可重构系统中基于禁忌搜索算法的软硬件划分

根据可重构技术发展的趋势,提出了一种适用于可重构系统软硬件划分的策略。首先根据可重构系统结构给出一个系统模型及其任务描述,然后运用禁忌搜索算法,设计了一个系统级软／硬件的划分方法,其次再运用一个任务调度算法对划分结果进行评价。评价结果证明本文提出的划分是一种具有较高性能的划分。     

SoC hardware/software partitioning algorithm for multi-performance index constraints

A new partitioning algorithm based on adaptive chaotic genetic annealing is proposed to solve the hardware/software partitioning problem of System on Chip (SoC) on the multi-performance index. A new objective function with different proportions of punishment based on multi-constraints is presented in this algorithm which is based on the genetic algorithm. The chaos operation is employed to generate the initial population, and the adaptive mutation operator is adopted. Individuals with poor fitness are optimized by the adaptive chaos strategy as the population individuals which tend to be similar. The optimum individuals upon genetic manipulation are optimized by the annealing strategy. Simulation results suggest that the algorithm can reduce the least power consumption by 9.8％ and 4.7％ in the case of 200 nodes, and by 5.6％ and 4％ in the case of 300 nodes, respectively, compared with the simulated annealing algorithm and genetic algorithm.     

A hybrid genetic algorithm based on mutative scale chaos optimization strategy

In order to avoid such problems as low convergent speed and local optimal solution in simple genetic algorithms,a new hybrid gentic algorithm is proposed.In this algorithm,a mutative scale chaos optimization strategy is operated on the population after a genetic operation.And according to the searching process.The searching space of the optimal variables is gradually diminished and the regulating coefficient of the secondary searching process is gradually changed which will lead to the quick evolution of the population.The algorithm has such advantages as fast search,precise results and convenient using etc.The simulation results show that the performance of the method is better than that of simple genetic algorithms.     

结合混沌粒子群的分布式最大功率点跟踪

光伏阵列在局部阴影环境下输出特性呈现出多峰曲线,传统最大功率点跟踪(MPPT)算法在多峰寻优的过程中容易陷入局部极值,致使光伏阵列效率低下.为了提高局部阴影下光伏阵列的输出效率,提出一种基于分布式架构的混沌粒子群最大功率点跟踪(CPSO-DMPPT)算法,并通过PSIM平台对所提出的算法进行仿真验证.实验结果表明:CPSO-DMPPT算法能在多峰曲线中寻找到最优点,拥有更快速的响应速度和更优的全局搜索能力,其分布式架构可有效地提高光伏阵列的输出效率.     

面向能耗相关软/硬件划分的层次化控制数据流图建模方法

针对C语言描述的嵌入式软件功能模型在时间和成本约束下以降低能耗为目标的软/硬件划分问题,提出一种面向划分的层次化控制数据流图(简称PO-HCDFG)方法。首先,对PO-HCDFG进行了形式化描述,然后,分析了C语言程序向PO-HCDFG的转换方法,包括节点层次数的设置、数据依赖分析、划分对象的建立与粒度变换等关键问题,最后,通过实验验证了PO-HCDFG在软/硬件划分建模中的有效性。     

基于惯性因子的混沌粒子群优化算法研究

粒子群优化算法本身在多峰复杂函数时会出现早熟收敛现象,降低粒子的多样性,导致粒子群不能收敛到全局极值点。针对粒子群优化算法的局限性,把混沌优化思想引入到粒子群算法,采用混沌优化粒子群算法对测试函数进行仿真,并在此基础上加入惯性因子对混沌优化粒子群算法进一步改进,Matlab仿真结果表明,改进的混沌优化粒子群算法,结合了混沌和粒子群算法共同的优点,能快速、准确地搜索到全局最优值。     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合，既摆脱了算法搜索后期易陷入局部极值点的缺点，同时又保持了前期搜索的快速性，最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比，比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法．     

基于混沌搜索的混和粒子群优化算法

所提出的算法将粒子群优化算法和混沌算法相结合,既摆脱了算法搜索后期易陷入局部极值点的缺点,同时又保持了前期搜索的快速性.最后通过4个测试函数将该算法与基本粒子群算法进行仿真对比,比较结果表明基于混沌搜索的混和粒子群优化算法在收敛性和稳定性等方面明显优于基本粒子群优化算法.     

基于最大熵模糊聚类的快速数据关联算法

提出了一种新颖的快速数据关联算法,减少了滤波中关联概率的计算量．该算法利用多个并行改进的最大熵模糊聚类对各个目标的有效观测进行聚类,采用聚类得到的模糊隶属度来重建滤波中的联合关联概率,并在联合关联概率中引入了比例因子避免航迹的合并;此外,分析了算法中差异因子的特性,考虑了杂波密度对它的影响,使得能够有效剔除无效观测,进一步减少计算量．仿真实验结果表明,提出的方法是一种有效的快速数据关联算法,跟踪性能要优于现有的数据关联算法．     

混沌优化算法在非线性约束规划问题中的应用

综述了混沌优化算法在国内的研究历史与现状 ,介绍了算法的基本步骤 .针对非线性约束问题 ,提出了一种新的、可行的混沌优化算法 .实例计算表明 ,该算法稳定性好、简单、易于掌握 ,对于多维、非线性、复杂约束问题的求解具有普适性     

