多极小值粒子群优化算法

针对标准粒子群算法只能搜索到目标函数一个最小值的缺点,提出多极小值粒子群算法.该算法通过在每一代粒子群中搜索极小值粒子,使得该算法中的粒子不仅具有目标函数的最小值点信息,而且还具有目标函数的极小值点信息,从而达到搜索目标函数最小值和多个极小值的目的.该算法消除了标准粒子群算法在搜索多极小值函数时全局最优粒子在不同极小值位置附近振荡的缺点,明显的提高了收敛的速率和搜索的精度.通过对典型的一维、二维和多维目标函数进行测试,证明了多极小值粒子群算法能够寻找到目标函数的全部极小值和其所在位置,且具有很强的全局收敛能力,验证了多极小值粒子群算法的有效性.     

高效的基于双线性对和身份的广义签密方案*

为解决目前基于身份的广义签密方案效率不高的问题,利用双线性对,结合广义的思想,提出了一个高效的基于身份的广义签密方案。在随机预言机模型下给出了该方案的安全性证明,证明结果表明该方案满足抗适应性选择密文攻击下的机密性、不可伪造性和不可否认性。与目前惟一的一个基于身份的广义签密方案相比,本方案减少了两个对运算,是目前效率最高的基于身份和对映射的广义签密方案。     

某过江隧道南线工程降水方案研究

以纬三路过江通道南岸工程为背景,结合场区工程地质及水文地质条件,借鉴该地区类似工程经验,确定基坑降水的影响半径及场区综合渗透系数参考值,在此基础上进行深基坑的降水计算与设计,详细介绍了疏干井和降压井在基坑降水中的应用。最后,建立地下水渗流数值模型,采用三维有限差分法对基坑内承压含水层降水效果进行模拟验证。模拟结果表明:该降水方案合理可行,达到了设计要求,能够取得明显的效果。实践表明降水方案合理可行,可为该地区其他类似基坑降水工程提供指导。     

一种基于神经网络的微波器件快速建模方法北大核心CSCD

随着微波器件结构复杂度的增长和产品性能要求的提高,微波器件建模不仅要能够描述其理想电磁特性,还要能快速准确反映多物理参数对器件性能的影响。虽然神经网络已经被引入到微波器件领域,但是将其应用于器件的多物理特性建模的研究还比较少。文章提出了一种基于人工神经网络的多物理参数建模方法来表示输入输出变量之间的非线性关系。提出了一种高效的神经网络多物理参数模型,并针对该模型引入了一种新的训练算法。所提出的模型可以快速准确地预测微波器件的多物理响应,如滤波器的S参数特性曲线、离子敏感场效应晶体管的输出特性曲线等。与有限元方法相比,此方法可以节省约98%的计算成本与99%的计算时间,为实现快速高效的微波器件行为级建模提供一种可行方法。     

无冲突满足P4的无β环数据库模式分解条件的研究

无β环是一种重要的无环级别,与无损联接、保持依赖和４ＮＦ一起,成为多值依赖环境下数据库模式规范化的基本要求,能够直接指导数据库的模式设计,文中提出了严格无冲突的概念,以线图为工具,证明了应用分解树算法对一个严格无冲突的ＭＶＤ集分解得到的数据库模式对应的线图及等权化简子图都是三角化的,而且图中每个三角形都相容的,最后得出无冲突条件下无β环且满足保持数据依赖、无损联接和４ＮＦ的数据库模式分解的充要条件     

无线传感器网络中DV-Hop定位算法的改进

针对无线传感器网络非基于测距的DV-Hop定位算法中,信标节点与未知节点之间平均跳距估计的不足以及三边定位过程中信标节点的选择对定位误差的影响,提出一种改进的DV-Hop定位算法.在改进策略中,对平均跳距采用加权处理进行修正,并有选择性的选取信标节点参与最后的三边定位.仿真结果表明,改进后的DV-Hop算法能够更准确地对平均跳距进行估计,并且有效地降低了未知节点的定位误差.     

基于Agent的同步休假排队调度系统仿真研究

目前港口卸车调度系统缺乏科学性,港口卸车效率低下,为了提高港口卸车效率,对卸车进行合理调度,通过对港口煤炭卸车流程的分析研究,构建了基于Agent的同步休假排队调度仿真模型。提出了基于Agent的同步休假排队调度算法,并结合秦皇岛港煤炭卸车系统业务数据,进行了仿真实验,实验结果表明了算法的有效性和实用性。     

一种基于泰勒级数的简化的Kóczy线性插值推理方法

在传统的模糊推理方法中,如果出现模糊规则库稀疏的情况,模糊推理就得不出正确的推理结论.针对这个问题,Kóczy和Hirota提出了一种线性插值推理方法.线性插值推理方法解决了稀疏规则库情况下如何得出推理结论的问题,但是,用这种方法得出的结论有时是不正规的模糊集.本文提出的基于泰勒级数的Kóczy线性插值推理方法,能保证“当模糊规则A1= >B1 ,A2 =>B2 和推理前件A* 是正规的线性隶属函数(三角形或者梯形)时,插值推理结论B* 也是正规的线性隶属函数(三角形或者梯形)”.     

基于RBF神经网络的直接广义预测控制

针对广义预测控制算法需要在线递推求解 Diophantine 方程及矩阵求逆等计算量大的缺陷,对参数未知多变量非线性系统提出一种径向基函数神经网络的直接广义预测控制算法.该算法将多变量非线性系统转化为多变量时变线性系统,用三次样条基函数逼近系统广义误差向量中的时变系数,然后利用径向基神经网络来逼近控制增量表达式,并基于广义误差估计值对控制器参数向量即网络权值向量θu和广义误差估计值中的未知向量θe进行自适应调整.仿真结果验证了此算法的有效性.     

基于协同进化的自适应遗传算法研究

针对传统遗传算法易于陷入局部最优解,性能不稳定的问题,提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上,引入一个自适应的变异策略,改进了协同进化遗传算法中的局部进化操作,加强了在上层中的局部搜索;在下层,在种群之间采用协同进化算法,克服未成熟收敛,在种群内部进化中引入自适应遗传操作,保护种群中的优秀个体。实验验证CEAGA既具有很快的收敛速度,又具有很好的全局搜索性能。