基于暂态混沌神经网在非平衡B指派问题的应用

讨论了非平衡B指派问题的求解算法，给出了暂态混沌神经网络模型，并描述了非平衡B指派问题，提出了基于暂态混沌神经网络的非平衡B指派问题的求解算法。仿真结果表明，该网络可以通过混沌机制来避免陷入局部极小点，从而能够保证快速有效地求解该指派问题。该文还用这种方法求解了属于NP难题的文件分配问题(FAP)。     

指派问题的EXCEL求解模板

指派问题是管理运筹学的重要组成部分,手工求解的计算步骤繁琐复杂。Excel求解模板通过设置冗量,将一般指派问题中不等式约束,调整为标准型指派问题模型,达到了计算机模板计算的要求,同时又解决了不同指派问题需要用不同公式求解的矛盾,实现了在计算机上用通用求解模板求解指派问题的目的,为指派问题的即时求解提供了条件。     

人数少于任务数的全指派问题的迭代算法

针对人数少于任务数的情况,按每人至少承担一项任务,至多承担L项任务,但每项任务只允许一人承担的指派原则,给出了一种求解这种指派问题的迭代算法,该算法操作简便、易于用计算机运行。构建该算法的方法,用于某些其它指派问题,可以使相应的算法更加便捷。     

元素判别值分配法的新应用——求解最大值问题

元素判别值分配法是作者研究的求解运筹学有关问题的新方法。它可用于求解运输调配、货郎担、排序、指派等一类问题,具有独特的创新性。这类问题的求解目标是要求最小值,诸如费用最省、路程最短、时间最少等等。最近作者试用于求解有关最大值问题,也获得成功。本文介绍元素判别值分配法用于求解最大值问题的新应用。     

基于区间数型多因素指派模型的多传感器优化分配方法

如何在不确定的复杂环境下优化分配有限的传感器资源是传感器管理系统中的一个关键问题.在用区间数来描述这种不确定性研究思路的基础上, 提出了一种新的区间数型多因素指派模型的求解方法. 首先, 给出了拓展的区间数型多因素指派模型. 然后, 采用不确定有序加权平均 (Uncertain ordered weighted average, UOWA) 算子集结规范化后的区间数型效率矩阵, 通过逼近理想解的排序法 (Technique for order preference by similarity to ideal solution, TOPSIS) 确定综合效率矩阵. 进一步将其转化为标准型指派问题, 最后通过匈牙利法得到最优解. 通过算例说明了该方法解决多传感器优化分配问题的有效性.     

非确定型指派问题的求解算法

考虑了一类非确定型指派问题,每人所承担的工作数不确定,按每人至少承担一项工作,每项工作只允许一人承担的指派原则,针对人员无工作数限制和有工作数限制两种情况加以讨论和分析,借鉴Floyd算法的负回路思想,提出了一种迭代算法,并给出了应用此算法求解的具体实例。实验表明：与其他求解算法相比,该算法求解规模小,效率高,应用简便,易于编程实现。     

具有直觉模糊信息的任务指派问题研究

建立了直觉模糊指派问题的0-1型多目标优化数学模型,并将这一数学模型转化为以直觉模糊数得分值矩阵为收益矩阵的单目标最大化指派,然后利用匈牙利法进行求解,得到最优指派方案。通过对一个非标准的直觉模糊指派问题的实际算例的研究,验证了方法的有效性、简便性和易操作性。     

大规模定制模式下多类型评价信息的多目标生产指派问题

针对大规模定制模式下具有直觉模糊数、三角模糊数、语言评价、区间数等多类型评价信息的多目标生产指派问题,提出一种新的生产指派方法.首先,建立大规模定制模式下满意度评价指标体系;然后,通过计算不同类型的评价信息与负理想点的距离,以及正理想点与负理想点的距离,定义顾客满意度和企业满意度;最后,以顾客满意度最大化和企业满意度最大化为目标,建立多目标生产指派优化模型,并通过求解生产指派模型得到生产指派结果.最后通过一个算例验证所提生产指派方法的可行性和有效性.     

求广义指派决策问题最优解的有效算法

分析和研究一类广义指派决策问题,给出了该问题的线性规划模型,并把该问题转化为传统指派决策问题,使得该问题可以用著名的匈牙利算法求解最优解,从而为该问题找到一个理想,简便而有效的求解方法,给出了一个数值例子。     

基于工作绩效云预测的指派问题求解方法

提出了一种基于工作绩效云预测的指派问题求解方法。根据员工完成任务的历史记录,由逆向云发生器求得员工完成各任务所需时间的云模型的数字特征值,再通过正向云发生器生成的云滴得到指派问题的效率矩阵,然后由匈牙利法求解最优指派方案。实例计算表明该方法考虑了实际指派问题效率矩阵的模糊性和不确定性,能够实现员工工作绩效预测,为实际工作中员工任务指派问题提供了一种更科学的求解思路。     

遗传算法在货位分配中的应用研究

本文讨论了货位分配算法。首先建立了货位分配算法的数学模型,然后提出了采用遗传算法解决这个多目标组合优化的问题。最终通过应用验证了算法的适用性。     

虚拟网络存储系统自适应数据分配策略

在虚拟网络存储系统中通常包含各种异构的存储设备节点。基于同构系统的传统数据分配和放置策略并不能针对异构存储设备的性能差异来进行数据分配，降低了虚拟网络存储系统的性能。该文提出一种自适应的数据分配策略，能够根据存储设备节点的性能差异有效地进行数据分配。实验证明，该策略能够充分发挥异构存储设备的性能，有效解决虚拟网络存储系统的数据放置不平衡问题，提高虚拟网络存储系统的利用率。     

