多中心联合配送模式下集货需求随机的VRPSDP问题

针对多中心联合配送模式下集货需求随机的同时配集货车辆路径问题(MDVRPSDDSPJD), 构建了两阶段MDVRPSDDSPJD模型. 预优化阶段基于随机机会约束机制以及车载量约束为客户分配车辆, 生成预优化方案; 重优化阶段采用失败点重优化策略对服务失败点重新规划路径. 根据问题特征, 设计了自适应变邻域文化基因算法(Adaptive memetic algorithm and variable neighborhood search, AMAVNS), 针对文化基因算法易早熟、局部搜索能力弱等缺陷, 将变邻域搜索算法的深度搜索能力运用到文化基因算法的局部搜索策略中, 增强算法的局部搜索能力; 提出自适应邻域搜索次数策略和自适应劣解接受机制平衡种群进化所需的广度和深度. 通过多组算例验证了提出模型及算法的有效性. 研究成果不仅深化和拓展了VRP (Vehicle routing problem)相关理论研究, 也为物流企业制定车辆调度计划提供一种科学合理的方法.     

金山快盘：开放平台的玩法

DBank网盘、115网盘等主流网盘在经历了几年的免费大战,以及技术上的提升后,陆续开始尝试收费服务。对于国内市场来说,最早开始实施收费政策的应该算是联想企业网盘,主要是针对一些企业,而目前网盘行业的主流中,华为DBank网盘、     

基于邻域搜索的OPTA指纹细化改进算法

在指纹细化的研究中,基于OPTA的细化算法及其改进算法普遍存在指纹图像不够光滑,毛刺较多,细化质量不高等现象。为解决上述问题,在OPTA改进算法基础上提出一个新的设计方案。首先重新设计了删除模板和构造模板,然后将该模板设计成一种独特的一维数组查表索引模式,通过计算比较点的邻域值,在表中查找并进行比对判决,即根据邻域的情况来判断一个点是否可以删除。仿真结果表明,用新方法处理后的指纹图像细化完全,骨架接近纹线中心线,光滑无毛刺,且查询速度快,是一种较为成功的细化改进方案。     

一种面向弱纹理图像的特征点描述子

现有的大多数特征点提取算法适用于处理纹理丰富的图像,而对于弱纹理图像则无法提取有效的特征点. 对此,提出了多邻域结构张量特征(MNSTF)算法. 基于一系列固定的邻域和图像结构张量,通过表达局部图像的结构和纹理信息,解决了弱纹理和无纹理场景下特征点提取和匹配等相关问题;同时,通过计算邻域之间的相对方向,实现了MNSTF算法特征描述子的旋转不变性. 实验结果表明,MNSTF算法在经过旋转的弱纹理图像测试集上的特征点匹配准确率达到了99.9%以上,验证了其良好的适用性、旋转不变性和鲁棒性.     

一种新的基于梯度方向直方图的图像配准方法*

构建了一种新的局部梯度方向直方图,同时定义了特征点的主方向,从而提出了一种具有旋转不变性的图像配准算法.首先采用高斯加权求模技术对特征点邻域内的像素的梯度作直方图统计,确定出具有旋转不变性和抗噪性的特征点主方向;然后用主方向作角度直方图统计,确定待配准图像之间的旋转角度.根据得到的特征点信息及旋转角度定义了特征点对互信息匹配准则,这样使得新配准算法对于图像间旋转角度的范围没有限制,获得了良好的配准效果.     

基于邻域彩色变化矢量场的图像边缘检测技术研究*

首先进行了边缘检测系统结构设计,建立了图像邻域彩色变化矢量场的数理模型,提出了用图像邻域彩色变化方向锐度描述图像边缘,进而应用模糊聚类自适应检测边缘.实验表明:与基于梯度的边缘检测技术相比,该方法在噪声抑制以及边缘准确定位上均取得了好的效果,是一种应用广泛的优秀边缘检测算法.     

一种新的广义(k,n)门限秘密共享方案*

基于离散对数的安全性和(k,n)门限方案给出了一种新的k-(k1,n1;k2,n2;...;kt,nt)门限方案.在该方案中,各参与者的子秘密自己选取,甚至连秘密分发者也不知道.秘密恢复过程中,各参与者能够验证其他参与者是否进行了欺骗.每个参与者只需要维护一个子秘密,就可以实现对多个秘密的共享.     

基于RKNN的选址算法及其应用研究

为了使各个设施的整体利用效果最佳, 结合空间位置影响力查询技术, 提出了基于RKNN的选址算法。针对空间对象对空间位置的贡献具有多重性, 建立了一种新的空间位置影响力的度量模型, 该模型更加符合实际应用情况; 然后, 利用该模型计算选址方案中各个设施的影响力, 并引入均衡系数评价选址方案的合理性, 均衡系数越小, 方案越合理。实际应用表明基于RKNN的选址算法使村镇基础设施的选址更加合理、有效。     

一种基于压缩感知的邻域优化算法

非线性降维方法是目前对降维研究有着重要影响的方法,但在降维过程中经常会遇到局部邻域信息量不足、短路和噪声干扰等问题,严重影响降维效果,很难广泛应用于真实数据的处理中.对以上问题分析发现,其主要原因在于经典降维算法都是采用全局固定的邻域大小.提出了一种基于压缩感知的邻域优化算法,运用压缩感知技术对高维空间目标点近邻进行压缩采样,构建“收—放”模型,自适应得到最优子空间,同时优化邻域组成元素,使得数据的整体降维效果更加稳定.通过手工流形和真实数据集的实验,验证了算法的有效性和稳定性.     

变邻域分解多目标自适应差分进化算法

分解方法是处理复杂问题常用的一种手段,而差分进化算法被广泛地应用于多目标优化问题(multiobjective optimization problems,MOP),为了克服经典差分进化算法和分解方法的缺陷,本文提出了一种自适应差分进化算法和变邻域分解方法相结合的新颖算法一ADEMO/D-ENS,该算法采用Tchebycheff方法将多目标优化问题分解成多维标量优化子问题,并利用邻域子问题的信息进行优化,基于邻域种群集依概率自适应选择邻域种群规模;同时采用概率匹配(]probability match,PM)自适应方法从差分策略池中选择差分进化策略;同时分析了算法的复杂度;最后,通过和经典的非支配排序遗传算法(non-dominated sorting genetic algorithmsⅡ,NSGA-Ⅱ)和多目标差分进化算法(multi-objective differential evolution algorithm,MODE)仿真对比,说明ADEMO/D-ENS方法可以更有效的处理多目标优化问题.