一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

一种改进的Turbo码译码算法及其FPGA实现

为有效降低Turbo码在硬件实现时的译码复杂度并减少其存储资源消耗,将现有Turbo码译码算法中Log-MAP算法和Max-Log-MAP算法进行融合改进,提出一种适于并行计算的改进Max-Log-MAP算法,即在译码计算中间参数的过程中,只将具有多个输入变量的max*(·)运算简化为取最大值的max运算,而对具有2个输入变量的max*(·)运算进行精确计算. 仿真结果表明,改进Max-Log-MAP算法的复杂度可以接近Max-Log-MAP算法,而性能接近Log-MAP算法. 将采用新算法的Turbo码编译码器在现场可编程门阵列(FPGA)上实现,并应用于低轨卫星通信系统(LED)中的,能在保证Turbo编译码优异性能的同时,获得较低复杂度和较低资源消耗,有利于减小卫星手持通信终端的体积,降低功耗.      

基于树状结构的RIPS并行调度算法

给出了分布式系统中的一种基于树结构的并行调度算法ＲＩＰＳ,该算法通过在任务调度算法中引入并行技术,使其既具备了静态调度和动态调度的优越性,又能克服二的不足,并从理论上证明了该算法能够达到较好的负载平衡,最大限度减少任务的任务间通信,最大程度计算本地化,并举例进行了说明。     

无翼平底弹头的属性散射中心模型改进与参数估计

针对传统属性散射中心模型在描述散射中心幅度随方位的变化存在不足,本文依据目标的逼真散射数据对属性散射模型中的方位依赖关系进行了修正,并通过图像匹配结合遗传算法对散射中心的各个参数进行了估计. 为了验证模型的有效性,文中给出了修正模型的仿真结果与传统模型仿真结果以及全波法计算结果的比较. 结果表明,相对于传统的属性散射中心模型,改进后的模型能更准确地描述真实散射中心的幅度随方位的变化关系.      

基于遗传算法和神经网络的远程减速机故障诊断系统的设计

通过对减速机故障形式的分析,采用BP神经网络建立故障诊断模型,利用遗传算法优化神经网络权值、阈值、网络结构,将遗传神经网络模型应用到远程减速机的故障诊断的设计中,比较单一的神经网络和遗传神经网络的训练误差曲线,得出遗传神经网络在训练速度和准确性上远远高于神经网络训练模型.     

面向像素的并行快速后向投影算法

针对后向投影算法运算量大和实时性差的问题,该文在图形处理器的并行处理架构下,结合时域快速后向投影算法,提出了面向像素的并行快速后向投影算法。该方法距离向根据分辨率要求进行划分并分配并行线程,方位向聚焦则通过多级子孔径合并与图像分裂技术来降低运算量。通过比较该文算法、全局后向投影算法和距离多普勒算法的理论计算量、成像时间和加速比可以看出,该文算法的运算速度比后向投影算法大大提高。三种算法针对实测数据成像时间与成像效果的对比验证了该文算法的有效性和工程实用价值。     

区间方法在不确定非线性结构静态响应分析中的应用

采用区间分析方法针对目前还少有人研究的具有材料非线性的不确定结构系统进行分析计算,并针对计算结果易于扩张这一区间计算的主要缺陷,采用把区间函数计算和区间方程组的求解转化为以非确定参数为优化变量,以结构静态响应解为目标函数的全局最优化问题,进而得到静态解的区间边界值.计算中采用实数编码遗传算法求解全局优化问题.     

摩擦耗能支撑参数优化

提出摩擦耗能支撑参数优化的一种新数学模型．它的特点是在相同的层间位移角限值下,所求得的框架各层耗能支撑刚度之和最小,从而实现安装较少的耗能装置而能达到相同的抗震要求．文中利用遗传算法求解该优化问题,编制基于遗传算法的摩擦耗能框架结构弹塑性动力优化分析程序GAOFF．算例表明,该方法有效。     

基因块编码的并行遗传算法及其在TSP中的应用

针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象,提出了一种用基因块编码的并行遗传算法(Building-block Coded Parallel GA,BCPGA).该方法以粗粒度并行遗传算法为基本框架,在染色体群体中识别出可能的基因块,然后用基因块作为新的基因单位对染色体重新编码,产生长度较短的染色体,再用重新编码的染色体群体作为下一轮以相同方式演化的初始群体.将BCPGA应用于一个100城市的旅行商问题(TSP)中,结果表明本方法可以提高遗传算法的搜索效率,并且在相同条件下,BCPGA明显优于单纯的粗粒度并行遗传算法.     

聚类分析在多极值函数优化中的应用

将聚类分析方法应用于经典的优化和遗传寻优过程当中，提出了一种求解多极值函数全局最优解的方法。在基于梯度的算法中，先取多个初始点，几次迭代搜索后做聚类分析。在每类取一点，将目标函数分为多个单极值函数，然后分别寻优，通过比较得到全局最优解。在遗传算法中，通过聚类分析在每类取若干个体作为代表个体，它们将始终参与遗传操作，从而有望达到全局最优。