Web缓存优化模型研究

缓存模型研究的核心是替换策略的优化。分析并比较传统缓存模型IRM和MRM的思想,基于相对流行度以及字节代价的概念,提出满足命中率、字节命中率和延迟时间等不同性能指标要求的Web缓存优化模型,并给出相应算法。实验及分析表明,Web缓存优化模型替换算法的性能表现较传统算法有所提高。     

改进差分进化策略在多峰值函数优化中的应用

针对差分演化算法与进化策略算法中所存在的不足,将模拟退火算子引入到差分演化算法的变异操作中,这样有助于在进化前期进行全局搜索,后期进行局部搜索;在标准进化策略的基础上,加入差分变异操作,提出了一种新的差分进化策略双重变异算法。通过测试算例可看出,该方法在多峰值函数优化问题中,具有求解精度较高,收敛速度较快等特点。     

基于Tri-DE-ELM的半监督模式分类方法研究

针对极限学习机（ELM）未充分利用未标注样本、训练精度受网络权值初值影响的问题,提出一种基于协同训练与差分进化的改进ELM算法（Tri-DE-ELM）。考虑到传统的ELM模式分类技术只利用了少量标注样本而忽视大量未标注样本的问题,首先应用基于Tri-Training算法的协同训练机制构建Tri-ELM半监督分类算法,利用少量的标记样本训练三个基分类器实现对未标记样本的标注。进一步针对基分类器训练中ELM网络输入层权值随机初始化影响分类效果的问题,采用差分进化（DE）算法对网络初值进行优化,优化目标及过程同时包括网络权值和分类误差两方面的因素,以避免网络的过拟合现象。在标准数据集上的实验结果表明,Tri-DE-ELM算法能有效地利用未标注数据,具有比传统ELM更高的分类精度。     

求解方程组的正交差分进化算法

首先利用代理约束概念和修正极大熵函数,将非线性方程组等价地转化为无约束优化函数;然后引入平均相似度概念,设计自适应正交交叉算子,利用正交设计产生初始种群,并在此基础上提出了自适应正交差分进化算法,用于求解修正极大熵函数;最后用方程组验证了算法的有效性。     

求解需求可拆分车辆路径问题的改进的金字塔演化策略

为了更加合理地求解需求可拆分的车辆路径问题（SDVRP）,克服传统先路径后优化两阶段的求解方法容易陷入局部最优的缺点,以及解决智能优化算法在优化阶段未能将竞争与协作有机地融合为一体的问题,以配送路径最短和配送车辆最少为优化目标,提出了一种改进的金字塔演化策略（IPES）。首先,以金字塔为基础,提出了求解SDVRP的编码、解码方式以及层级间的协作策略;其次,根据遗传算法的随机、“适者生存”的高度并行、自适应等特点,以及金字塔结构各层分工不同,设计了一种适合SDVRP的自适应邻域算子,使得算法能够快速收敛到最优;最后,得到最优解。相较于分段求解算法、聚类算法、粒子群算法、人工蜂群算法、禁忌搜索算法,四个仿真实验的结果表明,在求解各案例的最优路径时,所提IPES的求解精度分别至少提升了0.92%、0.35%、3.07%、9.40%,验证了在求解SDVRP时,IPES具有良好的性能。     

云映射和映射隶属云*

为描述事物间关系的不确定性及其变化情况,提出云映射概念。对定义域的每个元素,通过随机变量将其非确定地变换到可能的取值空间,各随机变量的分布特征在定义域上构成特征函数,能够反映非确定变换随自变量的变化情况;提出了映射的隶属云概念,云映射在定义域全体元素的隶属云片构成映射的隶属云;采用映射的期望(即精确函数)、熵函数和超熵函数描述定性概念在整个自变量取值空间的变化情况,给出了正向映射云和逆向映射云算法。以人类记忆的遗忘过程为例,说明了云映射和映射隶属云的有效性及其应用前景。     

基于差分进化算法的面目标瞄准点寻优

瞄准点的寻优选取是导弹火力筹划的核心理论问题之一。针对此问题,本文基于矩形面目标毁伤面积计算设计评价函数,利用差分进化算法原理对面目标的瞄准点坐标进行实数编码,并设计差分进化算子,建立面目标瞄准点寻优模型。通过设计面目标计算实例对模型进行验证,实验结果表明,差分进化算法的稳定性较强且具有较好的操作性,模型求得的瞄准点可信度较高,能够提升导弹打击效果并降低打击成本,为火力筹划中瞄准点寻优提供了新方法。     

基于浮点型编码策略的差分多目标柔性车间调度优化

运用进化算法求解柔性车间调度问题时,编码的特殊性对进化策略造成的局限制约了算法的搜索能力。为此,提出一种基于浮点型编码策略的差分多目标优化算法。该算法采用基于工序权重的浮点数编码—解码机制,消除了排列组合型编码方式对进化操作带来的约束,运用差分进化策略生成新个体,以提高优秀个体产生的几率,进而保证算法有更好的收敛性。将算法与传统算法及其改进形式在相同测试用例上进行对比,结果表明,本算法在保证收敛性的同时,搜索到更多的非支配个体,体现出更好的分布性。此外,提出了平行决策和等价平行决策的定义,将柔性车间调度模型的研究拓展至决策空间。     

分阶段二次变异的多目标混沌差分进化算法

提出一种结合分阶段二次变异和混沌理论的改进差分进化(DE)算法,以解决多目标约束优化问题.其核心思想是,在DE进化前期采用基于非支配解的随机二次变异来提高算法的全局寻优能力,进化后期采用基于非支配解的混沌二次变异来提高DE的局部寻优能力.通过对典型测试问题的仿真实验验证了所提出的算法能在全局搜索性能与局部搜索性能之间维持较好平衡,而且保持了DE算法的简洁性能,其收敛性、分布度和均衡性均优于标准DE.     

An Adaptive Role for DNA Double-Strand Breaks in Hippocampus-Dependent Learning and Memory

DNA double-strand breaks (DSBs), classified as the most harmful type of DNA damage based on the complexity of repair, lead to apoptosis or tumorigenesis. In aging, DNA damage increases and DNA repair decreases. This is exacerbated in disease, as post-mortem tissue from patients diagnosed with mild cognitive impairment (MCI) or Alzheimer’s disease (AD) show increased DSBs. A novel role for DSBs in immediate early gene (IEG) expression, learning, and memory has been suggested. Inducing neuronal activity leads to increases in DSBs and upregulation of IEGs, while increasing DSBs and inhibiting DSB repair impairs long-term memory and alters IEG expression. Consistent with this pattern, mice carrying dominant AD mutations have increased baseline DSBs, and impaired DSB repair is observed. These data suggest an adaptive role for DSBs in the central nervous system and dysregulation of DSBs and/or repair might drive age-related cognitive decline (ACD), MCI, and AD. In this review, we discuss the adaptive role of DSBs in hippocampus-dependent learning, memory, and IEG expression. We summarize IEGs, the history of DSBs, and DSBs in synaptic plasticity, aging, and AD. DSBs likely have adaptive functions in the brain, and even subtle alterations in their formation and repair could alter IEGs, learning, and memory.