求解最大二等分问题的混合二进制人工蜂群算法

为更好地解决最大二等分问题,提出了一种求解该问题的混合二进制人工蜂群算法。首先,针对传统人工蜂群算法不能解决离散问题的缺陷,根据最大二等分问题的特点,重新设计了蜂群的食物源更新方法,新产生的食物源既继承了先前找到的高质量解的优良结构,又具有良好的多样性。其次,采用填充函数算法对新产生的食物源进行进一步优化,有效提高了人工蜂群算法的局部搜索能力。最后,通过比较混合二进制人工蜂群算法和其他现有算法对不同规模标准测试例子的计算结果,验证了本算法的优越性。     

基于ABC-RNN算法的机器嗅觉系统

为了解决对短采集时间水果产地进行快速识别的问题,提出一种基于人工蜂群算法优化的循环神经网络(ABCRNN)。该算法利用人工蜂群(ABC)算法对循环神经网络(RNN)的初始权重和偏置进行全局最优搜索,同时RNN以时序信号作为输入信号,降低了网络的复杂度。实验结果表明,ABC-RNN算法具有更快的训练速率和更高的精度,在甜橙和猕猴桃两种水果的产地分类问题上取得了很好的分类结果。     

采用渐变与突变机制的反向人工蜂群算法

为克服人工蜂群算法容易陷入局部最优且后期收敛速度较慢的缺点,提出一种基于渐变与突变机制的反向人工蜂群算法并用于特征选择.采用反向学习策略,为每个初始解产生对应的反向解,并从所有解中选择最优的解构成初始种群,加快了收敛速度.引入渐变与突变机制,将个体按适应度大小分为渐变个体和突变个体,对它们采用不同的邻域搜索方法,避免了陷入局部最优.对比实验表明,新算法比其他特征选择算法能够得到更好的特征子集且具有更快的收敛速度.     

面向立体声的多源音频信息隐写

针对多音源的音频信号,提出面向立体声的多源音频信息隐写算法.该算法将音源分离技术中的二进制时频掩码技术引入到信息隐写算法中,以各分离音源为载体,采用立体声混合嵌入的方式,通过修改时频域中奇数窗的部分系数,实现隐写信息的嵌入,该算法代替了传统信息隐写算法的单源嵌入方式.实验结果显示,该算法嵌入容量较大,并能有效抵抗常见信号处理攻击、StriMark Benchmark for Audio等攻击,平均误码率小于2.80%,算法具有很好的鲁棒性.     

随机图的L(2,1)-标号混合人工蜂群算法

为解决图的L(2,1)-标号问题,设计了一种全新的标号算法,该算法利用人工蜂群全局搜索能力强的优点来得到最优的L(2,1)-标号方案。为了加快算法的收敛速度,修改了部分搜索策略并采用改进后的CK算法对初始蜜源进行限制。实验结果表明,该算法可以有效地求解有限点内随机图的L(2,1)-标号且10个点内的简单连通图都满足Griggs的猜想。通过分析实验结果总结出有关K_n\e、K_n\2e、联图K_n↑S_m以及太阳图等的相关定理,并结合已有结果给出了新的猜想。     

布尔c-导数及其偏导数的最小项表计算方法

在逻辑函数布尔c-导数的基础上,引入了布尔c-偏导数的概念.为了简化布尔c-导数及其c-偏导数的计算,提出了基于逻辑函数最小项表的计算方法.该算法用最小项表列出1值最小项的二进制代码,然后对二进制代码中相应位取反变换产生新的最小项,再进行比较并删除新最小项中的重复项来计算c-导数和c-偏导数.实例展示了利用最小项表的计算过程.与代数法和图形法相比,该算法简单有效,当变量数较多时易于计算机编程实现.     

检测含无关项旋转对称逻辑函数的快速算法

旋转对称逻辑函数在密码学函数构造领域有广泛应用。针对含无关项旋转对称逻辑函数检测中存在的不足,从含无关项逻辑函数的定义和旋转对称函数的性质出发,提出了检测含无关项旋转对称逻辑函数的快速算法。该算法通过判断逻辑函数1值最小项二进制编码周期旋转后产生的新编码同1值最小项及无关项二进制编码的重复性实现快速检测。结果表明,快速算法在适用的逻辑函数变量数、含无关项旋转对称逻辑函数检测的适用性和检测过程的复杂度方面均优于现有的表格方法与谱系数方法。     

检测含无关项旋转对称逻辑函数的快速算法

旋转对称逻辑函数在密码学函数构造领域有广泛应用。针对含无关项旋转对称逻辑函数检测中存在的不足,从含无关项逻辑函数的定义和旋转对称函数的性质出发,提出了检测含无关项旋转对称逻辑函数的快速算法。该算法通过判断逻辑函数1值最小项二进制编码周期旋转后产生的新编码同1值最小项及无关项二进制编码的重复性实现快速检测。结果表明,快速算法在适用的逻辑函数变量数、含无关项旋转对称逻辑函数检测的适用性和检测过程的复杂度方面均优于现有的表格方法与谱系数方法。     

基于变分高斯混合模型的图像分割算法

提出了一种基于变分推断的高斯混合模型的图像分割算法. 该算法首先用贝叶斯混合高斯模型对图像的特征进行建模, 并针对模型的参数学习问题, 利用变分推断算法估计模型的参数及其后验概率; 这种方法比采样法的计算量更少, 而且能够根据图像数据自动优化混合个数, 实现了模型的自动选择. 最后, 该算法在Berkeley的自然图像集上进行的实验结果与经典的图像分割算法进行了比较, 结果表明此方法得到的图像分割结果精度较高, 具有较好的性能.     

