基于改进遗传算法的双层网格任务调度

合理的任务调度算法可以在很大程度上提高网格系统的利用率。针对网格环境异构、分布等特点,提出了基于改进遗传算法(MRNGA)的双层网格任务调度算法,在简单遗传算法的基础上改进选择算子并引入了小生境技术,对网格结构采用双层编码的方式,仿真实验表明,该方法具有良好的搜索能力和资源负载均衡度,对异构系统中的任务调度具有较好的处理结果。     

求解TSP的改进QPSO算法

旅行商问题（TSP）是运筹学、图论和组合优化中的NP难题。量子粒子群算法（QPSO）参数个数少、随机性强,并且能覆盖所有解空间,保证算法的全局收敛。针对TSP的特点,通过建立交换子、交换序的运算法则,对基本QPSO算法进行了改造,同时引入了遗传算法中的变异,提出一种求解TSP的改进QPSO算法。实验结果表明了该算法在解决TSP时的有效性,同时算法在稳定性、收敛性以及寻优能力上较其他的一些PSO算法有了很大的提高。     

一种改进的基音周期提取算法研究

现有的基音周期提取方法在准确度和稳健性上存在一定的局限性,很难准确地提取出信噪比较低的语音信号的周期.针对这一问题,提出一种基于小波变换的基音周期提取改进算法,将TEO(Teager Energy Operator)算子与二进小波变换结合起来,首先进行清浊判定,然后只对浊音帧采取多尺度小波分析提取周期,提出用幅度信息和出现概率信息校正二进小波模极大值间距,从而得到准确的周期.计算机仿真结果表明,与传统方法相比,不仅提高了处理效率,而且具有更高的精确度和稳定性.     

基于改进遗传算法的舰船路径规划

遗传算法在解决非线性问题上具有良好的适用性,但是也存在着收敛性慢和局部最优解的缺陷,并且在实际应用中缺乏特定知识的利用.针对舰船路径规划的特点,对标准遗传算法进行了改进和优化,采用基于坐标的一维编码方式,设计了插入算子、删除算子、平滑算子和扰动算子,提高了进化效率.计算机仿真结果表明,该算法在收敛速度和输出全局最优解的概率相对于标准遗传算法都有了显著提高.     

基于边缘增强算子的光谱保持型图像融合算法

通过分析比较多光谱与高分辨率图像间融合几种常用算法的原理及其优缺点,提出了一种基于边缘增强算子的光谱保持型融合算法,算法首先利用LOG算子对高分辨率图像进行高提升滤波,然后将滤波后高分辨率图像与原高分辨率图像的亮度的比值作为融合图像各光谱值的调节系数.实验结果表明,此算法具有很好的空间分辨率,同时又能较好地保持原有多光谱图像的光谱特性,取得了较好的效果.     

模糊控制器输出值不变的两个充分条件

模糊控制器通常由模糊化、模糊推理以及清晰化三部分构成, 而模糊推理决定了一个由输入论域到输出论域的模糊映射. 当模糊映射为常值映射时, 任意选择模糊化和去模糊化方式, 模糊控制器的输出值不因输入信号变化而改变. 本文给出了模糊映射为常值映射的两个充分条件, 并将结论从单入单出模糊系统推广到多入单出模糊系统.     

基于谱分解的中立型时滞系统观测器

针对线性中立型时滞系统, 利用线性算子半群的谱分解理论进行观测器设计. 在中立型项的范数小于一的条件下, 利用谱理论并结合投影算子, 将无穷维系统解的相空间分解为有限维不稳定广义特征子空间和无限维稳定广义特征子空间的直和. 进而利用线性算子半群的无穷小生成元得到具有积分微分形式的观测器方程, 并证明了观测器误差方程的渐近稳定性. 数值实验证实了所提设计方法的有效性.     

行波型超声电机基于神经网络的逆模型辨识

行波型超声电机的动态特性受定子压电陶瓷迟滞和接触层非线性摩擦力的影响,表现出复杂的多值映射特征.通过引入动态迟滞逆算子,将存在于超声波电机逆系统中的多值映射在新的扩张输入空间上,转换为一一映射;然后使用神经网络建立超声波电机的逆模型,对迟滞和非线性摩擦力的影响进行补偿.所建立的模型结构简单,可以在线调整适应电机参数的非线性变化.实验仿真结果验证了该方法的有效性.     

基于单调函数的新弱化缓冲算子研究

在灰色系统缓冲算子公理体系下,构造了2类新弱化缓冲算子,并将其与党氏弱化缓冲算子进行比较,论证了党氏弱化缓冲算子为新算子的特例,从而大大地拓广了弱化缓冲算子的应用范围.对序列前一部分增长(衰减)速度过快,而后一部分增长(衰减)速度过慢的冲击扰动系统数据序列,在建模预测过程中常常出现的定量预测结果与定性分析结论不符的问题,提供了多种解决方案,首次将缓冲算子的构造与函数联系起来,从而为缓冲算子的构造开辟了新方向.

     

基于TD-TP-growth的模糊关联规则挖掘算法

提出一种基于ＴＤ-ＦＰ-ｇｒｏｗｔｈ的模糊关联规则挖掘算法．首先,使用３种t-模算子以及由其产生的蕴涵算子计算模糊频繁项的支持度和规则的蕴涵度,产生的关联规则能表示模糊项间的确定性和渐近性逻辑语义;然后,以事务的惟一标识为键值,散列存储每个事务相对ＦＰ-ｔｒｅｅ中每个结点所表示模糊项的隶属度,使ＴＤ-ＦＰ-ｇｒｏｗｔｈ适用于模糊频繁项的挖掘,并分析了算法的时间和空间复杂度;最后,实验结果表明该算法比基于ａｐｒｉｏｒｉ的模糊频繁项挖掘算法在时间方面更加有效．