一种适用于大规模变量的并行遗传算法研究

当前MapReduce并行编程模型得到了广泛的应用.相对于传统的基于PVM或者MPI的并行编程方式,它在执行时间和处理问题规模等方面有明显优势.针对并行遗传算法的特点,提出基于MapReduce实现一种典型的并行遗传算法——粗粒度并行算法的方法,用以解决大规模变量问题.实验平台采用Hadoop,硬件条件为普通的服务器集群.在多目标优化问题测试中,当问题规模达到一定、处理变量数超过10E+7时,并行算法效率比串行提高数倍,并且能突破内存瓶颈.根据MapReduce自身特点调整其参数,改变并行程度,分析其对并行执行时间的影响.     

一种基于非合作博弈的无线传感器网络功率控制算法

提出了一种无线传感器网络中以容量最大化为目标的非合作博弈功率控制算法。通过效益函数来选择合适的发射功率,以保证网络连通性并缓解分组碰撞状况。而后给出了对该算法纳什均衡存在性和唯一性的证明。仿真结果表明:该算法可有效提高能量效率和网络容量。     

基于多目标粒子群优化算法的装备维修任务分配

装备维修任务分配问题是典型的多约束/多目标/非线性规划问题,利用传统方法无法求解,因此提出了一种约束多目标粒子群算法,并运用该算法对装备维修任务分配问题进行了优化求解。仿真结果表明,约束多目标粒子群算法针对该问题,在不同参数和约束条件下都有很强的收敛寻优能力,能快速产生多个非支配解,是一种高效的算法,对实现装备维修任务分配的客观量化优化决策有重要作用。     

基于跨层设计的无线自组网方案

首先详细描述了目前无线自组网现状及问题,然后基于跨层设计思想提出一种无线节点组网方案,尤其对MAC层、网络层的实现方案进行了详细描述,最后进行样机实现并搭建半实物仿真环境进行了仿真试验,仿真结果显示该组网方案在网络吞吐量方面比传统组网模式有显著提升.     

．NET平台下移动Agent系统开发技术研究

该文在分析微软．NET开发平台和移动Agent系统基础上,提出移动Agent系统开发所面临的三个主要问题,即如何移动代码、如何执行代码和如何相互通信等。以一个典型应用开发为例,研究了利用．NET平台中Remodng、反射等技术实现移动Agent系统开发的技术途径,简化了移动Agent系统的开发过程。     

安全能量效率优化的传感器网络传输研究

研究了射频无线充能传感器网络通信系统的安全传输及能量效率问题,针对传感器网络能量受限而无线通信容易被窃听的问题,利用物理层安全技术,提出了一种两阶段的安全传输协议。通过联合优化发送功率、射频能量协方差矩阵、敏感信息波束成型以及协作干扰协方差矩阵,使得传感器网络的安全能量效率达到最大。针对所提出的非凸问题,利用Dinkelbach方法将包含分式形式的目标函数简化,利用连续参数凸近似方法将非凸问题转化为可解形式,进而使用收敛迭代算法得到原问题的近似最优解。仿真结果表明,与对比方案相比,提出的传输方案可以在保证安全通信的基础上有效提高安全能量效率。     

基于机器学习的文本分类技术的研究

基于机器学习的文本分类是近年来信息检索领域的热门研究技术,并且取得了较大进展.本文对文本分类的定义、文本表示进行了详细的阐述,介绍了SVM等一系列机器学习的文本分类方法和文本分类效果评估手段,指出了进一步的研究方向.     

基于位置的文本分类样本剪裁及加权方法

k近邻方法是文本分类中广泛应用的方法,对其性能的优化具有现实需求。使用一种改进的聚类算法进行样本剪裁以提高训练样本的类别表示能力;根据样本的空间位置先后实现了基于类内和类间分布的样本加权;改善了k近邻算法中的大类别、高密度训练样本占优现象。实验结果表明,提出的改进文本加权方法提高了分类器的分类效率。     

AOP技术在管理信息系统中的应用研究

当前管理信息系统(MIS)日趋复杂和庞大,对于实现不同需求的软件,代码缠绕和代码散乱等问题较为突出,为系统的开发和维护带来了很大困难.以关注点分离为核心思想的面向方面编程技术(AOP)能较好地解决上述问题,正在逐步应用到MIS领域.介绍AOP技术的基础知识,讨论AOP在MIS中应用面临的挑战,分析和比较面向MIS的AOP开发工具的优缺点和应用范围,总结并给出AOP技术在MIS中的主要应用领域及相关研究工作,最后探讨了其发展与研究方向.     

基于监督学习深度自编码器的图像重构

针对数字图像受损信息的重构问题,提出一种将经典无监督学习自编码器(Auto-Encoder,AE)用于监督学习的新方法,并对深度模型结构与训练策略进行了研究。通过设计多组监督学习单层AE模型,提出了逐组“递进学习”和“关联编码”的学习策略,构建了一个新的基于监督学习的深度AE模型结构;对于新模型结构,采用多对一(一个输入样本的多种形式对应一个输出)的训练方法代替经典AE中一对一(一个输入样本对应一个输出)的训练方法。将该模型的结构和训练策略用于部分数据受损或遮挡的图像中进行数据重构测试,提高了模型对受损数据特征编码的表达能力和重构能力。实验结果表明,提出的新方法对于受损及遮挡样本的图像具有良好的重构效果和适应性。