窑炉设计中各因素的重要程度排序

作为陶瓷专业工作者,应该怎样去分析窑炉设计中各种元素孰重孰轻呢?笔者认为,从窑炉演变过程的角度分析,可以这样排序:     

稳定快速排序算法研究

快速排序算法与其他算法相比是相当有效的排序算法,但此算法并不完善,它是不稳定的。为此,对快速排序算法进行改进,在每次对数据分割时,对需要移动的数据先分别顺序拷出并保存,分割结束前再按要求分别顺序拷入,使得新排序算法是稳定算法。理论分析和实验数据表明,在任何情况下,稳定快速排序算法都是稳定的,并且其他性能不比快速排序算法和归并算法差。     

基于AETG算法的两两组合测试用例生成方法

对两两组合测试用例生成算法进行研究,在AETG算法的基础上进行改进,主要改进了AETG算法的参数排序过程。计算每个参数当前在未覆盖配对集中出现的次数,综合考虑其整体出现的次数以及单个取值出现的次数决定待扩展的参数序列。实验结果表明,该方法在缩短时间开销的基础上进一步减少了待测系统用例集的规模,当参数取值逐渐增加时,其优势更加明显。     

基于改进卡方统计的微博特征提取方法

通过对微博文本特征信息的分析与研究,提出一种基于改进卡方统计的微博特征提取方法。扩充微博信息分类特征,在传统的卡方统计量的基础上,引入了频度等因素,改进特征选择方法;在传统的特征项权值计算的基础上,提出了新的改进卡方统计量的方法,改进权重计算效果。对上述方法利用经典KNN和SVM算法进行了测试,实验结果表明该方法提高了微博信息分类的准确率。     

基于软件定义网络和移动边缘计算的车联网高效任务卸载方案

随着车联网(IoV)中车辆和智能应用数目的增加使计算密集型任务激增,传统架构难以满足用户需求。为解决车联网计算资源不足且分配不均匀、应用时延需求无法满足、任务能耗成本较高的问题,结合移动边缘计算(MEC)和软件定义网络(SDN),设计了一种从宏基站到MEC服务器到车辆的车联网架构中的高效任务卸载方案,并提出一种改进的低复杂度非支配排序遗传算法,优化任务卸载成本和MEC服务器的负载均衡率。实验仿真结果表明,相比于随机卸载,NO-MEC卸载,NO-I卸载,传统NSGA、NSGA-Ⅱ卸载,GA卸载,Q-learning卸载,DQN卸载方案,所提方案有着更低的卸载成本,更优的负载均衡率,得到近似最高的系统效用,能够给车联网中的车辆用户带来更优质的网络服务。     

内部排序算法的分析与比较

通过分析直接插入排序、希尔排序、冒泡排序、快速排序、简单选择排序、堆排序、归并排序等常用的内部排序算法的思想,统计各种算法的时间、空间复杂性、比较次数、移动次数以及稳定性,以期能够掌握这些算法及其特点,在实际应用中能够结合具体问题设计出正确而高效率的数据排序程序。     

考虑转包的平行机供应链排序

研究一类考虑转包的供应链排序问题, 即工厂从客户处接受一批订单, 这些订单既可以由工厂完成, 也可以通过支付一定费用进行转包. 工厂需要确定被转包的订单集并安排未被转包订单的生产和运输. 针对工厂为平行机生产环境的情况, 以交货期限内完成所有订单的转包成本、生产成本与运输成本之和最小化为目标, 构建了问题的数学模型, 并设计了启发式算法. 最后通过数值实验结果表明了算法的有效性.

     

一种改进型离散Hopfield学习算法

针对离散Hopfield 神经网络(DHNN) 的权值设计问题, 提出一种改进型学习算法, 并在DHNN动力学分析的基础上设计该学习算法. 利用矩阵分解的方法(MD) 得到正交矩阵, 并采用得到的正交矩阵直接计算DHNN的权值矩阵. 通过该学习算法得到的权值矩阵, 可以很好地存储训练样本的信息, 使测试样本收敛到稳定点. 该学习算法不需要进行分块计算, 减少了计算步骤和计算量, 降低了网络的迭代次数, 从而提高了网络运行速度. 最后, 将该学习算法应用于水质评价, 验证了其有效性和可行性.     

基于颜色矩的图像检索算法研究

为克服基于文字的图像检索技术对大型图像数据库实施困难、描述不完整等弊端,对RGB颜色矩和Munsell颜色矩进行研究,RGB颜色矩只适用于简单图像,Munsell颜色矩无法判断图片具体信息。为此,采用信息融合技术进行检索判断层的融合,选择多颜色空间融合颜色矩,在分析传统融合算法基础上,提出一种改进融合算法NewcombMNZ。实验结果表明,该算法能提高检索精准度和排序值,对噪声具有良好的鲁棒性,且能减少检索性能较差的特征对融合结果的影响,适用于特征数量较少的情况。     

多台机器下的最小期望延误的随机排序问题

论文针对多台机器下,任务的预期时间为随机变量的排序问题,首先用LPT排序方法把任务安排到不同的机器上,然后用简单的随机方法来确定任务在机器上的特殊加工次序。由于随机预期时间是相互独立的并且服从指数分布,考虑将参数进行最大延误。