协同进化遗传算法及在车间调度中的应用

提出了一种新型协同进化遗传算法.该算法借鉴了协同进化的思想,对种群进行分组处理,每个组根据自己组内个体的优良情况以及个体差异情况采用不同的交叉策略和变异策略.为防止早熟,当未触发灾变条件时仅采用自适应策略动态调整变异因子;当触发灾变条件时,在采用自适应策略的基础上引入灾变机制产生部分新个体以跳出局部最优,函数优化结果表明了该算法的有效性.采用该算法求解以最小化最大完工时间为优化目标的流水车间调度问题,结果表明,该算法在收敛速度以及优化结果的准确性都优于传统的遗传算法,在求解车间调度问题方面具有良好的性能.     

粒子系统的优化技术研究*

总结分析了影响粒子系统实时性的主要因素,归纳并提出了优化方法,具体包括:为了提高绘制效率,可采用显示列表、公告板技术、几何形体优化、多级粒子系统;为减少计算复杂性,采用碰撞检测与处理优化、存储方式优化、运动过程优化、线性表、局部力场;为了减少粒子数量,采用结构化粒子、LOD技术、伪粒子系统等.最后将上述部分方法应用于基于粒子系统的土壤可视化.结果表明,该方法简单、实用,优化后速度平均有60.2%的改进.     

可信网络框架及研究

可信网络作为一种新型网络,可以弥补传统网络的诸多安全缺陷,变被动防御为主动出击,从源头上遏制恶意网络行为.在综合可信网络关键技术基础上,提出任务集调度算法、改造信任值传播模型,结合改进的传统网络安全防护策略,引入受信缓冲主机的概念,构建出可信网络框架模型.     

基于面向对象八叉树的虚拟漫游碰撞检测

借助面向对象概念,根据层数和叶结点链表个数上限来构建存储场景物体信息的高效八叉树。每个叶结点指向记录对应空间区域内物体信息的链表,每个空间物体信息链表按照其对象大小降序排列。在逐步求精阶段用降序包围球遍历链表进行检测,然后根据凸多面体剖分算法,使用主从MPI模式并行处理以实现精确碰撞检测。该方法利用物体空间位置关系进行碰撞检测,毋需存储大量空间物体三角面片。在基于粒子系统的土壤可视化漫游中的运行结果表明,该方法精度高、实时性好,具有一定的研究和应用价值。     

一种能量函数意义下的生成式对抗网络

生成式对抗网络（Generative adversarial network,GAN）是目前人工智能领域的一个研究热点,引起了众多学者的关注.针对现有GAN生成模型效率低下和判别模型的梯度消失问题,本文提出一种基于重构误差的能量函数意义下的生成式对抗网络模型（Energy reconstruction error GAN,E-REGAN）.首先,将自适应深度信念网络（Adaptive deep belief network,ADBN）作为生成模型,来快速学习给定样本数据的概率分布并进一步生成相似的样本数据.其次,将自适应深度自编码器（Adaptive deep autoencoder,ADAE）的重构误差（Reconstruction error,RE）作为一个表征判别模型性能的能量函数,能量越小表示GAN学习优化过程越趋近纳什均衡的平衡点,否则反之.同时,通过反推法给出了E-REGAN的稳定性分析.最后在MNIST和CIFAR-10标准数据集上的实验结果表明,相较于现有的类似模型,E-REGAN在学习速度和数据生成能力两方面均有较大提高.     

深度信念网络研究现状与展望

深度信念网络(Deep belief network, DBN)是一种基于深度学习的生成模型, 克服了传统梯度类学习算法在处理深层结构所面临的梯度消失问题, 近几年来已成为深度学习领域的研究热点之一.基于分阶段学习的思想, 人们设计了不同结构和学习算法的深度信念网络模型.本文在回顾总结深度信念网络的研究现状基础上, 给出了其发展趋势.首先, 给出深度信念网络的基本模型结构以及其标准的学习框架, 并分析了深度信念网络与其他深度结构的关系与区别; 其次, 回顾总结深度信念网络研究现状, 基于标准模型分析不同深度信念网络结构的性能; 第三, 给出深度信念网络的不同无监督预训练和有监督调优算法, 并分析其性能; 最后, 给出深度信念网络今后的发展趋势以及未来值得研究的方向.     

基于光谱表示和独立成分分析的混合颜料分离方法

提出一种基于光谱表示和独立成分分析的混合颜料分离方法。首先,采用光谱仪获取混合颜料光谱信息,并将其表示为离散信号的形式;然后,对信号进行独立成分分析,得到基本颜料光谱曲线,从而确定基本颜料种类。采用蒙赛尔色卡光谱制作模拟数据,进行三种色卡光谱混合信息的分离实验以及从八种色卡光谱中选择若干种混合后的分离实验,分离出的基本颜料光谱形态与已知的原始颜料光谱形态极其相似,平均相似比为97.64%,最大相似比可以达到99.95%。实验结果表明,该方法能够准确确定基本颜料种类,具有可追溯性,适用于混合颜料分离。