一种基于GEP的演化硬件复杂电路优化算法

演化硬件是近年来新兴的研究热点,它是演化算法和可编程逻辑器件相结合而形成的硬件设计新方法。在演化硬件中门电路的优化设计是一个重要的研究领域。提出一种新的基于基因表达式程序设计（GEP）的算法来进行复杂优化电路的设计,通过仿真实验表明,该算法不仅收敛速度快,而且还能利用该算法优化大规模的门电路,克服了传统优化方法的求解速度慢甚至不收敛等缺点。该算法较传统的电路优化方法更简单、更高效。     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.     

一种求解复杂约束优化问题的粒子动力学演化算法

根据输运理论中的粒子输运方程、相空间能量最小原理和熵增法则,构造一种能够高效求解带约束条件优化问题的动力学演化算法(CPDEA).并利用这种能量和熵的变化使整个粒子系统从非平衡达到平衡的理论来定义适应值函数,使得所有的个体都能够有机会参与杂交和变异,最终达到快速求出约束优化问题的所有全局最优解的目的.在数据实验中通过用该算法求解一些复杂的带约束条件的函数优化问题并得到较好的结果.同时实验还显示,该算法不仅能快速容易地求出复杂的带约束优化问题的所有全局最优解,而且还能避免求解问题的早熟现象.     

蚁群算法在求解 TSP问题上与遗传算法的对比研究

蚁群算法(ACA)与遗传算法(GA)都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题(TSP)问题中。本文通过实验验证了两种算法在解决TSP问题上各自的优缺点,并给出了未来的进一步研究方向。     

基于Struts架构和ArcIMS的WebGIS研究

文中讨论的“数字赣州”是以ArcIMS为基础,采用Struts框架结构,并利用Java、JavaScript开发出的WebGIS系统,实现了互联网上赣州数字地图的分层显示,信息查询等GIS的功能．将典型的J2EE结构Struts引入WebGIS系统的方法是WebGIS应用开发的一种新的尝试．     

结合中心投影和非下采样Contourlet的不变特征提取

在基于形状的目标识别中,提取出鉴别力强且具有不变性的特征至关重要.为了克服目前局部不变特征提取方面存在的不足,提出一种结合中心投影和非下采样Contourlet变换的全局图像不变特征提取算法.算法首先利用中心投影获得图像的广义轮廓表示,其次在相位域中对广义轮廓进行离散傅里叶变换,最后对离散傅里叶系数进行NSCT变换并构造不变特征.实验结果证明了该算法的不变性.     

外包数据库中的哈希连接一致性算法

外包数据库中的连接查询比范围查询更困难,因为客户端需要验证连接结果的一致性,而传统的对单个表的 签名不能有效地支持对连接查询结果的直接验证。提出了使用哈希连接保证数据一致性的2种算法,它们分别通过 在服务器端和客户端计算哈希函数来实现连接查询。给出了这2种算法的详细描述,证明了它们满足一致性要求,而 且分析了算法在通信量、服务器端和客户端执行的代价。最后在实验中通过设置不同的参数对它们在服务器端和客 户端的运行时间进行了比较,总结了它们在实际应用中的优缺点。     

基于演化算法的图像二值化算法研究*

针对传统二值化方法的搜索时间长、图像保真度差等缺陷,利用演化算法具有搜索速度快、图像保真度高、全局寻优等特点,来解决图像二值化阈值难以选取的问题。以车牌图像的二值化为例,针对图像的复杂特征设计出图像演化染色体的编码、交叉、变异等演化操作算子,进而建立求解图像二值化阈值的适应值函数。数据实验表明,与传统的算法相比,利用演化算法求解车牌图像二值化阈值时,其搜索速度快、图像保真度高,能够更有效地进行图像识别和图像处理。     

一种基于并行GEP的复杂电路优化算法

数字电路设计的优化是演化硬件中的研究热点,传统的优化方法主要是利用代数法和卡诺图求解法,但是在规模较大时却难于求出或无法求出最优的电路结构.提出一种新的基于并行基因表达式程序设计优化复杂数字电路的算法(COPGEP),该算法通过各子种群之间优良个体的迁移,有效地传播优良个体,充分发挥了优良个体的导向作用,提高了传统GEP的全局寻优能力以及求解精度和收敛速度.通过仿真实验表明,该算法比传统GEP收敛速度更快,能够克服传统GEP算法在优化变量个数多于5个的数字逻辑电路时收敛速度慢,甚至不收敛等缺点.     

基于QoS的网络负载均衡选播路由算法*

传统演化算法在解决选播路由问题时,初始种群仅包含到选播组中部分服务器的可行路径,并且未考虑服务器的负载,设置的QoS约束惩罚函数过于简单,这些方法易导致算法收敛到局部最优路由。针对这些问题,提出一种根据选播组中成员服务器的负载来初始化种群的选播路由算法,首次提出用区分度更高的QoS约束惩罚函数来组成适应度函数。在随机生成的Waxman网络拓扑环境下进行仿真实验,结果表明,与传统算法相比,该算法得到的最优路由具有更大的带宽,更小的时延,且能在更少的代数内收敛。