光栅投影三维测量中一种新的线条纹细化算法

针对光栅投影三维测量中的线条纹,提出了一种新的条纹细化方法。实验证明,该算法获得了理想的处理效果。     

基于遗传和蚁群算法融合的聚类新方法

遗传算法具有快速良好的全局搜索能力,而蚁群聚类算法具有良好的分布式并行性和正反馈能力。将两种算法进行融合,充分利用算法各自的优势和特点,能更有效地进行聚类分析。实验证明这种新组合算法在优化能力和时间性能上比常用的聚类算法有比较明显的优势。     

动态性状基因座的复合区间定位

动态性状因其广泛性和重要性而备受动植物遗传育种研究者关注. 用分子遗传学方法探索该类性状的遗传机制已成为一个极富挑战性的研究课题. 将关于时间(测定日期)的Legendre多项式镶嵌在遗传模型的每个遗传效应中, 以刻画QTL和协同因子对动态性状变化过程的作用, 从而建立动态性状基因复合区间定位分析的数学模型. 利用复合区间定位策略的优势, 提高对控制动态性状多个QTL的检测效力. 以F₂设计群体为例, 阐述了动态性状基因复合区间定位的似然分析原理, 推导了参数似然估计的EM法两步求解过程. 模拟实验证明, 相同设计条件下, 复合区间定位对分布在同一连锁群上多个影响动态性状QTL的检测效果明显好于区间定位; 随着协同因子数目的增加, 复合区间定位不但能检测出更多的甚至所有的QTL, 而且对每个QTL分辨得更加清楚. 在实际应用过程中, 应针对动态性状的变化规律, 并考虑计算成本恰当地选择协同因子数目.     

数据挖掘分类算法研究综述

随着数据库应用的不断深化,数据库的规模急剧膨胀,数据挖掘已成为当今研究的热点;特别是其中的分类问题,由于其使用的广泛性,现已引起了越来越多的关注。对数据挖掘分类问题的研究现状进行了综述:首先对研究比较多的基于判定树的归纳分类、基于人工神经网络的分类和基于统计的贝叶斯分类作了详细的讨论;然后对目前新提出的几种算法作了简要分析;最后根据数据挖掘的发展现状和研究重点对数据挖掘分类算法的发展趋势作了展望。     

基于生成对抗网络的手写汉字生成方法研究

在计算机机械学习领域,相对于数字和英文字母,手写汉字的自动生成研究是个重点难点问题,且具有重要研究意义。随着深度学习的不断发展,生成对抗网络在图像生成领域取得了很大进展。本文提出了一种基于循环生成对抗网络(Cycle Generative Adversarial Networks, CycleGAN)的无监督手写汉字生成方法。利用标准仿宋字体图像和手写字体图像进行训练,生成的手写汉字图像具有比较高的识别度。     

非单调线性互补问题的宽邻域算法复杂度分析

研究非单调线性互补问题的宽邻域不可行内点算法.为减小算法的理论复杂度,通过两个牛顿方程分别计算两个搜索方向,再通过这两个搜索方向的凸组合,获得该算法的搜索方向.通过分析,该算法的复杂度与当前最好的宽邻域不可行算法的复杂度一致.     

不确定性故障下无人机末端配送

针对物流无人机的配送问题,综合考虑无人机故障、分段电池能耗和飞行可靠性等影响因素构建不确定故障下的无人机配送模型;采用蚁群算法对模型求解,最后运用标准算例场景进行测试。结果表明：在考虑无人机不确定故障场景下,最小需求损失提供的配送方案平均配送成本增加2.77%,可靠性提高7.04%～10.47%;最小综合成本提供的配送方案平均配送成本增加0.81%,可靠性提高2.2%～8.88%。前者所提供配送方案更可靠,但对应成本增加比例相对较大,后者综合考虑成本和损失,以较小的成本代价提高配送网络可靠性。     

基于MPA-LSTM模型和Bootstrap方法的短期光伏功率区间预测

光伏发电功率的波动性和间歇性为电力系统调度管理带来巨大的挑战,精确的光伏功率区间预测是解决上述问题的一种有效途径。为此,本文提出了一种基于LSTM网络的新型短期光伏功率区间预测模型。采用MPA对LSTM网络的隐含层神经元数和训练批次数等超参数进行自动寻优,以克服随机选取LSTM模型参数过程中存在的盲目性、费时等问题;并将MPA-LSTM模型用于光伏功率点预测。然后,采用Bootstrap方法分析模型预测结果的误差分布,确定模型预测输出的区间范围。最后,通过对比仿真验证所提模型的有效性。结果表明：本文所提的MPA-LSTM模型均方误差的平均值为1.09%,优于SVM、LSTM、PSO-LSTM和MPA-SVM模型;Bootstrap方法能够准确地描述给定置信度水平下的光伏功率波动范围。     

基于深度学习和IHPO的桥梁结构模型修正方法

针对桥梁结构模型修正中实测振型不完备的问题,基于简支梁动力试验,利用卷积神经网络强化实测非完备振型,联合强化后的完备振型和实测频率构建目标函数,采用改进的猎食者优化算法修正结构有限元模型,并与用实测非完备振型和频率构建目标函数进行模型修正的方法进行对比。结果表明：基于深度学习和改进猎食者优化算法修正的简支梁结构有限元模型的前4阶频率与实测值误差均小于0.5%,振型的模态置信准则值均大于0.99,且模型修正的平均消耗时间比使用实测非完备振型进行模型修正时少45%;所提出的方法具有更高的精度和效率,且传感器数量仅为4个时12单元简支梁也能获得精确的模型修正结果。     

基于改进遗传算法的多车场生鲜配送优化

针对生鲜产品易腐烂特性与对配送及时性的高要求,构建以制冷成本、燃油成本、损耗成本、时间惩罚成本、产品固定运输成本和车辆固定成本的总成本最小函数,并考虑顾客的位置、车辆载重及时间窗约束,建立多车场生鲜配送模型,使用K-means聚类对算例中的客户群进行车场划分后,采用变邻域下降搜索策略和模拟退火算法对遗传算法进行改进,利用改进后的遗传算法计算得出优化后的车辆配送路线。通过对改进后的遗传算法与传统的自适应遗传算法对比后,结果表明各项成本都有不同程度的减少,且总成本减少了14.6%,从而验证改进后算法的优势,达到减少配送成本、满足配送及时性和提升顾客满意度的目的。