一种基于目标空间转换权重求和的超多目标进化算法

权重求和是基于分解的超多目标进化算法中常用的方法,相比其他方法具有计算简单、搜索效率高等优点,但难以有效处理帕累托前沿面(Pareto optimal front,PF)为非凸型的问题.为充分发挥权重求和方法的优势,同时又能处理好PF为非凸型的问题,本文提出了一种基于目标空间转换权重求和的超多目标进化算法,简称NSGA...     

基于帕累托前沿面曲率预估的超多目标进化算法

基于分解的超多目标进化算法是求解各类超多目标优化问题的主流方法, 其性能在很大程度上依赖于所采用参考向量与真实帕累托前沿面(Pareto front, PF)的匹配程度. 现有基于分解的超多目标进化算法尚难以同时有效处理各类PF不同的优化问题. 为此, 提出了一种基于PF曲率预估的超多目标进化算法(MaOEA-CE). 所提算法的核心包括两个方面, 首先基于对PF曲率的预估, 在每次迭代过程中生成不同的参考向量, 以渐进匹配不同类型问题的真实PF; 其次在环境选择过程中, 再基于预估的曲率选择合适的聚合函数对精英解进行挑选, 并对参考向量进行动态调整, 在维护种群多样性的同时提升种群的收敛性. 为验证MaOEA-CE的有效性, 将其与7个先进的超多目标算法在3个主流测试问题集DTLZ、WFG和MaF上进行对比, 实验结果表明MaOEA-CE具有明显的竞争力.     

基于Kinect传感器的三维点云配准优化

针对目前三维点云配准中传统ICP(Iterative Closest Point)算法存在的速度慢、精度低的问题。采用微软Kinect2.0深度传感器从真实的场景中获取目标物体的点云数据,通过点云分割、滤波、下采样等预处理工作,确保点云配准质量。在点云的粗配准中,使用特征点采样一致性算法,使点云获得更好的初始位置,为精配准创造了良好的初始条件。在点云的精配准中,提出一种利用线性最小二乘法优化的点到面ICP算法。实验结果表明,改进后算法的均方根误差为0.788 mm,时间为56.31 ms。与基于尺度不变特征变换的ICP算法和特征点采样一致性改进ICP算法相比,改进后的算法配准精度分别提高了30.9%和33.6%,速度提高了18.9%和32.1%。     

《中华建设》可更多地关注我国桥梁建设

编辑同志： 在看完《中华建设》2009年第10期中“建设辉煌六十年”栏目的文章之后，便有了提笔给你们写信的冲动。此时虽已经是午夜时分，但在这个夜深人静的此刻，自己似乎比平常有了更多的感受。     

薄砂体预测的地震沉积学研究方法

立足砂泥岩薄互层地质背景下厚度小于λ/4（λ为地震子波波长）的单砂体地震储层预测,按照精细地层划分→砂体平面形态分析→砂体厚度预测的研究流程,提出地震沉积学研究思路。除曾洪流等倡导的地震沉积学研究规范涉及的井-震高精度层序格架、地震岩性分析（地震子波相位调整）、地层切片制作等核心研究内容之外,认为以细分岩性为基础的压实校正及古地貌恢复、邻层干涉压制、井-震联动的地层切片浏览、非线性地层切片等技术可准确预测薄砂体平面形态。在精细地层划分方面,地震同相轴的等时性分析技术有助于优选与地质等时界面吻合的同相轴作为层序界面,而基于精细合成记录制作和时深转换的井-震精细对比,可以实现高级层序界面的识别和追踪解释。薄砂层厚度预测方面,除常用的振幅-厚度分析技术和峰值频率技术之外,认为振幅-频率融合和遗传化神经网络技术等综合地震属性预测方法同样可以实现对薄砂体厚度的半定量或定量预测。该方法对准确刻画薄互层中的单砂体具有指导意义。     

基于TMS320DM648的多车道车流量检测系统

针对智能交通应用中车流量检测系统多数基于PC平台的问题,设计了基于TMS320DM648嵌入式平台的多车道车流量检测系统。首先采用改进的基于抽样的背景建模方法在虚拟线圈内进行背景建模,然后采用背景差分提取运动目标,最后在此虚拟线圈内对车辆进行检测。实验结果表明,该DSP嵌入式平台能够对智能交通中的车辆进行实时检测并具有较高的准确性。     

新冠疫情退潮后数字哨兵的改造再利用研究——以会议报名及签到系统为例

随着新冠疫情日趋平稳总体向好,应将数字哨兵进行技术改造再利用,让闲置资产重新激活焕发新生。结合学校现有会议报名及签到系统,以需求为导向升级架构,充分发挥数字哨兵硬件平台优势,全面支持校园卡、身份证、微信校园码、粤省事码和生物识别技术等多种签到方式。数字哨兵的加持切实有效地提升了师生签到体验和签到效率,也为数字哨兵的改造再利用提供了有益的探索和实践典范。     

自适应变化响应的动态多目标进化算法

动态多目标优化问题(Dynamic multi-objective optimization problems, DMOPs)的目标函数发生变化时,需要采取变化响应策略对种群进行重新初始化,以快速追踪新环境中的最优解集.现有动态多目标优化算法对不同个体、不同维度的决策变量缺乏针对性的变化响应,导致重新初始化效果尚存在较大改进空间.为此,提出一种对不同个体、不同维度的决策变量分别进行自适应变化响应的动态多目标进化算法(Dynamic multi-objective evolutionary algorithm with adaptive change response, DMOEA-ACR).该算法包括两个核心部分:1)对时间步最优种群和时间步最优种群中对应个体各维度决策变量之间的差异进行计算,自适应选择变异策略或预测策略重新初始化不同个体、不同维度的决策变量;2)在每轮迭代或重新初始化后,对非支配个体进行存档,基于存档中心构建预测策略.为验证DMOEA-ACR的有效性,在最新测试问题集SDP和DF上,将其与动态多目标优化领域的6种先进算法进行对比.实验结果表明, DMOEA-ACR在求...