基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。     

基于逻辑运算的光域网络编码节点模型

光网络缺少随机存储设备,难以独立于光电光变换实现线性网络编码技术.为了将网络编码技术引入到光网络中,提出一种能够在光域中实现的基于逻辑移位和逻辑异或运算的双路径网络编码机制.该网络编码机制比异或网络编码的通用性更强,并且能够在光域中独立于光电光变换实现,降低了实现代价.此外,针对提出的网络编码机制在实现过程中遇到的运算不封闭的问题,设计了能够承载该网络编码机制的网络编码节点模型,从而保证该网络编码机制能够在全光异或门和光移位寄存器等主要光器件的支持下在光网络中实施.最后,对该网络编码节点模型所涉及到的部分关键模块进行了实验分析,结果表明模块能够完成所期望的功能.     

基于改进Faster RCNN的节肢动物目标检测方法

自然生态环境下的节肢动物目标检测存在目标背景复杂、尺度差异大以及目标密集等特点,导致目标检测精度和准确率不高。为此,提出一种基于改进Faster RCNN模型的节肢动物目标检测方法 AROD RCNN。首先,设计一种有监督的并行空间与通道注意力（SPSCAT）机制,以提高复杂背景环境下节肢动物目标检测的准确率;然后,引入第二代可变形卷积重塑ResNet50中C1～C5块卷积层,并使用特征金字塔网络（FPN）对ResNet50中C2～C6块进行特征融合以解决目标尺度差异较大影响检测精度的问题;最后,通过密集局部回归（DLR）方法对回归阶段进行改进,从而提高模型回归的准确性。实验结果表明,该方法在ArTaxOr数据集上的各类别平均精度（mAP）达到了0.717,较原始Faster RCNN模型提高了0.453,而召回率达到了0.787。可见该方法能够有效解决目标遮挡和复杂背景等问题,在节肢动物密集目标与小目标检测中表现良好。     

基于粒子群优化和LightGBM的情景感知多式联运推荐

针对交通推荐服务中推荐的出行方式单一、忽略用户出行偏好以及多分类任务中样本类别不平衡等问题,本文提出一种基于粒子群优化和LightGBM的情景感知多式联运推荐方法.该方法综合考虑用户在时间、空间以及出行成本上的出行偏好,利用数理统计和表示学习方法捕捉用户出行与各要素之间的内在关系.同时,为了缓解样本类别不平衡带来的负面影响,利用基于粒子群优化算法的指标优化方法为每个类别搜索最优权重,对模型的预测结果进行修正,以实现最大化评价指标的目的.实验结果表明,与传统算法相比,本文提出的模型在时空特征提取、缓解类别不平衡和推荐准确性上均有较好的表现.     

适合全光组播网络的网络编码技术研究北大核心

传统的网络编解码算法需要进行线性运算,只适合在电域中实现。而当前全光器件的发展已经能够实现逻辑运算和移位操作。为了将网络编码引入到全光组播网络当中,文章研究了生成网络编码组播树的算法,以及适合于光网络编码的编码向量选取方法,并对所提出的算法进行了仿真分析。结果表明,将网络编码应用于全光组播中能够显著提高组播性能。     

适合全光组播网络的网络编码技术研究

传统的网络编解码算法需要进行线性运算,只适合在电域中实现。而当前全光器件的发展已经能够实现逻辑运算和移位操作。为了将网络编码引入到全光组播网络当中,文章研究了生成网络编码组播树的算法,以及适合于光网络编码的编码向量选取方法,并对所提出的算法进行了仿真分析。结果表明,将网络编码应用于全光组播中能够显著提高组播性能。     

程序设计能力培养体系建设与实践

分析地方应用型高校以提高程序设计能力和培养计算思维为目标的课程体系,提出一种以竞赛促进教学、以教学带动竞赛的竞教相长为特色的程序设计能力培养模式,阐述通过自主开发的程序在线测评系统支撑多门专业基础课的实践教学和考试改革,说明培养效果。     

基于网络编码的双路径组播树生成算法

 为了将网络编码技术引入到全光组播网络中,提出了能够在多项式时间完成的基于网络编码的双路径组播树生成算法.该算法主要包括两大步骤:首先,从给定的组播网络中根据节点间度平衡的原则为源节点和每个目的节点之间确定一条有向路径,从而建立一棵传统有向树并保证有向树中任意节点的出度尽可能小,减少节点之间的关联性;其次,在所建立的传统有向树的基础上,从每一个目的节点到源节点根据冲突回溯原则建立源节点和每个目的节点之间的第二条路径,并保证源节点到任意目的节点间的两条路径为分离路径.算法中包含的约束原则能够保证所建立的双路径组播树包含最少的编码节点,从而使得所建立的组播树支持光域网络编码高效率实现,实现基于网络编码的全光组播并提升全光组播的性能.     

基于胶囊网络的三维模型识别

为解决传统卷积神经网络中大量池化层的引入导致特征信息丢失的问题,依据胶囊网络(CapsNet)使用向量神经元保存特征空间信息的特性,提出了一种用以识别三维模型的网络模型3DSPNCapsNet。使用新的网络结构,提取更具代表性的特征的同时降低了模型复杂度,并提出基于动态路由(DR)算法的DRL算法来优化胶囊权重的迭代计算过程。在ModelNet10上的实验结果表明,相比3DCapsNet以及VoxNet,该网络取得了更好的识别效果,在原始测试集上3DSPNCapsNet的平均识别准确率达到95%,同时验证了该网络对旋转三维模型的识别能力。适当扩展旋转训练集之后,所提网络对各角度旋转模型的平均识别率达到81%。实验结果表明,3DSPNCapsNet对三维模型及其旋转具有良好的识别能力。