一种改进的近地表层析成像SIRT算法

针对联合迭代重建技术(simultaneous iterative reconstruction technique,SIRT)臆用于近地表层析成像时,由于系数矩阵A与旅行时残差△t不完全匹配而易出现修正过度的问题,本文提出一种改进的SIRT算法.用炮点与榆波点的距离d修正约束旅行时残差△t,改进了A与△t的匹配性较差的问题.验箅结果表明:该算法能够有效地抑制修正过度现象,而得到较好的重建图像.     

基于模糊遗传算法的XNOR/OR展开式最小化研究

提出一种改进的模糊遗传算法用于求解XNOR/OR展开式最小化问题. 在算法进化过程中,采用模糊规则对交叉率和变异率进行修正, 以提高算法的收敛速度, 并在一定程度上抑制了局部收敛现象的发生. 并采用8个MCNC Benchmark电路对该算法进行测试, 结果表明: 所提算法具有较好的优化效果和较高的收敛速度.     

一种多域光网络拓扑聚合算法

将复杂物理网络拓扑转换为简单的虚拟拓扑聚合是解决大规模多域光网络可扩展性和安全性问题的关键技术.提出了一种新的光网络多域线性阶梯聚合算法(ML-S),将线性段拟合算法升级为阶梯生成的多线拟合算法.通过查找阶梯的突变点,增加拟合线段的数量,减少冗余,对网络拓扑信息的描述进行改进.此外,ML-S融合了阶梯拟合算法,有效地缓解了拓扑信息的复杂性和准确性之间的矛盾.根据每个域的具体拓扑信息动态地选择一种更精确、更少冗余的算法.仿真结果表明,与最小二乘算法和梯形拟合算法相比,ML-S失真性能指数降低了60%,与多线拟合算法相比,ML-S冗余度降低了50%.在不同的拓扑条件下,ML-S保持了低估计失真、高估计失真和冗余度,在聚集程度和精度之间实现了更好的平衡.     

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Gr...     

有限族非空闭凸集交上的投影算子迭代算法

梯度投影算法在信号与图像处理、机器学习和数据挖掘等很多领域中有着广泛的应用,如何有效的计算投影算子是该算法的关键。对于单一闭凸集上的投影算子的计算,特别是具有稀疏约束的集合,已有很多的研究者给出了不同的优化算法。对于多个非空闭凸集合交上的投影,需要根据集合的性质设计算法。本文给出在一般Hilbert空间中有限族非空闭凸集合交上投影算子计算的统一方法。首先,我们定义笛卡尔乘积空间,将有限族非空闭凸集的交转化为两个非空闭凸集的交,然后将Dykstra算法推广到这类问题的求解。同时,我们将有限族非空闭凸集交上投影问题转化为无约束优化问题,并基于Douglas-Rachford算子分裂和三算子分裂方法思想,建立求解该无约束优化问题的迭代算法及证明算法的收敛性。最后,应用所提算法求解具有非负约束的l1范数单位球上的投影问题,通过数值实验,结果表明所提算法能快速和准确的收敛到真实解。     

线性方程组求解的一个迭代算法

给出了求解线性方程组的一个迭代算法并证明了收敛性,通过对该算法中参数的选取,导出了若干投影算法。     

基于差分演化算法的双曲型方程参数识别

差分演化算法在求解复杂优化问题时具有简单、高效的优点.本文将差分演化算法用于求解一类双曲型偏微分方程的参数识别问题,并根据所求问题的特点对算法进行了若干改进:包括基于帽子函数的参数表示和个体编码方法,用于增强算法性能的一般反向学习机制和平滑算子,以及将Tikhonov正则化和全变差正则化相结合的个体适应度计算方法.数值模拟显示,本文的算法可有效求解一维双曲型偏微分方程的参数识别问题.该算法不仅获得了高质量的近似解,而且还具有较快的收敛速度.     

一类椭圆型变分不等式的修正代数多重网格解法及并行计算

提出了一种修正的代数多重网格解法,来求解具有对称二阶椭圆算子的变分不等式的有限元离散问题.该方法基于离散椭圆型变分不等方程的线性互补性,运用积极集策略,对Gauss-Sidel光滑迭代后的近似解进行一个后处理,以满足不等式约束,从而解决了标准代数多重网格法在求解自适应网格上的变分不等式时不收敛的问题.数值实验表明了该算法在一致网格和h-自适应网格上的计算有效性和健壮性.为了减少计算时间,根据该修正算法内在的并行度,提出了一个并行计算格式,数值结果给出了该并行的加速比和效率.     

一类集值非线性混合变分包含问题和隐拟变分不等式问题的逼近解

研究一类集值非线性混合变分包含问题和隐拟变分不等式问题,运用预解算子和投影算子技巧分别给出了两种新的迭代算法,并证明了这类问题解的存在性及由算法所得序列的收敛性.结果是近期一些有关结果的改进和推广.     

基于l_p正则化图像去模糊的快速广义迭代收缩算法

将图像去模糊问题转化为求解l_p正则化的非凸优化问题,提出了一种求解l_p正则化问题的快速广义迭代收缩算法(FGISA,fast generalized iterative shrinkage thresholding algorithm).该算法通过对广义迭代收缩算法(GISA,generalized iterative shrinkage thresholding algorithm)的梯度项添加一个加权矩阵,并结合Nesterov梯度加速方法达到加快算法收敛速度的目的.由于加权矩阵仅仅与模糊矩阵有关,并且不随迭代过程变化,因此,与GISA相比FGISA并不增加算法的计算复杂度.文章给出了算法收敛性的理论分析.实验结果表明FGISA算法在收敛速度和图像恢复效果方面对GISA算法均有较大的改进.