基于打破对称性的快速寻路算法

基于Java实现了跳点搜索算法,给出了算法实现的过程.实验结果表明:跳点搜索算法找到了一条从起始节点到目标节点的最优路径,且能够有效地识别和消除网格地图上的路径对称性,大幅度减少了节点扩展的数量.对比A*、宽度优先搜索、最佳优先搜索和Dijkstra可知,在所求解的路径长度一致的情况下,跳点搜索在平均搜索时间上显著快于其他算法.因此,跳点搜索是快速、高效的.     

基于点云数据的牙齿表面重建算法

由三维扫描仪对牙齿进行扫描, 得到散乱的点云模型, 首先通过构建K D树的方法对每个点进行K邻域搜索; 然后根据这种邻域关系, 利用最小二乘原理拟合平面, 估算出每个点的法向量信息; 接着确定点云边界, 选取极值点作为初始点并建立种子三角形; 最后采用基于多约束的局部最优三角网格生长算法, 从种子三角形开始, 以边为扩展条件, 逐层搜索点并建立新的三角形; 在此过程中添加了四个约束条件, 能够较好的选取扩展点并对已存在的三角形边向外扩展, 从而形成互相邻接的三角形网格, 实现了牙齿表面的重建.     

一种面向快速图像匹配的扩展LSH算法

基于局部不变特征的图像匹配是三维场景重建的基础.本文使用SIFT特征,在LSH算法基础上,提出一种改进的高维数据搜索算法,较好地解决了图像的快速有效匹配问题.该算法提出一种改进的投影空间,使投影到新空间的高维数据特征的每一维比海明空间具有更高的局部敏感性,相比于经典的LSH、BBF、iDistance等高维搜索算法,本文算法可以获得更高的搜索精度和更快的搜索速度.     

一种改进的Grover量子搜索算法

经分析发现,Grover量子搜索算法及Long的改进算法均无法达到100%成功概率的搜索结果,为此在Long的改进算法基础上提出了一种新的搜索算法.它主要将相位取反替换成具有自适应调整特点的、与目标数据量和数据总量有关的相位旋转,当目标数据量为数据总量的1/2时,将数据总量扩展2倍,这样算法的搜索可以做到100%的成功概率.通过对背包问题的仿真研究表明,所提算法优于Grover算法和Long的改进算法,其求解速度快、准确率高,在带有数据误差的实际问题求解中进行相位匹配能够得到满意的效果.     

基于跳点菱形搜索的快速运动估计算法

实时视频编码系统要求运动估计的搜索算法既快又准,现行的菱形搜索算法是公认的效率较高的算法之一。利用图像像素间的相关性,提出了一种"跳点"菱形搜索,进一步减少菱形搜索的点数和时间,而重建的图像质量跟原来的菱形算法相当。     

基于中间应答的分段式扩展环搜索算法

广播是无线多跳网络的基本操作,针对现有广播算法大多存在转发冗余度高、广播开销大的问题,提出一种分段式扩展环搜索算法S-ERS。该算法从数据分组中提取距离信息,在此基础上将广播分解为两个阶段:首先寻找靠近目标的节点;然后以它为源点重启新的扩展环搜索过程。S-ERS算法使搜索限定在目标最可能出现的区域,以减少搜索的盲目性,降低广播开销。理论分析和仿真结果表明,S-ERS算法在多种场景下比传统扩展环算法的开销小,最好情况下能降低约50%。     

IDA＊和边缘搜索算法的研究

图搜索技术在游戏编程中无处不在。图搜索方法已经成为游戏AI的基础。在游戏AI中。A＊是最常见的寻路搜索算法。本文对这个算法进行了延伸、扩展和修改,形成了IDA＊和边缘搜索算法,有效地提高了搜索速度,并获得内存上的最小开销。     

寻找λ-边连通子图的一次遍历搜索算法

寻找图的λ-边连通子图时,可利用深度优先搜索算法,但需要经过λ次的遍历搜索过程才能完成.基于图的邻接矩阵储存结构特点,提出了一种新的搜索算法,可以通过一次遍历搜索过程得到图的λ-边连通子图.对比深度优先搜索算法,新算法结构简单,容易实现,大大提高了算法的执行效率.这种搜索算法也可以用于判定图的连通性.     

求解卸装一体化车辆路径问题的改进导向局部搜索算法

针对卸装一体化车辆路径问题,提出一种变惩罚函数的导向局部搜索算法(IGLS)。在传统导向局部搜索算法的基础上加入了新的惩罚效用函数,当传统导向局部搜索算法陷入局部最优时,变换惩罚策略后重新搜索,从而扩展搜索的邻域。通过和传统导向局部搜索算法以及TS_GLS算法在不同算例上的仿真结果比较,验证了所提算法在解决卸装一体化车辆路径问题上的有效性和稳定性。     

基于离散粒子群优化算法的块匹配运动估计

文章提出了一种基于离散粒子群优化算法的块匹配运动估计算法.该算法将块匹配运动估计的局域性搜索与离散粒子群算法的全局性搜索结合起来,并针对运动矢量的特点,采用了Gray码编码、运动矢量预测以及有效的迭代提前终止准则等策略,克服了以往快速搜索算法容易落入局部最优的问题,在获得与全搜索算法相近的搜索精度的同时,降低了平均搜索...     

