车辆磁流变半主动悬架GSA-LQG控制研究

针对传统的线性二次型高斯(Linear Quadratic Gaussian, LQG)控制器存在各加权矩阵系数不易确定等问题,对于车辆磁流变半主动悬架设计了基于引力搜索算法(Gravity Search Algorithm, GSA)的线性二次型高斯(GSA-LQG)控制。以悬架各性能指标为目标函数,采用引力搜索算法对加权矩阵系数进行寻优。选用磁流变阻尼器(Magnetorheological Damper, MRD)作为悬架的半主动部件,同时建立二自由度的1/4车辆磁流变半主动悬架系统模型。以随机路面激励作为输入,在MATLAB/Simulink软件中分别对被动悬架控制、基于LQG控制的车辆磁流变半主动悬架和基于GSA-LQG控制的车辆磁流变半主动悬架进行仿真分析,结果表明,基于GSA-LQG控制的车辆磁流变半主动悬架具有更好的舒适性能和安全性能。     

基于改进Tabu搜索算法的区域电网无功优化

为了满足无功优化的实时控制要求,提出了考虑静态电压稳定的区域电网无功优化方案。该方案采用改进的Tabu搜索算法,以有功网损最小为目标进行无功优化,记录优化过程中搜索得到的前10位最优网损解;然后对这10个最优网损解进行静态电压稳定裕度计算,再运用模糊集理论,将网损最小和静态电压稳定裕度最大两个目标的优化问题转化为单目标优化问题。通过算例仿真,证明了改进Tabu算法适合于解决区域输电网无功优化问题,同时也验证了本文提出的考虑静态电压稳定性的区域输电网二级无功电压控制方案是可行的,有效的。     

通用搜索算法的设计

问题求解系统常常涉及到多种形式的搜索方法，搜索方法的关键是搜索算法设计。这里给出一个简捷的通用搜索算法，算法采用结点指针和搜索指针对关系矩阵进行双重处理的方法，搜索过程中不断改变结点指针和搜索指针，进行推进和回退处理，最终找出问题的全部解。     

一种基于H.264的快速运动估计算法

H.264标准采用了新的编码模式,使H.264的编码压缩效率比先前的标准提高了50%以上,但这些新的编码模式也增加编码器的复杂度和编码运算时间.一种基于H.264的全方向十字型快速运动估计搜索算法,能够在视频质量最少损失的情况下,显著提高运动估计的搜索速度,降低编码器的设计复杂度并可以节省编码时间.     

自适应小生态遗传算法的理论分析和加速技术

提出了联赛选择和相似个体概率替换的自适应小生态遗传算法，建立了小生态生长的动力学模型．平衡态理论分析和仿其实验表明，概率联赛小生态技术选择能够形成和维持稳定的子种群．提出了种群聚类分割和单纯形搜索的并行局部搜索算于，定性地分析了其搜索性能．对复杂多峰问题的优化结果表明，结合概率联赛选择和并行局部搜索算子的小生态遗传算法不但能够快速可靠地收敛到全局最优解，且能并行地搜索到多个局部最优解，其收敛速度和全局收敛可靠性均显著地优于简单遗传算法和其它小生态方法．     

基于短语模板对齐的统计机器翻译系统

论文提出了一种基于短语模板对齐的机器翻译系统.系统采用基于短语模板对齐的翻译模型替代原始基于词的模型,提出了计算短语模板翻译概率的方法,改进了先前单纯基于短语的搜索算法和回溯方法,解码时引入繁衍度为0且出现频率高的词,使翻译结果更合理.论文进行了一系列实验,介绍了05年863评测,证明本系统翻译结果的Bleu得分比原来的系统有了显著提高.     

基于BIC测度和混合遗传算法的BNC结构学习

贝叶斯网络分类器(BNC)结构学习是一个NP难题。贪婪搜索(GS)算法是一种有效且准确性较高的结构学习算法,但贪婪搜索算法很容易陷入局部最优。标准遗传算法是一种全局搜索优化算法,它通过模拟生物种群的进化过程,得到全局最优解。但就其个体而言,个体局部解的质量无法保证,不具备局部寻优的能力。提出了将两种算法相结合,以贝叶斯信息标准(BIC)测度为评价函数,得到一种混合遗传算法,实现了它们的优势互补。实验表明:该算法优于单独利用GS算法进行Bayesian网络结构学习,从而说明该算法的正确性和有效性。     

RFID系统防碰撞算法比较分析及其改进算法

防碰撞算法是RFID系统中的一项关键技术。在对基本二进制搜索算法及其各种改进算法进行详细的定量分析的基础上提出了一种改进算法。该算法能有效地降低命令发送的总次数和减少每次命令所附带的参数长度。仿真结果表明了该算法的有效性。     

模糊机会约束规划下的物流配送路径优化

针对模糊需求信息条件下物流配送路径优化问题进行了分析,运用模糊数学的可能性理论建立了该问题的模糊机会约束规划模型,并构造了一种新的禁忌搜索算法进行求解。算例说明,该模型及算法对于模糊需求下物流配送路径优化问题具有一定的实用价值。     

带有Lévy Flight机制的引力搜索算法

引力搜索算法（gravitational search algorithm,GSA）是模拟万有引力定律进行搜索的一种新颖的优化算法,已有研究表明GSA算法相比一些传统的优化算法拥有较好的收敛性能,但其缺乏有效的全局寻优机制,易于被局部极值吸引,从而陷入早熟收敛。因此提出了一种基于Lévy Flight和权值惯性递减的引力搜索算法QmuGSA,以加强算法的全局寻优能力。该算法通过Lévy Flight独特的不均匀随机游走的机制扩大粒子的搜索范围,增加种群多样性,从而更容易跳出局部最优点。通过4个标准测试函数对所提算法进行了仿真测试,结果表明所提算法能够有效克服基本引力搜索算法易早熟、收敛精度低等缺陷,具有较好的寻优精度和全局收敛性能,能够解决一些复杂函数的优化问题。