基于最大度和随机游走的混合搜索算法

针对常规算法在网络搜索时搜索速度较慢和查询消息过多的缺点,提出了一种基于最大度和随机游走的混合搜索算法。该算法综合了最大度搜索信息利用充分和随机游走快速访问远程连接的优点,仿真结果也证实该算法能有效改善网络搜索速度和控制查询信息量。     

遗传算法在航班覆盖问题中的应用研究

为了解决航标串生成中的航班覆盖问题,首先采用深度优先搜索算法生成最初航班串。然后在传统遗传算法中引入了启发式算子,将该算法应用在航班覆盖问题上,提高了算法效率,对实例的应用也得到了较好的效果。     

无稳定状态颤振的单变量极值搜索算法仿真

针对无稳定状态颤振的单变量极值搜索算法限制条件较为严格的问题,利用平均化方法构造了平均化系统并证明了算法的稳定性,给出了系统参数的选取条件。以微喷十字粱实验系统为例进行应用仿真研究,说明无稳定状态颤振极值搜索算法可减弱系统颤振,改善算法稳定性和准确性。     

威胁联网下的飞行路径规划

分析了威胁源之间的信息交流与共享对飞行路径规划的影响。以威胁源类型为主要属性，对威胁源进行评估；考虑威胁源之间的信息交流与共享，生成威胁源相互支援信息表；把规划区域划分为大小相等的网格，根据威胁源作用范围对每个网格进行标记，然后用A搜索算法对网格空间进行搜索，规划出最优飞行路径.通过仿真证明，此方法规划出的飞行路径能有效提高威胁通信情况下的飞行器生存概率.     

基于自适应搜索的快速运动估计算法

在MPEG和H.263的运动估计中,全搜索(FS)效果虽好但时间开销巨大,以三步搜索法为代表的一些快速算法不仅在搜索精度方面与FS相比有较大的差距,而且搜索时间仍不能满足实际的需要.提出的基于自适应搜索的快速运动估计算法(ASA)充分利用了视频序列运动矢量在空间分布上的中心偏置特性和相邻块运动的相关性,在大幅度提高搜索效率的情况下,得到了与全搜索非常接近的搜索效果.与现有算法相比,该算法具有高效、鲁棒性强的特点.      

光滑粒子流体动力学的一种并行数值计算方案

在三维超高速碰撞数值计算方面,针对三维光滑粒子动力学（SPH）方法计算量大和耗时长的缺点,文章提出了一种简单直接、易于编程实现的SPH并行计算方案,并简述了该方案的基本思想、任务划分、变量存储、信息传递以及主要计算步骤。最后利用自编并行程序计算了两个超高速碰撞实例,结果表明:针对几百万个粒子,在运算速度为每秒5万亿次的“银河”计算机上申请23个核并行计算,每步约需要8 s,加速比约为10,并行效率约为50%,计算时间显著减少。     

多模态时域振动衰减信号各模态分离与阻尼参数辨识方法

针对多模态信号中各模态难以准确分离和模态阻尼参数难以准确识别的问题,提出了布谷鸟搜索(CS)算法参数优化的变分模态分解方法 (CS-VMD)和模态阻尼参数辨识的包络线积分法(EIM)。使用CS-VMD方法将多模态时域振动衰减信号中的多模态分量准确分离开来,利用EIM辨识各模态的模态频率和阻尼比,并与理论值(或测量值)以及半功率带宽法(HPB)辨识值进行对比。位移仿真信号与压气机导向叶片测频信号模态分解及模态参数辨识表明,CS-VMD方法可实现对多模态信号的正确分解,EIM辨识的模态频率误差均小于1.0%;对于位移仿真信号,EIM辨识的模态阻尼比最大误差小于2.5%;对于压气机导向叶片测频信号,使用EIM和HPB方法辨识的模态阻尼比最大差别为9.098%,EIM的模态阻尼辨识精度比HPB方法高。     

使用贝叶斯网评估基础软件平台的互操作性

互操作性是当前软件最重要的特性之一.通过分析问题域,结合贝叶斯网的特征域,提出使用贝叶斯网来解决基础软件平台的互操作性评估问题.首先根据问题域选取贝叶斯算法,并收集实际数据以引入与问题相关的领域知识.根据所选取的算法构造互操作性的贝叶斯网结构,并且进一步学习此结构的参数.在此过程中,对选取的K2算法进行改进.然后,利用贝叶斯推理来根据互操作性的结构和参数得出评估对象的互操作性等级.最后,一个实例讲述了方法具体的应用过程.实验结果证明了方法的合理性.     

基于小生境技术的改进引力搜索算法

针对引力搜索算法（Gravitational sear ch algorithm,GSA）开发能力强而探索能力弱的特点,提出一种基于 小生境技术的引力搜索算法（Niching behavior based advanced GSA,NAGSA）。首先分析了引力搜索算法的性能,为每个粒子定义质量吸 引度和欧式距离吸引度两个属性,根据这两个属性计算出粒子吸引概率,取代原有的质量排 序选择法。其次,运用吸引概率和小生境拥挤度技术引导粒子在邻域内搜索,平衡算法的收敛 速度和多样性。此外,算法将k-best的取值按照指数函数递减,进一步提高收敛精度。 10个标准测试函数的仿真结果表明,该算法能有效地提高最优解的精度,加快收敛速度。最 后,采用4个标准柔性作业车间调度模型,验证了该算法在解决实际问题中的可行性和优越 性。     

基于量子万有引力搜索的SVM自驾故障诊断

针对自动驾驶仪在实际测试过程中故障样本较少的情况,提出一种基于量子万有引力搜索算法(QGSA)的支持向量机(SVM)故障诊断模型。SVM能较好地解决小样本、非线性问题,适用于自动驾驶仪的故障诊断。为进一步提高万有引力搜索算法(GSA)对参数寻优的收敛速度和收敛精度,将基于GSA的QGSA应用于SVM的参数寻优中,以解决SVM由于参数选取不当导致过学习或欠学习的问题,从而获得最优的分类模型。通过模拟实验分析,当训练样本数量为50时,基于QGSA的SVM故障诊断模型分类准确率便能达到96.530 6%,而基于遗传算法(GA)的SVM故障诊断模型分类准确率为92.040 8%,基于GSA的SVM故障诊断模型分类准确率为91.632 7%。仿真实验结果表明,基于QGSA的SVM故障诊断模型具有更好的故障诊断能力。