包含QoS路由信息的最优路径选择算法

介绍了如何使用C 语言形成包含QoS路由信息的随机网络拓扑图,并通过在网络拓扑图上寻找最短路径来模拟在现实网络中满足一定条件的最优路径选择算法.     

一种基于融合递归机制的长文本机器阅读理解算法

目前对于机器阅读理解的研究大多都使用预先训练的语言模型如BERT来编码文档和问题的联合上下文信息,相较于传统的RNN结构,BERT模型在机器阅读理解领域取得了显著的性能改进.但是当前基于BERT的机器阅读理解模型由于输入长度有限(最大长度为512),在进行特征提取时,存在一定程度的语义丢失,且不具备建立长距离依赖能力.为了解决这个问题,提出了一种基于BERT-Base的长本文机器阅读理解模型BERT-FRM.通过添加重叠窗口层以更灵活的方式切割输入文本,使用两个BERT模型独立编码问题和文档,并且在模型中添加递归层来传递不同片段之间的信息,赋予模型建立更长期依赖的能力.实验结果表明,BERT-FRM模型与BERT-Base基线模型相比,在TriviaQA和CoQA两个机器阅读理解数据集上的F1值分别提升了3.1%和0.8%.     

基于POMDP模型的机器人行动的仿真优化

策略梯度优化算法是一种很重要的强化学习算法,对实现机器人的自主导航有着重要的应用价值.在部分可观Markov决策过程(POMDP)的基础上,实现了两个有限记忆的策略梯度优化算法:基于模型的GAMP算法和无模型的IState-GPOMDP算法,并利用该算法对机器人走迷宫的问题进行了仿真.通过分析仿真结果,对这两种算法引入了基于观测的优化;并发现在所给报酬函数下,策略梯度算法中的步长参数也在一定程度上影响着优化策略的效率.     

DVE场景精简的NP-Hard问题及其近似算法

高效的网格精简算法对于大规模DVE场景的实时绘制与传输均十分重要.目前已经提出了大量关于网格精简方法[1],但绝大多数网格优化算法都是面向实际应用的.我们却从计算机科学理论的角度出发,对这一经典问题重新进行了深入研究.首先,我们发现网格精简是一个最优顶点覆盖问题,即NP-Hard问题.然后,我们又提出了一种基于贪心算法的用于网格精简的最优顶点覆盖问题的近似算法.理论推导与实验数据都说明本文所给出的近似算法有效地减少了DVE场景的网格数量,能进一步提高DvE场景数据的网络传输速度.     

生存迁移算法

基于生物迁移的机理,提出了一种新算法--生存迁移算法.每个生物体都存在着生存极限,生存极限会随着时间不断演化,而生物体为了生存又会在空间上不断地迁移,当全部个体所在位置的生存状况都能满足生存极限时,就认为达到了最佳的生存位置.文章分析了算法的机理与过程,用其解决了四种类型的非线性最优化问题,并进行了比较分析,实验结果说明生存迁移算法具有较快的收敛性,能较好处理一些优化问题.     

关于仿真理论的探讨

系统仿真经过几十年的发展,逐渐形成了一个相对独立的学科领域。作为学科,应该有其自己相应的基础理论。本文提出将模型论、仿真算法和仿真可信度评估理论作为系统仿真学科的基础理论的观点。     

基于广义Julia集f(z,c)=(zα+c)β+c分形图的设计与实现

以广义的Julia集为例,论述了Julia集分形图设计的方法与结果,并阐述了Julia集分形图在广告,装潢等设计领域的应用价值,是一种新颖的图形辅助设计方法。     

基于改进边际优化的离散变量优化设计算法

针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法.借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优.实例分析表明,所提算法能够...     

ABAQUS二次开发在骨重建仿真中的应用

本研究的目的 是利用ABAQUS二次开发环境,将基于应变能密度准则的骨自优化理论,编写成骨重建仿真算法.可以提取仿真模拟的密度分布数据作为场变量以云纹图的形式显示出来.通过计算骨组织密度的变化趋势分析骨重建过程.建立二维悬臂梁模型,进行200步迭代计算.结果 显示密度分布呈现出桁架结构,验证了基于ABAQUS二次开发环...     

云计算环境中面向大数据的改进密度峰值聚类算法

对密度峰值聚类算法进行有效改进,计算各样本点之间的距离和各样本点局部密度,选择两者中较大的样本点作为聚类中心点,根据其余样本点与各中心点的距离设定样本点所属类别;引入K近邻算法对密度峰值聚类算法进行优化,求解各样本点的距离时只需要考虑其周围由邻近值决定的若干样本点,实现距离阈值的自动选取;根据距离矩阵计算样本点的密度,绘制决策图并选择簇内中心点,将剩余点根据密度值分配给离中心点距离最近的类;最后将K近邻-密度峰值聚类算法部署至Hadoop云计算平台,用于解决大规模数据聚类的问题。仿真结果表明,通过合理设置K近邻算法的近邻值k,K近邻-密度峰值聚类算法具有较好的大数据样本聚类性能,与常用聚类算法相比,该算法具有更高的聚类准确率和聚类效率,适用于大数据样本聚类。