基于梯度投影法与随机优化算法的约束优化方法

针对带有线性等式和不等式约束的无确定函数形式的约束优化问题,提出一种利用梯度投影法与遗传算法、同时扰动随机逼近等随机算法相结合的优化方法。该方法利用遗传算法进行全局搜索,利用同时扰动随机逼近算法进行局部搜索,算法在每次进化时根据线性约束计算父个体处的梯度投影方向,以产生新个体,从而能够严格保证新个体满足全部约束条件。将上述约束优化算法应用于典型约束优化问题,其仿真结果表明了所提出算法的可行性和收敛性。     

基于随机主元分析算法的BBS情感分类研究

针对论坛(BBS)中文本的情感分类问题,提出一种改进的随机子空间算法。挖掘特征空间中的分类信息,在生成子空间的过程中,利用权重函数对特征进行分类能力评估,以较大概率选择分类能力较好的特征维度,保证分类精度;扩大选择的子空间维度,选择具有分类能力的特征,通过主元分析对子空间进行降维,保证算法效率和子空间多样性。实验结果表明,该算法分类精度达到91.3%,比基准算法具有更好的性能稳定性。     

整数的最佳带符号二进制表示的随机生成算法

整数的带符号数字(BSD)表示广泛应用于计算机算术、密码学、数字信号处理等领域。给定整数有多种最佳带符号二进制表示。对整数的最佳带符号二进制表示的性质进行研究,给出了整数的最佳带符号二进制表示随机生成算法,所得算法能快速产生给定整数的随机最佳带符号二进制表示。     

准完全最大距离伪随机测试研究

对超大规模集成电路进行随机测试的测试码之间的距离作了定量分析,在此基础上,改进了最大距离随机测试算法中测试码的生成方法,使得所生成的伪随机测试码集合同时达到最大海明距离与近似最大笛卡尔距离。因此每一个测试码可以尽可能多地独立检测到更多不重复的故障。进而提出了准完全最大距离测试新算法的思想和构建理论,并详细阐述了该算法的执行流程。在ISCAS'85基准电路上进行的大量实验数据分析表明,本方法确实有效地提高了随机测试效率,降低了随机测试成本。     

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。     

医院评标专家随机抽取系统的设计与开发

为在医院评标过程中引入公平公正公开的机制,加强评标过程管理,理顺评标程序,针对传统人工抽取评标专家方式存在的严重不足,减少人为因素对评标的干扰和影响,设计开发了医院评标专家随机抽取系统。该系统规范医院评标行为,促进公开、公正、公平的评标管理制度的建全和完善。     

一种基于调和随机权网络与曲波变换的图像分类方法

图像分类是图像处理研究中重要且基本的问题之一,而设计有效的特征提取方法和快速高精度的分类器则是图像分类研究的关键.文中以随机权网络算法为基础,结合多项式函数能有效逼近目标函数相对平缓部分的优点,提出调和随机权网络算法,并以此算法作为分类器,结合快速离散曲波变换和局部判别定位法,给出一种图像分类方法.该方法首先利用快速离散曲波变换提取图像特征,然后依据局部判别定位法对所提取的图像特征降维,最后运用所提出的调和随机权网络分类器识别降维的特征,从而有效实现图像分类.实验表明文中方法具有更高的识别率和更快的识别速度.     

随机网络编码数据传输的仿真实现

基于随机网络编码方法,构造了在实验室内实现单源组播网络数据传输的仿真模型:用局域网内的网络终端代表单源组播网络的节点,以IP地址和端口号代表有向信道,采用UDP网络通信实现数据传输,从而对单源组播网络进行了仿真。运用Java编程实现了有限域的算术运算,根据随机网络编码的编码规则,分别编写了单源组播网络的源节点、中间节点和宿点的工作程序,形成了一个完整的软件系统,该仿真模型可以适合于任意单源组播网络。     

移动传感器随机事件捕获

移动传感器在入侵检测的应用研究中,感兴趣区域主要考虑的是特定形状,如圆形或矩形。由于这种限制,很多研究结论通用性差。研究了感兴趣区域是任何形状的一个环;基于移动传感器的速度,移动模式和数量,建立了一个随机模型;分析多个或单个移动传感器沿环检测的性能。在模型中,当所有移动传感器检测时,它们被置以恒定的速度周期性地沿环移动。对于多个移动传感器,它们的速度都相同。入侵事件的模式为每次入侵到达环上一个随机点,抵达后停留一个随机时间长度。根据移动传感器的数量,导出了移动传感器对入侵漏捕概率和首次捕获入侵所需平均时间的一般表达式。最后,评估了移动传感器的检测性能。     

复合形退火的随机聚类算法

为了解决传统聚类算法易陷入局部最优解的问题,提出了一种复合形退火的随机聚类算法。该方法通过在聚类过程中设置退火准则,并且将退火过程中的生成复合形部分引入随机化的复合形节点,从而在加速收敛的过程中实现了较低的算法复杂度。理论分析及仿真实验证明,该方法的聚类效果好于传统的K-均值聚类方法,并且计算复杂度比目前基于人工智能的方法低。