并行智能优化算法研究进展

基于种群迭代搜索的智能优化算法在农业、交通、工业等很多领域都取得了广泛的应用.但是该类算法迭代寻优的特点使其求解效率通常较低,很难应用到大规模、高维或实时性要求较高的复杂优化问题中.随并行分布式技术的发展,国内外很多学者开始着手研究智能优化算法的并行化.本文首要介绍了并行智能优化算法的基本概念;其次从协同机制、并行模型以及硬件结构3个维度综述了几类常见的并行智能优化算法,详细分析阐述了它们优点及不足;最后对并行智能优化算法的未来研究进行了展望.     

高速移动环境下基于RM-Net的大规模MIMO CSI反馈算法

针对高速移动环境信道特征复杂多变,同时存在加性噪声和非线性效应的影响,提出一种残差混合网络（RM-Net）的大规模MIMO CSI反馈算法。RM-Net通过学习高速移动信道的空间结构与时间相关性,具备去除大规模MIMO信道噪声的能力,能显著提高CSI压缩率与恢复质量。系统仿真结果表明,RM-Net可消除高速移动场景加性噪声的影响,学习并适应稀疏、双选衰落信道特征,在高压缩率与低信噪比条件下依然具有较好的性能表现,所提算法性能大幅优于其他基于压缩感知（CS）和深度学习（DL）的CSI反馈算法。     

大规模定制整体衣柜结构设计规范化

目的探讨大规模定制整体衣柜单元组合设计的规范及组合方法。方法通过市场调研、观察研究和理论分析的方法,在对整体衣柜定义、整体衣柜设计要素和整体衣柜设计原则探讨的基础上,通过将整体衣柜分解成若干个单元、能随意组合和内部功能的划分、通用五金连接和组装便可实现多样化的结构形式,对大规模定制整体衣柜结构设计规范化进行研究,主要包括整体衣柜的用材构成、基本结构构成设计、最合理化尺寸设计、大规模定制整体衣柜结构设计规范化的实施过程。结论对大规模定制家具的实践和整体衣柜结构设计开发具有一定的参考价值。     

大规模地形建模的研究

针对目前各种大规模地形建模的优缺点,并结合目前流行的地形建模方法,提出一种较为真实的地形建模方案。为达到更真实的模拟,对地形泥土腐蚀现象做了研究,提出了一种基于细胞自动机的腐蚀模拟方法。     

一种支持大规模多种精度地形的实时绘制算法

为加强大规模地形数据的表现能力,通常采用地形叠加或地形编辑等方法在局部地形数据上构建更高精度的细节模型.因而如何将大规模地形数据与具有高精度的细节数据进行实时融合与绘制成为一个迫切需要解决的问题.基于Geometry Clipmap方法对这一问题开展研究,给出了一种支持大规模多种精度地形的实时绘制算法.在预处理阶段,对大规模地形数据采用clipmap结构进行组织,对细节数据使用mipmap结构进行组织;在运行阶段,重点针对clipmap更新所引起的不同种精度数据间特有的"F"形空洞进行分析和处理,使用过渡带结构对空洞区域进行修补,并对修补后的顶点进行了平滑处理.实验结果表明,该方法有效解决了"F"形空洞并支持大规模地形及细节数据的实时绘制.     

大规模复杂数据集的约简方法

对样本点数量巨大、用于刻画对象特征的指标众多、带有时空动态特性、包含大量噪声等特点的大规模复杂数据集进行定义。针对大规模复杂数据集的挖掘要求,结合统计分析、粗糙集、模糊集理论中的数据约简思想和方法,提出一种基于样本模糊聚类和粗糙集属性约简的大规模复杂数据集约简方法。     

面向大规模数据集的近邻传播聚类

近邻传播聚类在计算过程中需构建相似度矩阵,该矩阵的规模随样本数急剧增长,限制了算法在大规模数据集上的直接应用。为此,提出一种改进的近邻传播聚类算法,利用数据点的局部分布,借鉴半监督聚类的思想构造稀疏化的相似度矩阵,并对聚类结果中的簇代表点再次或多次聚类,直至得到合适的簇划分。实验结果表明,该算法在处理能力和运算速度上优于原算法。     

基于网格的混合神经网络计算平台研究与实现

为了模仿人脑的复杂功能,把各种相关类型的神经网络组织起来,形成一个大规模混合神经网络.根据此需求,使用自主研发的LabGrid技术开发了一个基于网格的混合神经网络计算平台,利用该平台设计了一种新的混合神经网络分类系统来对该平台进行测试.测试结果表明,该平台具有较高的效率和良好的容错性.与其它分类系统比较可知,该分类系统有较高的准确率,从而证明了模仿人脑建立大规模混合神经网络分类系统的可行性和有效性.     

大规模WSNs中多Sink节点优化部署遗传算法

大规模WSNs网络布局设计中,多Sink节点的选址是网络拓扑设计的关键步骤,它对于网络通信能耗的控制至关重要。提出了一种基于遗传进化算法的Sink节点优化选址算法,它利用遗传算法的全局寻优能力在有限的时间内获得问题的次优解,进而生成监测网络工作拓扑。仿真实验结果表明:与现有的启发式算法相比较,该算法所生成的网络布局结果对于全局能耗控制有明显改进。     

大规模化合物子结构检索的并行实现与优化

化合物的子结构检索在计算机辅助药物设计、波普学、化学数据库等领域是不可或缺的工具.然而由于子结构检索是一个NP完备性的问题,获得用户可接受的平均检索时间一直是研究人员十分关注的问题,其方法主要有改进算法和提升硬件条件2个方面.当化学结构数据库的规模达到百万乃至千万级别时,尽管改进算法的方式能够获得一定的检索效率提升,但其提升的空间有限,因而,集群并行方式是大规模化合物子结构检索应用的必然选择.本文以Chem D B Portal的化学子结构检索系统为基础,实现了基于集群并行的化学子结构检索系统,并进行了任务均分、多线程并行等优化.在包含800万个化合物结构的化学结构数据库中,利用5个节点的小型集群,选取10个较为典型的提问结构进行子结构检索测试.测试结果为基于集群的化学子结构检索的平均检索时间由初始单节点时的34.1 min降低为2.75 min,检索效率平均提高12.4倍,表明在大规模乃至超大规模的数据条件下,集群并行化方式能够显著地提高子结构检索系统的执行效率.