一种基于工作流网的游戏作弊检测系统

游戏作弊对网络游戏危害很大,目前反作弊技术的瓶颈是效率低并且过多依赖于签名匹配。提出一种高效且不依赖于签名匹配的游戏作弊检测系统,用工作流网对作弊行为建模,通过流程树对作弊行为模型进行融合,在不影响检测结果的前提下节省存储空间。用热门网游的作弊软件对系统进行实验,存储空间降低率达到约60%,证明了该系统框架是可行、有效的。     

多精英采样与个体差分学习的分布估计算法

提出了基于多精英采样和差分搜索的分布估计算法EDA-M/D (Estimation distribution algorithm based on multiple elites sampling and individuals differential search)。EDA-M/D利用多精英个体独立采样生成子代来提升算法全局搜索能力,利用精英群体分布的σ²约束采样半径,实现种群从全局搜索逐步过度到局部搜索。当精英群体停滞时,劣势个体借助精英群体的μ和种群历史最优解进行差分搜索,帮助种群跳出局部最优解。通过多精英采样与差分搜索的自适应协同实现种群宏观信息与个体微观信息的有机融合。实验结果表明EDA-M/D在稳定性和搜索能力方面均表现出明显的优势。     

考虑避灾心理和灾害影响的疏散仿真方法

在在灾害发生时,安全高效的疏散人群是提高公共安全的重要保障。因此有效可行的疏散仿真方法具有深刻的理论和现实意义。当前主流方法较少考虑与疏散相关的灾害动态演化,为此提出了DERR(Dynamic Evacuation Route Replanning Based on Psychology)方法。DERR方法围绕人群的避灾心理参数进行相关研究,利用A*寻路算法,实时根据灾害区的变化对人群的疏散路径重新规划和优化,以达到更加安全疏散的目的。通过仿真实验展示了本方法在灾害演化下的疏散模拟过程,同时心理避灾参数的加入也使得仿真结果更加贴合现实。     

基于严格二叉树编码和GA的模糊树结构学习

为解决模糊树模型结构学习中存在的信息冗余、寻优效率低等问题,提出了一种基于严格二叉树编码和遗传算法的结构学习方法。通过严格二叉树编码对模型结构进行编码,改善了现有矩阵编码的信息冗余问题;考虑到编码特殊性和算法收敛性,提出了一种改进的遗传算法用来对模糊树模型的结构进行寻优。实验结果表明,不同数据集上该算法的稳定性和计算速度均较好,能够寻找到一个较优的二叉树结构,从而提高模糊树模型的建模精度。     

基于改进智能水滴算法的动态车辆配送路径优化

针对当前车辆配送过程中存在的配送路径不合理、配送效率低和需求不确定性等问题,提出一种基于改进智能水滴算法的动态车辆配送路径优化方法。构建软时间窗惩罚函数,考虑顾客对配送时间的要求,建立顾客满意度函数。综合车辆配送过程的车速、货损成本、惩罚成本、顾客满意度等特征,建立车辆路径优化模型。采用智能水滴算法对车辆路径优化模型进行求解,使用灰狼优化算法改善智能水滴算法的搜索能力,获取最优路径。实验结果表明该方法能够提供实时优化的路径,减少调配成本。     

基于模型的多目标优化问题方法研究

基于模型的多目标优化方法目的是创新一种通过黑箱评估的多目标函数优化算法,该算法从解空间上的混合分布中迭代生成候选解,并根据采样解的控制数来更新混合分布,求解过程的搜索偏向于Pareto最优解的集合。算法在解空间上寻找混合分布,使得混合分布的每个分量都是以帕累托最优解为中心的简并分布,并且每个预计的Pareto最优解都通过一个阈值距离均匀地分布在Pareto最优解集上,实验通过几个基准函数和方法证明了该算法的性能。     

面向手机的云端VR三维场景立体显示与交互框架

针对手机无法渲染可交互的高质量三维场景这一弊端,提出一种面向手机的云端VR应用框架。此框架结合云渲染和VR技术在手机端实现可交互高质量三维场景的立体显示,并以手机浏览器作为客户端,利用视频块流传输图像数据、消抖算法(AJA)处理交互数据,实现Web端轻量级渲染,不仅降低了移动端数据可视化运算成本,还避免使用插件和下载安装包。实验表明本文框架的显示帧率能达到30帧每秒,带宽控制在80 kb/s以内,能稳定地在手机上实现传统App无法实现的逼真VR体验。     

基于背景重建的高光谱图像异常检测

针对高光谱图像异常检测中背景信息与异常目标信息难以有效区分,背景预测精度不佳的问题,提出一种新的基于背景重建的高光谱图像异常检测算法。通过字典学习方法获取高光谱图像背景光谱字典,并利用该字典对待检测图像进行稀疏重建,得到预测背景图像。将预测背景图像与原始图像做差后得到残差图像,进而利用局部RX检测算法对残差图像进行遍历,实现异常目标检测。通过对真实高光谱图像场景进行实验,证明了算法的有效性。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

超启发式DE算法求解零等待发酵工艺调度

为解决具备间歇过程特点的零等待发酵工艺调度过程中易变质的难点,提出了一种超启发式差分算法,并将最小化最大完工时间设置为优化目标。此算法分为2层,高层为改进的自适应差分进化算法,来对低层的启发式操作进行选择排序。而低层组合排序成了新的算法对问题域进行操作,加入模拟退火算法避免陷入局部最优。所提出的方法具有学习的机制,对不同问题具有较强的泛化能力。通过测试算例和实际生产进行算法的比较和求解验证了此算法的有效性,结果表明所提出的算法比传统的启发式算法性能更优。