面向探索式搜索过程的查询推荐

查询推荐是一种提高用户搜索效率的重要工具,但是传统的推荐方法对于探索式搜索的推荐效果不好.针对此问题提出了一种新的面向探索式搜索过程的查询推荐方法,即根据用户搜索的行为模式,通过试探性查询重构和确认性查询重构两个过程,对探索式搜索过程进行建模,并根据影响探索式搜索过程的三种因素提出了一种排序算法,将确认性子查询中的查询推荐给用户.通过与传统推荐方法的对比实验验证了本模型及其推荐方法的有效性.     

改进的新颖全局和声搜索算法

为了提高和声搜索算法的寻优性能,提出了改进的新颖全局和声搜索(INGHS)算法.通过差分向量范数定义和声记忆库多样性,以和声记忆库的多样性信息为指导实现位置动态更新,并结合变异操作更新和声记忆库.算法采用动态位置更新策略产生新和声,在寻优早期具有较好的全局搜索性能,在寻优后期具有较好的局部搜索性能,提高了算法跳出局部最优的能力.利用7个标准测试函数对所提算法与目前已知文献中优秀的改进HS算法进行性能测试,测试结果表明所提算法具有较好的寻优性能.     

考虑时变资源价格因素的Q学习强化和声搜索网格任务调度算法

针对传统网格任务调度算法不考虑价格时变因素缺点,提出一种基于Q学习强化和声搜索算法的考虑时变资源价格因素网格任务调度算法.首先,综合考虑价格时变因素影响,对网格任务调度模型进行改进,提出一种新的调度模型;其次,利用Q学习算法对和声搜索算法进行改进,平衡了算法的广度和深度搜索能力;最后,通过与同类算法的仿真对比结果表明,该算法和模型具有较好的收敛速度优化性能,并且在资源价格满意度和任务调度长度两个层面具有更全面的优化性能.     

一种基于HEVC视频编码的快速运动估计方法

运动估计是影响下一代视频编码标准高效率视频编码(HEVC)性能的关键因素,它通常利用当前帧的图像块在多重参考帧中对应的搜索窗口中寻找最佳匹配块来完成的.针对HEVC编码标准提出了一种快速的运动估计方法快速分级搜索(FHS).首先,根据多个备用的运动矢量确定起始搜索点的位置,以起点为中心,执行搜索半径依次扩大的三圈钻石搜索,如果执行了内部两圈钻石搜索,最佳匹配点仍位于起点,则提前终止搜索.否则,根据最佳匹配点在内圈、中圈和外圈菱形边缘的情况,提出了不同的后续搜索策略.测试结果表明,提出的快速运动估计算法相对HM14.0提供的算法,平均搜索较少的点数,同时对编码后视频的质量只造成轻微的损失.     

几种混沌布谷鸟搜索算法的优化性能比较与仿真

针对布谷鸟搜索迭代后期收敛速度慢和搜索精度不高的不足,通过将混沌优化方法嵌入到布谷鸟搜索中构建混沌布谷鸟搜索算法。新算法利用混沌序列的随机性和遍历性来改善布谷鸟搜索的优化性能。基准测试函数集的测试结果显示新算法在收敛速度和计算精度方面都得以提高。最后将所构建的算法应用到PID参数整定问题上,对比实验结果表明改进算法是可行性和有效性的。     

基于改进的布谷鸟搜索光伏电池模块参数识别与仿真

光伏电池模块参数识别是一个具有多个局部极值的非线性优化问题,传统的优化技术很难进行精确识别.基于交叉熵方法构建一种改进的布谷鸟搜索,该方法利用交叉熵全局优化算法和布谷鸟搜索的协同演化来快速而精确识别光伏模块参数.实验结果表明所构建的算法用于识别光伏模块参数是可行和有效的,且具有全局搜索能力强、优化精度高和鲁棒性好等特性.     

一种三项CD共轭梯度法及其全局收敛性

在前人提出的三项PRP共轭梯度法的基础上,提出了一种三项CD共轭梯度法.与以往求解无约束优化问题的经典二项共轭梯度法不同,该算法的搜索方向是三项的,且在任何线性搜索下都具有充分下降性.在适当的条件下,证明了三项CD共轭梯度法在强Wolfe线性搜索下具有全局收敛性.     

一种含参数的修正HS共轭梯度法及其收敛性

提出了一种含参数的修正HS共轭梯度法,该算法具有性质:1参数βBHSk不仅具有梯度值的信息还具有函数值的信息;2参数βBHSk是非负的;3其产生的搜索方向是充分下降的。在合适的条件下,证明了该算法在弱的Wolfe线搜索下具有全局收敛性,数值结果证明了该算法对于求解无约束优化问题的有效性。     

利用跳点搜索算法加速A*寻路

介绍广泛应用于游戏寻路中的标准A*算法,指出跳点搜索(JPS)算法使A*生成并扩展的节点数量很少,而且到达目标的速度很快.因为跳点搜索能够消除路径间的对称性,通过在直线和对角线方向上修剪节点来识别后继,在搜索时跳过了大量可能会添加到open列表和closed列表中的中间节点以及其他计算,这使搜索速度有了很大提升.在5个基准网格地图上测试A*+JPS对A*的相对加速比,实验结果表明:跳点搜索可将标准A*搜索的速度提高一个数量级甚至更多,并且速度收益的程度取决于基础网格地图的地貌,对于大的开放区域,跳点搜索更加高效.另外,跳点搜索对A*在节点扩展数量上的改进甚至比搜索时间的改进更加显著.无论从搜索时间还是从节点扩展数量上,A*+JPS都明显优于A*,利用跳点搜索算法可显著加速A*寻路.     

最小延时问题GPU并行加速变邻域搜索方法

为了能够在尽可能短的时间内获得最小延时问题的优质解,提出一种运行在CPU-GPU混合环境中的变邻域搜索方法。在遗传算法的顺序交叉生成子代基因过程中,改变邻域结构以避免解方案陷入局部最优。该方法在避免局部最优问题的同时,又可以利用GPU的并行加速能力缩短算法运行时间。实验结果表明,对于大规模最小延时问题,可以在短时间内获得足够好的解。