基于散乱数据的层次B样条曲面重构与优化

运用B样条曲面的表示方法,构造了初始B样条曲面网格控制点逼近散乱点集,在此基础上构造包围盒进行局部搜索,用于误差检测,将查找问题转化为计算问题;并采取单元凝聚方式处理小单元,减少了误差超限的子区域个数,最后在误差超限的子区域内优化曲面.由粗糙到精细,实现了散乱数据的曲面重构与优化.该方法在误差检测和区域处理上进行修正,从而加快了搜索速度,简化了计算.算例表明,算法简单易行,逼近效果良好.     

基于集合运算的路段搜索思想及其算法实现

论文在深层次理解网络的基础上,建立关键路段搜索的数学模型,并结合网络的特点,从一个新的角度提出一种基于集合运算的路段搜索新思想来寻找问题的最优解,设计出对应的搜索算法,通过实例编程计算分析,证明算法的可行性和有效性,为数学模型的计算机处理在算法优化上提供了创新思路.     

一种改进的微种群遗传算法

 采用种群隔离机制、算术交叉、杰出者保留策略等对微种群遗传算法进行了改进。减少了重启动次数,增强了两次重启动之间遗传优化过程的全局和局部搜索能力,使算法在尽可能保有模式识别信息的前提下进行智能搜索;采用了实数编码,减少了编码和解码过程中的计算开销;引入了自适应随机变异算子,使之在不增加循环次数的前提下,增加了利用现有种群已经获得的遗传信息进行有效搜索的次数;引入了异种机制,有效提高了微种群遗传算法收敛于全局最优解的概率,加快了收敛速度。最后,标准测试函数的测试结果证明了这一改进的微种群遗传算法能够用远低于标准遗传算法的计算代价获得更佳的优化效果。     

基于混合搜索算法的图像稀疏分解

为了提高图像稀疏分解的效果,降低其计算时间,提出一种基于量子进化算法(quantum-inspired evolutionary algorithm,QIEA)和改进差分进化算法(improved differential evolution,IDE)的混合搜索算法,并应用到图像稀疏分解中。该方法将IDE引入到QIEA中,前期进行QIEA寻优,当寻优搜索到的最优解经过多次进化后没有变化时,引入IDE以提高搜索解的精度和质量。图像稀疏分解的仿真实验结果表明,与QIEA和IDE相比,混合搜索算法的图像稀疏分解方法获得的重构图像具有最好的图像视觉质量和最高的峰值信噪比,且具有相对较低的计算时间。     

一种新的运动估计算法

基于搜索起点的预测和梯度下降搜索,提出了十字交叉梯度下降搜索(CCGDS)算法。该算法根据运动矢量的中心分布特性设计了相应的匹配搜索模板。仿真结果表明:该算法可以用较小的搜索代价取得与全搜索相当的效果,且在搜索速度与搜索效果方面优于三步法(TSS)、四步法(FSS)和钻石法(DS)。     

基本概念格的关联规则挖掘算法

在已有的基于概念格的关联规则挖掘算法中,搜索频繁结点的范围太大,从而导致花费大量的时间来产生关联规则。针对这一不足,利用“索引链表”数据结构来辅助快速地找到所有的频繁结点,缩小了结点的搜索范围,降低了概念格中挖掘关联规则算法的复杂度。     

基于混合搜索算法的图像稀疏分解

为了提高图像稀疏分解的效果,降低其计算时间,提出一种基于量子进化算法(quantum-inspired evolutionaryalgorithm,QIEA)和改进差分进化算法(improved differential evolution,IDE)的混合搜索算法,并应用到图像稀疏分解中.该方法将1DE引入到QIEA中...     

基于小波变换的矢量量化快速编码算法

提出了一种基于均方误差（MSE）测度的矢量量化快速编码算法，算法利用小波变换的特点，合理地构造矢量，结合非线性插补矢量量化技术、矢量和值差法和部分失真排除法，在搜索编码过程中，有效排除部分候选码字。实验结果表明，相对于穷尽搜索方法，计算量有明显降低，计算时间减少约97%。     

边坡稳定性分析水平条分法及其进化计算

研究了层状边坡稳定性分析计算方法,提出了适合此类边坡稳定性分析的水平条分法．通过改进进化过程中的选择和复制机制以及交叉和变异操作,提高了进化算法的搜索效率和全局收敛性能,并据此提出了层状边坡稳定性分析和临界滑动面搜索改进进化算法．实例验证及对比分析表明本文方法与常用方法如Bishop法和Chen-Morgenstern法的计算结果的误差在5％以内,适合于非均质边坡稳定性分析且能快速搜索到全局最优解．     

一种高效的生物网络概率模体发现算法

针对概率模体发现算法中非树形子图的挖掘和在得分函数最大化的过程中得分函数值计算的2个难点.首先提出基于划分的非树形子图的搜索算法,其次将子图同构应用于最小错配的求解以缩小智能优化算法对得分函数求解的解空间,最后将基于模拟退火算法和遗传算法的混合算法应用于得分函数的求解过程.在大肠杆菌基因调控网络中的实验结果表明,与其他算法相比,混合智能算法可以大大减少非树形子图的搜索时间,并以相对较快的收敛速度收敛到一个较优的解,因此所提出的方法有效地提高了概率模体发现的效率.