基于混沌粒子群算法的车间作业调度优化

为提高车间作业调度效率,提出一种基于混沌粒子群算法的车间作业调度优化方法。首先以机器加工时间最短为优化目标,建立一个多约束的车间作业调度数学模型,然后采用粒子群算法对其进行求解,并通过采用混沌机制保持粒子多样性。仿真测试表明,混沌粒子群算法可以获得车间作业调度方案,具有一定应用价值。     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

变尺度混沌优化方法在电站经济运行中的应用

变尺度混沌优化方法（Ｍｕｔａｔｉｖ Ｓｃａｌｅ Ｃｈａｏｓ Ｏｐｔｉｍｉｚａｔｉｏｎ Ａｌｇｏｒｉｔｈｅｍ,ＭＳＣＯＡ）利用混沌现象的特点,把混沌变量映射到待寻优变量区间,不断缩小优化变量的搜索空间和提高搜索精度,从而有较高的搜索效率。对几个测试函数的优化计算验证了该方法有的效性。电站经济运行问题是一个具有整型变量、连续变量及非线性函数的混合整数非线性规划,本语文将变尺度混沌优化方法首次应用到电站     

应用最大熵方法改进克里金负权系数

针对基于地统计学的克里金数学模型,利用最大熵原理分析模型系统对空间权重系数的依赖度增设非负约束条件,研究消除构建格网ＤＥＭ时的负权问题。通过ＭＡＴＬＡＢ编程验证算法的正确性、准确性,并与拟牛顿法、内点算法解算二次规划的结果进行了比较。对比结果显示,最大熵法得到的权系数大小比例与点位关系相适应,且其估值精度优于后两者。     

混沌遗传算法研究及其在经济负荷分配问题中的应用

提出了一种实数编码混沌遗传算法,并将其用于经济负荷分配问题。该算法将混沌引入遗传算法,利用混沌对标准遗传算法中的选择和变异进行了改进,之后对每一代最优个体进行变尺度混沌优化。将该方法应用于某厂3机组经济负荷分配问题,通过与混沌优化方法以及传统遗传算法的比较,该方法可以求得高质量的可行解,表明了该方法在求解经济负荷分配问题的有效性。     

一种动态分群带熵权的粒子群优化方法

为提高粒子群优化的求解性能,提出了一种动态分群带熵权的粒子群优化求解方法．该方法采用k的均值聚类获得子群总数,在子群粗搜索过程中充分利用其他粒子的熵信息,采用子群及其他子群搜索的最优解信息构建熵权以调整惯性权重,利用自身群粒子经过m次迭代时的优化信息构建熵权以调整本群的全局最优值．在子群精搜索过程中,利用各子群获得的最优解信息作为新群的初始设置,利用其他粒子的迭代信息构建熵权来调整全局最优值．采用传统的粒子群优化算法、其他文献中的方法以及新提出的方法分别对4个经典的测试函数进行对比实验,从获得解的最优值、平均值、标准差以及平均迭代数作对比,从而验证了该方法具有求解精度高以及优化求解迭代次数少等优点．     

深度残差特征与熵能量优化运动目标跟踪算法

针对模型更新的运动目标跟踪算法准确率、实时性和鲁棒性较低的问题,提出一种基于深度残差特征与熵能量优化的运动目标跟踪算法。通过深度残差网络从视频序列中提取深度残差特征,计算深度残差特征的熵能量,并通过二维核变换计算深度频率。由微分方程从深度频率中计算出深度平衡,通过极大似然估计出目标位置和速度等状态信息,完成对运动目标的跟踪。为了验证算法的可行性与有效性,在目标跟踪基准数据集(object tracking basis, OTB)上进行算法对比试验,验证各个算法在运动目标跟踪上的准确性和鲁棒性。试验结果表明,该研究提出的算法比当前最佳算法在运动目标跟踪的速度和位置准确性上都有显著的提升,通过深度残差特征的熵能量优化,使运动目标跟踪算法具有更好的灵活性和鲁棒性。     

深度残差特征与熵能量优化运动目标跟踪算法

针对模型更新的运动目标跟踪算法准确率、实时性和鲁棒性较低的问题,提出一种基于深度残差特征与熵能量优化的运动目标跟踪算法。通过深度残差网络从视频序列中提取深度残差特征,计算深度残差特征的熵能量,并通过二维核变换计算深度频率。由微分方程从深度频率中计算出深度平衡,通过极大似然估计出目标位置和速度等状态信息,完成对运动目标的跟踪。为了验证算法的可行性与有效性,在目标跟踪基准数据集(object tracking basis, OTB)上进行算法对比试验,验证各个算法在运动目标跟踪上的准确性和鲁棒性。试验结果表明,该研究提出的算法比当前最佳算法在运动目标跟踪的速度和位置准确性上都有显著的提升,通过深度残差特征的熵能量优化,使运动目标跟踪算法具有更好的灵活性和鲁棒性。     

基于最大似然估计的时间同步优化算法

为了提高时间同步的精度,利用消息传递过程中的时延呈高斯分布的特性,在 STSP算法的基础上提出一种基于最大似然估计的时间同步算法 MLE-STSP,对时钟偏移量进行估计并修正.仿真实验表明,MLE-STSP算法有效减小了不确定时延的影响,具有更高的同步精度和稳定性.