一种基于自适应分组排挤的遗传算法

为防止进化种群早熟收敛,并考虑保持种群多样性,加快寻优进程,提高寻优效率,提出一种基于自适应分组排挤的遗传算法,在寻优过程中将种群个体进行分组,在分组的基础上基于海明距离引入自适应的排挤机制,最后将该算法与基于海明距离排挤算法和简单遗传算法进行比较,证明其可行性和有效性.     

分组分层次竞争参与式作文训练方法：学生主体全人参与的特色作文教学方法

通过科学分组、精词释炼、佳句提升、段落或场景评议、作文整体框架设计和作业利用等几个环节,巩固基础,提高学生写作水平。学习过程中,作文基础较差学生也能活跃地参与,且切实得到利于其学习和掌握的作文技巧,均衡地提高全体学员的作文写作与文章鉴赏水平。     

Bayesian structure selection for vector autoregression model

A vector autoregression (VAR) model is powerful for analyzing economic data as it can be used to simultaneously handle multiple time series from different sources. However, in the VAR model, we need to address the problem of substantial coefficient dimensionality, which would cause some computational problems for coefficient inference. To reduce the dimensionality, one could take model structures into account based on prior knowledge. In this paper, group structures of the coefficient matrices are considered. Because of the different types of VAR structures, corresponding Markov chain Monte Carlo algorithms are proposed to generate posterior samples for performing inference of the structure selection. Simulation studies and a real example are used to demonstrate the performances of the proposed Bayesian approaches.     

基于用户分组和频率复用的STBC-OFDMA上行传输技术

针对 WiMAX 系统中各用户端采用空时分组编码( STBC) 的正交频分多址(OFDMA) 上行链路, 提出一种基于用户分组( UG) 和频率复用( FR) 相结合的UGFR-STBC-OFDMA 上行传输技术。首先, 将基于波达方向( DOA) 的小区内用户分组模型与小区间频率复用思想相结合, 设计出一种可同时满足小区内分组约束条件和小区间频率复用规划的UGFR-STBC-OFDMA 上行接入方案; 其次, 设计了基于 Capon 波束形成技术的智能天线接收方案以实现基站对分组信号的方向性接收和对多址接入干扰(MAI) 的抑制。理论分析和仿真结果均表明:相对于几种传统的上行传输技术, UGFR-STBC-OFDMA 技术实现了理想平均频谱利用率、误比特率和计算复杂度的良好折中, 同时在无须功率控制条件下依然能够部分抑制上行传输时相邻小区间的干扰。     

多传感器数据融合的数学方法研究

为了有效融合多个传感器的测量数据,得到准确的融合结果,综合对比了基于关系矩阵应用综合支持度的数据融合方法、基于Bayes理论的数据融合方法和基于分批估计理论的分组融合方法.提出了分批数的大小和与其他测量数据偏差比较大的数据的分配方式决定了分组融合方法融合结果的准确性,详细分析了不同分批数对融合结果的具体影响,提出了有效的数据分配方法.实例计算结果表明,合适的分批数以及对偏差比较大数据的合理分配可以有效地提高融合结果的准确性,对提高测量系统的测量准确性有很好的促进意义.     

循环三对角Toeplitz线性方程组的分组降阶算法

 运用并行算法中分而治之的思想,给出了一种求解循环三对角Toeplitz线性方程组的分组降阶串行算法。与求解同类问题的传统算法相比,分组降阶算法的优点在于它不仅大幅度减少了内存占用量,而且还大幅度减少了算术运算量。分组降阶算法可以通过3个步骤来实现。第一步是分组降阶,其基本思路是将一个n=μm阶的方程组按行分成μ组,每组m个方程;n维解向量也对应地分成μ组。第二步是构造参数方程组,也就是依据三对角系数矩阵的特点,给出各组解之间的关系式,把不属于该组的解分量看作参数。第三步是求解参数方程组和原方程组,在这一步中,首先求解参数方程组,然后再代入相应分组的关系式便可求出所有的解分量。对于三对角Toeplitz线性方程组,同样能减少内存占用量,从而在计算机性能不变的情况下,提高求解问题的规模,但与求解三对角Toeplitz线性方程组的传统算法相比运算量有所增加。数值实验结果表明,对于特定规模的方程组来说,总存在一个最佳的分组个数使得计算时间最少;随着方程组阶数的提高,最佳分组的个数也增大。     

基于耗散结构理论的极大熵目标分群算法

为快速准确实施战场目标分群,从信息交互角度,结合耗散结构理论将战场态势认为是能够出现"有序" 状态的动态开放系统.据此,建立用于战场目标分群的OG-Brusselator 模型,并且改进了MEC 算法,在航路勾径基础上提出航路股径概念统一目标彼此间距离和运动方向两要素的量纲,将其和目标与分群中心隶属度分别作为影响目标群属关系明晰度的可量化正、负熵指标, 提出以OG-Brusselator 模型控制算法迭代的目标分群算法DS-MEOC.最后针对空中目标进行分群实验分析,结果表明DS-MEOC 算法有效可行,相比MEC算法,能够提供更合理的目标分群方案.     

基于加权双质心支持向量聚类的机群编队分组

针对机群编队分组问题,提出了一种加权双质心支持向量聚类算法。所提算法在支持向量训练时引入最大熵原理,快速求解Lagrange乘子;针对样本特征对聚类结果的贡献不同,在聚类标识过程中,引入加权密度质心,提出了加权双质心聚类标识,并在典型数据集上验证了所提算法的有效性。通过对机群编队分组模型的描述,建立了机群聚类时一个目标点需要的特征集,完成了编队分组的仿真实验。仿真结果表明了所提算法能够针对应用的具体样本集实行快速聚类分析,并保证聚类结果的有效性。     

自适应分组量子衍生蛙跳算法

为提高传统蛙跳算法的优化能力,基于组内平均目标函数值实施动态分组,采用多量子比特概率幅实施个体编码,基于组内最优蛙和组间最优蛙确定旋转角度,采用基于张量积构造的多比特量子旋转门实施组内最差蛙的更新.标准函数极值优化的实验结果表明,该算法的单步迭代时间较长但优化能力较传统蛙跳算法约有两个数量级的提高,从而表明提出的分组策略和编码方法切实能够提高传统蛙跳算法的优化能力.     

采用动态灰聚类算法的风电场动态等值方法

针对风电机组运行状况间具有动态灰色关联性的特点,提出一种基于动态灰聚类算法的风电场动态等值方法.首先,根据实测运行数据对风电机组间的关联性进行分析,并确定数据样本的跨度选取时长.然后,采用动态灰关联分析,构造一个可以体现风电机组运行状况间动态灰色关联性的关联度矩阵G;进而以G中的样本组作为聚类指标进行K均值聚类,得出更合理的机群划分结果.最后,采用容量加权法计算机群等值参数,完成风电场的动态等值.仿真实验结果表明:所建立的动态等值模型与详细模型较接近,能够较准确地反映风电场的动态响应特性.