulink模型重用到更高阶的Modelica平台上的需求,分析Simulink模型的数学本质和代码表达,以及Modelica对外部函数和外部类的支持,重用Simulink模型转换生成的S function目标C代码,实现Simulink模型到Modelica模型转换.     

可靠多播网络的动态缓存分配算法与替换策略

ACP是一种适用于多组共享环境的路由器缓存管理协议。在突发数据流频繁出现的互联网中,当多播组数量或者组成员发生变化时,ACP分配算法暴露出慢收敛和分配结果不稳定等问题。通过设计并实现动态缓存分配算法、超时算法以及丢包策略,提出了一种新型的、适用于大规模多播网络的自适应主动可靠多播协议(AARM）模拟实验结果表明,与ACP相比,AARM将为多播网络在恢复延迟、带宽消耗和网络吞吐等方面带来明显的性能提升。     

一种缓解协同过滤算法数据稀疏性的方法

协同过滤算法是推荐系统中最古老的算法之一,同时也是当今推荐系统中使用最广泛的一种算法。但是在简单,效率高的同时,协同过滤算法还存在数据稀疏性,冷启动等一些问题.本文针对其数据稀疏性的问题,提出了一种根据兴趣度预测用户未评分项目的方法。最后通过基于Netflix数据集的实验结果表明,该方法能够更好的处理稀疏矩阵,能缓解数据稀疏问题,从而提高了协同过滤算法的准确性。     

应用反向学习策略的群搜索优化算法

群搜索优化算法(Group Search Optimizer,GSO)是一类基于发现者-加入者(Producer-Scrounger,PS)模型的新型群体随机搜索算法。尽管该算法在解决众多问题中表现优越,但其依然面临着早熟和易陷入局部最优的问题,为此,提出了一种基于一般反向学习策略的群搜索优化算法(GOGSO)。该算法利用反向学习策略来产生反向种群,然后对当前种群和反向种群进行精英选择。通过对比实验表明,该方法效果良好。