双层膜椭偏数据处理的新算法

为了准确测量双层透明膜,有效地结合了模拟退火法和单纯形法的优点,提出一种模拟退火-单纯形混合算法来处理双层透明膜的椭偏数据。在单波长测量时,仅测量1组椭偏参量,可以求解双层透明膜任意两个参量;测量两组以上椭偏参量,可以同时反演双层透明膜4个参量,求解薄膜折射率和厚度精度分别达到0.0002和0.07nm。结果表明,模拟退火-单纯形混合算法反演双层透明膜参量是可行和可靠的,且有较强的样品适应性。该算法适合于单波长椭偏仪对双层及多层膜的反演及实际测量。     

可行方向算法与模拟退火结合的NMF特征提取方法

NMF子空间特征提取被表示成一个大规模线性约束非线性优化问题．为了获得更优性能的基图像，设计了一个可行方向算法结合模拟退火算法的混合算法来求解这个优化问题．以基于梯度的可行方向算法作为局部寻优的手段，加快收敛速度；以模拟退火算法作为全局寻优的手段，避免优化过程陷入局部极小点．同时，在模拟退火操作中，采用对比度增强算法，使获得的基图像更加地空间局部化．实验表明，本文的可行方向算法比采用归一化实现等式约束的原算法在学习的最后阶段有更好的收敛速度，所获得的基图像更加地空间局部化，而且在人脸重建的应用中有更好的性能．     

基于混合遗传算法的偏振双向反射分布函数优化建模

为了表征复杂涂层表面的光学散射特性,在微面元理论的基础上,建立了典型涂层样片的偏振双向反射分布函数模型.由于实验数据与模型参数之间存在复杂的非线性关系,采用了遗传算法对模型参数进行反演.针对遗传算法收敛速度慢及易限于局部极小的特点,在传统遗传算法参数反演的基础上,在适应度计算中引入了模拟退火算法对偏振双向反射分布函数模型进行优化建模.实验结果表明:模型的计算结果与实验结果吻合较好.从误差收敛曲线来看,这种混合遗传算法优化方法不仅可以有效避免目标函数陷入局部极小,而且可以有效缩短目标函数的收敛时间.这可以为后续的目标特征提取与识别工作提供参考.     

自适应遗传退火算法在薄膜椭偏测量中的应用

将自适应遗传模拟退火混合算法应用于薄膜椭偏测量的反演问题中.由于模拟退火算法的基本思想是跳出局部最优解而得到全局最优解,因此将模拟退火思想引入到遗传算法,遗传算法和模拟退火算法相结合,组建自适应遗传模拟退火算法,从而综合了全局优化和局部搜索的特点,并通过模拟计算,验证了此方法在薄膜椭偏测量问题中的可行性及有效性,为解决...     

基于遗传/模拟退火算法的蒸发波导反演研究

在实现雷达海杂波反演蒸发波导剖面的寻优运算中,应用遗传算法时把握全局的能力较强,但局部搜索能力较差,易出现早熟收敛现象;应用模拟退火算法时具有较强的局部搜索能力,但全局搜索能力较差,运算效率不高.针对此问题,将两种算法进行了融合,并分析了遗传/模拟退火混合算法的参数选取及抗噪性能.利用模拟海杂波功率进行了仿真试验,结果表明:遗传/模拟退火混合算法能够互相取长补短,适用于一定噪声干扰范围内解决反演蒸发波导剖面的问题.     

同型机调度问题的混合ACO-SA优化算法研究

针对同型机调度问题,提出一种蚁群-模拟退火两阶段优化算法.构造了问题域蚁群模型,运用蚁群算法展开全局搜索,通过自适应调整闻值改善空间探索与局部开采的平衡;为提高搜索精度,引入模拟退火算法,将蚁群算法的最好解作为其初始解,在邻域内进行精细搜索,利用其概率突跳特性有效避免算法陷入局部最优.实验结果表明混合算法具有稳定而优良的寻优能力.     