一类新的广义混合拟变分包含组

引进一类新的广义混合拟变分包含组。使用η-近似映射技巧,证明一个新迭代算法的收敛性和解的存在性。结果改进和推广了近期一些熟知的结果。     

一种求解厌恶型p-中位问题的混合进化算法

厌恶型p-中位问题是一个NP-困难问题.提出了一种求解厌恶型p-中位问题的混合进化算法.首先,通过贪心随机自适应搜索方法和随机构造方法产生初始种群.然后,利用搜索过程中收集到的全局信息和局部信息构造新解,期间注意提高搜索的多样性,避免早熟.最后,针对厌恶型p-中位问题的特点,构造基于约束交换邻域的局部搜索算法,提高了算法的局部搜索能力.通过求解72个标准测试例子以检验算法的性能,发现该算法在较短时间内得到了高质量解,优于现有算法.     

自适应memetic算法求解集合覆盖问题

集合覆盖问题是一个经典的NP困难的组合优化问题,有着广泛的应用背景.首先,采用动态罚函数法将集合覆盖问题等价转化为无约束的0-1规划问题.然后,基于集合覆盖问题的结构特征,设计了初始种群构造方法、局部搜索方法、交叉算子、动态变异算子和路径重连策略,提出了一个高效求解该0-1规划问题的自适应memetic算法.该算法有效平衡了集中搜索和多样化搜索.通过45个标准例子测试该算法,并将其结果与现有遗传算法进行了比较,表明该算法能够在可接受的时间内找到高质量的解,能够有效求解大规模集合覆盖问题.     

求解一类随机优化问题的粒子群算法

提出了一个解随机优化问题的粒子群算法.该算法易理解,程序上易实现,克服了随机优化问题难以高效实现全局优化的缺点.数值实验结果表明,所提出的算法能够快速地收敛到随机优化问题的最优解,并且具有良好的鲁棒性,是此类问题的一个高效求解算法.     

基于测地距离的基本解方法求解非齐次各向异性IHCP问题

提出了一种求解非齐次各向异性热传导方程一类反问题IHCP（inverse heat conduction problem）的无网格方法,该方法通过借助基于测地距离的Multiquadric（MQ）作为基函数得到整个时间空间区域上的一个近似特解,然后用基于测地距离的基本解方法直接在整个时间空间区域上对相应的齐次问题进行求解．用截断奇异值分解（TSVD）法求解所得病态线性方程组,用L-曲线准则确定正则化参数．用数值例子验证了该方法的有效性,并分析了数值解的精度与参数T、c的关系．     

生物地理学优化算法中基于Zoutendijk可行方向法的变异算子设计

根据约束优化问题的全局收敛性要求,基于传统优化与智能优化,设计了一种基于Zoutendijk可行方向法的新型变异算子,并将其应用于生物地理学优化算法,构建了一种用混合优化算法求解优化问题的方法.通过算子设计策略的理论验证、智能算法的收敛性分析及6个不同类型算例的仿真试验,证明此自适应求解优化问题机制具有实效性.     

计算Pascal矩阵谱半径和相应特征向量的一个快速算法

研究Pascal矩阵谱半径及其对应特征向量的数值求解算法问题,利用幂法和Pascal矩阵的性质给出了一个有效的迭代求解算法,该算法每一步迭代只用到浮点数的加法运算。同时数值实验显示,该算法具有较高的精度和较快的收敛速度。     

计算Pascal矩阵谱半径和相应

研究Pascal矩阵谱半径及其对应特征向量的数值求解算法问题,利用幂法和Pascal矩阵的性质给出了一个有效的迭代求解算法,该算法每一步迭代只用到浮点数的加法运算。同时数值实验显示,该算法具有较高的精度和较快的收敛速度。     

基于单压电变形镜的平顶光束整形研究

针对光束整形问题, 本文提出了一个基于单压电变形镜的方法和相关的搜索算法, 用于整形出不同形状和不同尺寸的平顶光束. 利用随机并行梯度下降算法找到平顶光束整形所需的调制相位, 控制变形镜重构光斑对应的调制相位, 实现对不同形状、不同尺寸平顶光束的整形. 结果表明 所生成的圆形、方形平顶光束质量较高, 且对不同尺寸(0.25、0.30、0.35、0.40mm)的圆形、方形平顶光束均有较好的整形效果.     

在GPU上求解大规模优化问题的反向策略的PSO算法

本文通过对传统粒子群算法(PSO)的分析,在GPU(Graphic Process Unit)上设计了基于一般反向学习策略的粒子群算法,并用于求解大规模优化问题.主要思想是通过一般反向学习策略转化当前解空间,提高算法找到最优解的几率,同时使用GPU大量线程并行来加速收敛速度.对比数值实验表明,对于求解大规模高维的优化问题,本文算法比其他智能算法具有更好的精度和更快的收敛速度.