排序方式: 共有19条查询结果,搜索用时 0 毫秒
1.
2.
3.
基于分数维的图像检索新方法 总被引:2,自引:0,他引:2
在研究两种分数维——微分计盒维数和多分形维数的基础上提出了分数维直方图的概念,并把它用于基于内容的图像检索,提出了一种新的纹理特征检索算法——二维分数维直方图相交法.对Brodatz标准纹理库和真实图像库检索的结果表明其方法具有良好的性能,与QBIC系统的纹理检索结果相比更符合人的视觉特性. 相似文献
4.
基于AER模型的Multi-Agent遗传算法 总被引:1,自引:0,他引:1
本文在分析标准遗传算法的优点和不足的基础上,基于AER模型提出了一种新的遗传算法--Multi-Agent遗传算法.它利用Agent的局部感知、竞争协同和自学习等特性来实现生物对环境的自适应,从而实现全局优化计算.理论分析证明这种算法是以概率1收敛的.在实验中,我们首先用10个维数为30的标准测试函数来全面测试算法的性能,然后用50~200维的Rastrigin函数来测试算法处理高维函数的能力.结果表明本文算法具有较强的全局优化能力,鲁棒性强,且具有良好的处理高维函数的能力. 相似文献
5.
组织进化算法求解SAT问题 总被引:4,自引:0,他引:4
基于组织的概念设计了一种新的进化算法——求解SAT问题的组织进化算法(Organizational Evolutionary Algorithm for SAT problem,0EASAT).OEASAT将SAT问题分解成若干子问题,然后用每个子问题形成一个组织,并根据SAT问题的特点设计了三种组织进化算子——自学习算子、吞并算子和分裂算子以引导组织的进化.根据组织的适应度,将所有组织分成两个种群——最优种群和非最优种群,然后用进化的方式来控制各算子,以协调各组织间的相互作用.OEASAT通过先解决子问题,再协调相冲突变量的方式来求解SAT问题.由于子问题的规模较小,相对于原问题来说较容易解决,这样就达到了降低问题复杂度的目的.实验用标准SATLIB库中变量个数从20-250的3700个不同规模的标准SAT问题对OEASAT的性能作了全面的测试,并与著名的WalkSAT和RFEA2的结果作了比较.结果表明,OEASAT具有更高的成功率和更高的运算效率.对于具有250个变量、1065个子句的SAT问题,OEASAT仅用了1.524s,表现出了优越的性能. 相似文献
6.
多智能体遗传算法用于线性系统逼近 总被引:17,自引:3,他引:14
提出了一种新的参数优化方法--多智能体遗传算法,来求解线性系统逼近问题.该方法中每个智能体代表一个候选解,即搜索空间中的一个实值向量.所有智能体生存在一个网格状的环境中,且每个智能体占据一个格点不能移动.为了增加能量,它们将与其邻域进行合作或竞争,也可以利用自身的知识.因此,设计了4个进化算子来模拟智能体间的竞争、合作、自学习等行为.该方法利用这些智能体与智能体间的相互作用来达到优化逼近模型中参数的目的;此外,还采用了一种动态扩展搜索空间的方法以解决算法所需的搜索空间难以确定的问题.实验中,利用一个稳定和一个非稳定的线性系统逼近问题来验证算法的性能,并与两种新近提出的方法作了比较.结果表明,该文方法优于其它方法,能够用较少的计算量找到高质量的逼近模型,具有良好的性能和实际应用价值. 相似文献
7.
8.
针对雷达目标一维像识别问题,提出了一种基于组织协同进化分类算法的识别方法.该方法与现有进化分类方法的不同之处在于它的进化操作直接作用于样本而不是规则,采用了一种自下而上的搜索机制,即先使若干样本的集合得到进化,再从进化结果中提取规则.这样有利于避免在进化过程中产生无意义的规则.该方法不需要进行特征提取;对于高维数据,不需要预先进行降维处理;没有复杂的运算,训练和识别的速度都很快.对3种飞机微波暗室实测数据的识别实验表明,该方法性能稳定,优于基于支撑矢量机与子波核函数的方法,识别率均达到了96%以上.实验中还对算法的抗噪能力进行了测试,获得了良好的效果. 相似文献
9.
二阶卡尔曼滤波分布估计算法 总被引:4,自引:0,他引:4
分布估计算法由于其较强的理论基础已成为进化计算研究的新热点.从卡尔曼滤波的角度来看,它的作甩实际上是一个递归滤波器,但作用在一个种群上的分布估计算法相当于只有一个信息源.因此,该文利用信息融合的思想,将种群分成若干子种群,各子种群独立地使用二阶分布估计算法来估计其状态,这样就可从多个信息源获得信息.然后用卡尔曼滤波器将这多个信息源的信息相融合,以产生更准确的估计,并将估计信息反馈到各子种群中.实验结果表明,相对于已有的二阶分布估计算法,该文算法的稳定性和全局搜索能力都得到了很大提高,从而说明了该文算法的有效性. 相似文献
10.
组合优化多智能体进化算法 总被引:18,自引:0,他引:18
提出了一种新的组合优化方法——组合优化多智能体进化算法.该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争,同样智能体也可进行自学习来增加能量.理论分析证明算法具有全局收敛性.在实验中,作者分别用强联接、弱联接、重叠联接等各种类型的欺骗函数对算法的性能进行了全面的测试,并将算法用于解决具有树状等级结构的问题.比较结果表明文中算法所需的计算量远远小于其它方法,具有较快的收敛速度.为了测试算法解决大规模问题的能力,作者还将算法用于解决上千维的欺骗问题和等级问题,结果表明该文算法的计算复杂度与问题规模成多项式的关系.此外,将算法用于上千维的欺骗问题和等级问题,在国内外还均未见报到. 相似文献