基于混合优化算法的正交多相码的设计

通过结合模拟退火算法的概率接受准则和蚁群算法的并行搜索，提出了一种有效的混合优化算法，设计出了具有良好自相关和互相关性能的正交信号组。混合算法弥补了模拟退火算法的搜索效率低和蚁群算法的容易陷入局部最小值的缺点，提高了全局搜索的能力。仿真结果表明，在搜索最优正交多相码方面该混合优化算法优于其他搜索算法。     

可行方向算法与模拟退火结合的NMF特征提取方法

NMF子空间特征提取被表示成一个大规模线性约束非线性优化问题.为了获得更优性能的基图像,设计了一个可行方向算法结合模拟退火算法的混合算法来求解这个优化问题.以基于梯度的可行方向算法作为局部寻优的手段,加快收敛速度;以模拟退火算法作为全局寻优的手段,避免优化过程陷入局部极小点.同时,在模拟退火操作中,采用对比度增强算法,使获得的基图像更加地空间局部化.实验表明,本文的可行方向算法比采用归一化实现等式约束的原算法在学习的最后阶段有更好的收敛速度,所获得的基图像更加地空间局部化,而且在人脸重建的应用中有更好的性能.     

基于改进混合蛙跳算法的SVM分类算法

支持向量机的训练需要求解一个带约束的二次规划问题,但在数据规模很大情况下,经典训练方法将变得很困难。本文提出一种基于改进的混合蛙跳算法的SVM训练算法。针对混合蛙跳算法搜索速度慢且容易陷入局部极值的缺陷,将模拟退火思想引入到混合蛙跳算法中,提出一种改进的混合蛙跳算法。该算法保持了混合蛙跳算法参数少和容易实现的特点,同时通过模拟退火的降温过程来提高算法的进化速度和精度。实验结果表明,该算法能显著提高收敛速度,并能有效克服局部极值,在SVM训练中具有良好效果。     

基于模拟退火算法的多相序列搜索

具有良好相关特性的多相序列是许多有源传感和通信系统的组成部分。由于该序列的搜索是一个非线性多变量的优化问题,寻找高效的搜索方法至关重要。为了获得相关性好的多相序列,文章提出将具有全局优化能力的模拟退火算法引入到多相序列的搜索问题中。基本原理是为序列搜索建立适当的目标函数,调试出适当的退火和停止规则。通过大量对搜索性能和收敛参数进行的数值实验结果来看,文章显示采用模拟退火算法来设计具有良好相关性的多相序列是可行且有效的,特别是当优化问题的参数数量较大时。     

Improving the Fitness of High-Dimensional Biomechanical Models via Data-Driven Stochastic Exploration

The field of complex biomechanical modeling has begun to rely on Monte Carlo techniques to investigate the effects of parameter variability and measurement uncertainty on model outputs, search for optimal parameter combinations, and define model limitations. However, advanced stochastic methods to perform data-driven explorations, such as Markov chain Monte Carlo (MCMC), become necessary as the number of model parameters increases. Here, we demonstrate the feasibility and, what to our knowledge is, the first use of an MCMC approach to improve the fitness of realistically large biomechanical models. We used a Metropolis-Hastings algorithm to search increasingly complex parameter landscapes (3, 8, 24, and 36 dimensions) to uncover underlying distributions of anatomical parameters of a ldquotruth modelrdquo of the human thumb on the basis of simulated kinematic data (thumbnail location, orientation, and linear and angular velocities) polluted by zero-mean, uncorrelated multivariate Gaussian ldquomeasurement noise.rdquo Driven by these data, ten Markov chains searched each model parameter space for the subspace that best fit the data (posterior distribution). As expected, the convergence time increased, more local minima were found, and marginal distributions broadened as the parameter space complexity increased. In the 36-D scenario, some chains found local minima but the majority of chains converged to the true posterior distribution (confirmed using a cross-validation dataset), thus demonstrating the feasibility and utility of these methods for realistically large biomechanical problems.     

Fast Multi-reference Motion Estimation via Enhanced Downhill Simplex Search

Block motion estimation can be regarded as a function minimization problem in a finite-dimensional space. Therefore, fast block motion estimation can be achieved by using an efficient function minimization algorithm instead of a predefined search pattern, such as diamond search. Downhill simplex search is an efficient derivative-free function minimization algorithm. In this paper, we proposed a fast block motion estimation algorithm based on applying the downhill simplex search for function minimization. Several enhanced schemes are proposed to improve the efficiency and accuracy, including a new initialization process, a special rounding scheme, and an early-stop error function evaluation procedure. We also extend the downhill simplex search for the multi-reference frame motion estimation problem. Experimental results show superior performance of the proposed algorithm over some existing fast block matching methods on several benchmarking video sequences.     

Hopfield Neural Network Based on Estimation of Distribution for Two-Page Crossing Number Problem

This paper presents a Hopfield neural network (HNN) combined with estimation of distribution (EDA) for the two-page crossing number problem. In the proposed algorithm, once the network is trapped in local minima, the perturbation based on EDA can generate a new starting point for the HNN for further search, which is in a promising area characterized by a probability model and is not far away from the best solution found so far. The proposed algorithm can escape from local minima and further search better results. Simulation results show that the proposed algorithm is better than previous methods.      