基于免疫策略的信道资源分配算法

根据信道分配的限制条件和特点应用免疫策略算法（ISA）,提出了基于 ISA的一种整体优化的动态信道资源分配方案,其特点是保证最大程度的紧致分配。同时针对遗传算法的退化现象引入免疫策略算法,较好解决了遗传算法的退化问题。实验仿真表明,该方案与现有的固定信道分配（FCA）、动态信道分配（DCA）方案和改进遗传算法信道分配方案（IGADCA）相比,有较小的呼阻率。     

DSm组合规则的改进及其在直觉模糊集上的拓展

DSmT在组合结果中保留了冲突焦元,一方面提高了组合冲突证据能力,另一方面造成了冲突信息的积累,促使分配给主焦元的信度不合理地减小,导致组合信息的不确定性增加,不利于决策。针对DSm T存在的缺陷,提出了一种新的基于冲突再分配的组合规则。为进一步提高DSmT处理冲突、模糊和不精确信息能力,研究了DSm T在直觉模糊集上的拓展,将传统的信度赋值函数替换为直觉模糊信度赋值映射,并讨论了直觉模糊拓展后的信度组合规则。数值实例验证了所提方法的有效性。     

Learning Graph Matching

As a fundamental problem in pattern recognition, graph matching has applications in a variety of fields, from computer vision to computational biology. In graph matching, patterns are modeled as graphs and pattern recognition amounts to finding a correspondence between the nodes of different graphs. Many formulations of this problem can be cast in general as a quadratic assignment problem, where a linear term in the objective function encodes node compatibility and a quadratic term encodes edge compatibility. The main research focus in this theme is about designing efficient algorithms for approximately solving the quadratic assignment problem, since it is NP-hard. In this paper we turn our attention to a different question: how to estimate compatibility functions such that the solution of the resulting graph matching problem best matches the expected solution that a human would manually provide. We present a method for learning graph matching: the training examples are pairs of graphs and the 'labels' are matches between them. Our experimental results reveal that learning can substantially improve the performance of standard graph matching algorithms. In particular, we find that simple linear assignment with such a learning scheme outperforms Graduated Assignment with bistochastic normalisation, a state-of-the-art quadratic assignment relaxation algorithm.     

Evaluation of supervised classification algorithms for identifying crops using airborne hyperspectral data

Sufficient training data must be acquired to classify areas of interest using a supervised classification method and hyperspectral data. However, the relatively small size of agricultural plots in Japan means that there is no training area large enough to represent a feature of interest. In this study, a new method for identifying crops using hyperspectral remotely sensed data has been proposed in order to resolve the problem of identifying training areas in agricultural crops. This method was then compared with conventional methods. The proposed method was found to be most effective for identifying crops using hyperspectral data in an agricultural land area.     

检测识别跟踪分离的在线多样本视频目标跟踪

在视频目标跟踪中,经常出现“漂移”现象,且学习算法需要离线训练。为此,提出一种检测识别跟踪分离的在线多样本视频目标跟踪方法。利用多样本学习方法解决学习算法在更新过程中的内在不确定性,使用优于在线半监督的boosting方法解决“漂移”现象。实验结果表明,该方法鲁棒性较好,可以有效解决“漂移”现象,并能实时地完成在线跟踪。     

目标跟踪中的传感器管理

对序贯Kalman滤波在多传感器多目标跟踪中的应用情况进行了分析,提出了一种基于费歇信息增量的多传感器对多目标的分配方法。该方法较好地解决了传感器的组合分配问题,并能对目标的跟踪精度实施控制,仿真结果证明了该方法的有效性。     

A genetic classification method for speaker recognition

Gaussian mixture model (GMM) has been widely used for modeling speakers. In speaker identification, one major problem is how to generate a set of GMMs for identification purposes based upon the training data. Due to the hill-climbing characteristic of the maximum likelihood (ML) method, any arbitrary estimate of the initial model parameters will usually lead to a sub-optimal model in practice. To resolve this problem, this paper proposes a hybrid training method based on genetic algorithm (GA). It utilizes the global searching capability of GA and combines the effectiveness of the ML method. Experimental results based on TI46 and TIMIT showed that this hybrid GA could obtain more optimized GMMs and better results than the simple GA and the traditional ML method.     

多属性目标决策的分类融合威胁排序的模型

协同空战中,目标威胁等级的判定为武器资源的有效配置提供了重要依据,是现代作战指挥决策系统的核心内容.目前该问题的难点在于,如何解决多属性目标量化属性和非量化属性的混合比较问题.运用目标多属性理论探索对空中目标的威胁排序问题,提出了一种基于被保护对象相互关系鼍化的空中目标威胁评估和排序的方法,方法对威胁冈素进行了详细分类,并分析了它们之间的关系,在此基础上融入了我方目标任务属性的比较关系,同时对一些模糊属性进行了量化处理.最后通过示例介绍了威胁评估和排序的求解过程.该方法有效地解决了目标威胁评估与排序问题,是可行和有效的.