一种基于区分服务的嵌套队列调度算法

现有队列调度算法只能满足某一种特定类型业务流量的服务质量(QoS)需求,无法广泛支持多种类型业务流量。为此,提出一种基于区分服务的嵌套队列调度算法。将现有队列调度算法通过嵌套模型进行组合,并根据该嵌套模型进行队列调度,从而为多种类型业务流量提供均衡的QoS保障。仿真结果表明,该算法能够满足不同类型业务流量的QoS需求,其各项性能指标所达效果与最优效果的差距较小,并且在多种类型业务流量的支持方面比现有队列调度算法表现更好。     

基于CUDA的热传导GPU并行算法研究

在热传导算法中,使用传统的CPU串行算法或MPI并行算法处理大批量粒子时,存在执行效率低、处理时间长的问题。而图形处理单元(GPU)具有大数据量并行运算的优势,为此,在统一计算设备架构(CUDA)并行编程环境下,采用CPU和GPU协同合作的模式,提出并实现一个基于CUDA的热传导GPU并行算法。根据GPU硬件配置设定Block和Grid的大小,将粒子划分为若干个block,粒子输入到GPU显卡中并行计算,每一个线程执行一个粒子计算,并将结果传回CPU主存,由CPU计算出每个粒子的平均热流。实验结果表明,与CPU串行算法在时间效率方面进行对比,该算法在粒子数到达16 000时,加速比提高近900倍,并且加速比随着粒子数的增加而加速提高。     

基于LEACH协议的安全节能路由算法研究

针对现有及经典自适应分簇路由协议LEACH存在网络生存周期短和节点可靠性低的问题,提出一种安全的低能耗分簇路由协议S-LEACH。采用多角度信任模型,即从节点数据、通信带宽和剩余能量3个方面对待检测网络内各节点进行信任度评估,建立信任值集合并对照节点信任度阈值进行簇头安全选举,用萤火虫算法模拟实现成员节点聚簇,以单跳或多跳方式与基站节点通信的方法降低由于通信距离较远而带来的额外能耗。实验结果表明,与LEACH协议相比,S-LEACH协议可延长4倍以上的网络生存周期,且与以数据信任度为评测标准的BTSR协议相比,S-LEACH协议可将网络内非信任节点检测率提高2.3%。     

CS-MRI中稀疏信号支撑集混合检测方法

针对磁共振成像技术采样过程过慢的问题,给出一种新的基于压缩感知的图像重建方法。通过分析一种特殊的基于奇异值分解(SVD)的信号稀疏表示方法,提出一种结合稀疏信号位置和大小信息的支撑集混合检测方法,并根据该方法改进稀疏信号重建算法FCSA。实验结果证明,在相同的欠采样率下,改进FCSA算法重建图像的峰值信噪比(PSNR)比传统的基于小波稀疏基的FCSA算法重建图像的PSNR高2.21 dB~12.72 dB,比基于SVD稀疏基的FCSA算法重建图像的PSNR高0.87 dB~2.05 dB,且重建时间从基于小波稀疏基的FCSA算法的103.21 s下降至改进FCSA算法的36.91 s。     

基于约束规划的岸桥与集卡集成调度

针对进口集装箱卸船的岸桥与集卡集成调度问题,分别提出混合整数规划(MIP)模型和约束规划(CP)模型,目标是使得卸船完工时间最短,该问题是NP难题。通过OPL语言设计约束规划模型,利用其为调度问题提供的特殊构造,如区间变量、序列变量等进行建模,并采用"扩展操作任务"的概念来定义区间变量以提升求解效率。为评价解的质量,设计一个新的下界求解方法。使用不同规模的实例对约束规划模型和MIP模型进行测试,结果表明,在小规模实例中,CP模型求解性能略差于MIP模型,但对于中大规模实例,MIP模型无法在设定时限内找到解,而CP模型则能以较快的收敛速度得到高质量的解,目标距离下界的差距控制在2.19%~8.28%。     

求解高维函数优化问题的交叉熵蝙蝠算法

为改善蝙蝠算法求解高维函数优化问题的全局搜索能力,提高其搜索精度,将交叉熵方法和蝙蝠算法相结合,提出一种交叉熵蝙蝠算法。该算法将基于重要度抽样和Kullback-Leibler距离的交叉熵全局随机优化算法应用于蝙蝠算法中,采用自适应平滑技术提高算法的收敛速度,利用交叉熵方法的遍历性、自适应性和鲁棒性,有效抑制蝙蝠算法的早熟收敛现象。对经典测试函数和CEC2005测试函数的仿真结果表明,该算法具有全局搜索能力强、求解精度高和鲁棒性好等特性。     

自适应收扩系数的双中心协作QPSO算法

针对量子粒子群优化(QPSO)算法迭代后期种群多样性下降、收敛速度慢、易陷入局部最优的缺点,提出一种自适应收缩-扩张系数的双中心协作最子粒子群优化算法。该算法从2个方面进行改进:(1)自适应调节收缩-扩张系数,其目的是帮助粒子跳出局部最优点,提高粒子的全局搜索能力;(2)双重更新全局最优位置,即在每次迭代中,先后分别采用2种不同的方式更新全局最优位置。第1种方式与QPSO算法一致,第2种方式则引入双中心粒子,使其和当前全局最优位置在相应维度上合作,从而达到更新全局最优位置的目的。从固定迭代次数和固定精度角度分析算法性能,仿真结果表明,相比于QPSO算法,该算法在保证复杂度较低的情况下,可提高收敛速度,增强全局和局部搜索能力。     

虚拟场景中有宽度物体移动路径的优化方法

提出一种虚拟场景中有宽度物体移动路径的优化方法,在地图掩码数据经过寻路算法搜索后,得到一组连续路径节点组成的节点集,从起始节点出发,沿着路径节点找出离起始节点最远且没有障碍物遮挡的可见节点,作为下一个起点,循环往复直至节点集的终止节点,并顺序连接这些可见节点,即可得到优化路径。通过合并节点集中的多余节点,使路径更平滑,从而减少物体移动过程中改变方向的次数,解决有宽度物体无法通过狭窄通道后,须重新计算路径的问题,达到了更好的用户体验效果。     

高维多目标优化算法分析研究

目前,大部分多目标进化算法MOEA(Multi-Objective Evolutionary Algorithms)是针对2到3个目标问题而设计,并且已经取得良好的优化效果,而对于目标个数大于或远大于3个的高维多目标问题,用MOEA逼近Pareto前沿和保持较低的计算复杂度都十分困难。通过讨论分析目标个数对高维优化算法带来的困扰,总结针对这些困扰引入的一些算法和策略。介绍了已有的高维多目标算法对占优机制进行的改善,并着重对现存的高维多目标减少算法做了系统的分类综述,对比分析验证了各类算法的优化效果,并给出进一步可研究的方向。     

一种快速的判别公共向量分类方法

在传统DCV的基础上,提出了一种改进的快速DCV分类方法。该方法与传统的DCV分类方法相比,在保证识别率相同的情况下具有较快的分类速率。传统的DCV分类方法通过计算特征向量之间的距离来进行分类,而所提快速DCV分类方法则通过标量计算完成分类。理论分析及复杂度计算表明,快速DCV分类方法的分类速率是传统DCV分类方法的2倍左右,在Yale、ORL和PIE 3种人脸数据库得到的对比仿真实验结果验证了该算法的有效性。