基于非负矩阵分解的高光谱遥感图像混合像元分解

传统非负矩阵分解算法的目标函数具有大量的局部极小,在进行高光谱图像的光谱解混时,受初始值的影响很大.为解决该问题,作者通过在目标函数中引入丰度分离性和平滑性的约束条件,提出一种基于有约束非负矩阵分解的混合像元分解方法.同时该算法能够满足混合像元分解问题所要求的丰度值非负以及和为一的约束.模拟和实际数据实验结果表明,所提...     

一种在有序图象特征空间中进行查找的快速匹配搜索算法

本文提出，在图象匹配的搜索算法中，搜索路线的设计应在基准图的数值特征空间中进行，通过对基准图的数值特征空间进行有序化调整以从全局把握其分布，这样便在很大程度上克服了以往快速搜索算法所固有的局部性的缺点，在有序化特征空间中可以用折半查找法为核心构造新的快速搜索算法。模拟实验的测试结果证明，这种新的搜索算法具有极佳的匹配速度和很好的匹配精度。     

Population partitioning in genetic algorithms

When an optimisation landscape is highly multimodal, even a genetic algorithm can become stuck in local minima. Increasing the population size is one way to ensure that the search space is more comprehensively sampled. But it can be a more efficient use of population members to allow a number of subpopulations to evolve separately and then interbreed with one another. One example of such a multimodal problem is scattering from a conductive object, which is important in applications such as radar cross-section optimisation     

基于微分搜索的高光谱图像非线性解混算法

针对线性混合模型在实际高光谱图像解混过程中的局限性,提出一种新的基于微分搜索的非线性高光谱图像解混算法.在广义双线性模型的基础上采用重构误差作为解混的目标函数,将非线性解混问题转化为最优化问题.将目标函数中的待求参数映射为微分搜索过程中的位置变量,利用微分搜索算法对目标函数进行优化求解.在求解过程中,通过执行搜索范围控制等机制满足高光谱图像解混的约束要求,进而求得丰度系数和非线性参数,实现非线性高光谱图像解混.仿真数据和真实遥感数据实验结果表明,所提出的非线性解混算法可以有效克服线性模型下解混算法的局限性,避免了由于使用梯度类优化方法而易陷入局部收敛的问题,较之其它高光谱图像解混算法具有更好的解混精度.     

基于极坐标中蛇模型的类圆目标轮廓提取技术研究

提出了转化到极坐标中的蛇模型.通过把蛇模型转化到极坐标中,使轮廓的候选点得以更有序的排列.由于采用了动态规划法并在整个能量空间中搜索能量泛函的极值,算法对能量泛函的局部极值有较强的鲁棒性.所提出的模型不需要确定初始轮廓,可以用非迭代方法直接求解.与传统的动态规划法和贪婪算法进行了比较实验.结果表明,所提出的算法对极坐标中极点的位置不是很敏感.     

参数自适应混沌粒子群算法在盲源分离中的应用

独立分量分析(ICA)是盲源信号分离中应用最为广泛技术,其应用过程需要对目标函数进行优化,传统粒子算法(PSO)对其进行优化时,存在易陷入局部最优、稳定性差等缺陷,针对此问题,提出采用参数自适应混沌粒子群算法对ICA进行优化.首先采用对PSO的参数进行自适应调整,提高粒子的搜索能力,然后对粒子群进行混沌扰动,提高算法收敛速度.仿真结果表明,使用参数自适应混沌粒子群算法可以有效解决ICA的目标函数优化问题,极大提高了盲源信号的分离效果.     

A genetic local tuning algorithm for a class of combinatorialnetworks design problems

Experimental evidences of many genetic algorithm (GA) researchers is that hybridizing a GA with a local search (LS) heuristic is beneficial. It combines the ability of the GA to widely sample a search space with a local search hill-climbing ability. This letter presents a genetic local search (GALS) mechanism applied on two stages on the initial genetic population. An elite nondominated set of solutions is selected, an intermediate population (IP) composed of the elite and the improved solutions by natural genetic operators is constructed and then a Nelder and Mead (1965) simplex downhill method (SDM) is applied to some solutions of the IP. Experimental results from solving a 20-nodes topology design and capacity assignment (TDCA) problem suggest that our approach provides superior results compared to four simple GA implementations found in the literature