一种基于多策略的改进黏菌算法

针对黏菌算法(slime mould algorithm, SMA)搜索效率低和陷入局部最优的问题,本文提出一种多策略改进黏菌算法。首先,通过Tent映射反向学习策略求得较优种群作为初始种群,提高算法收敛速度;其次,黏菌通过自适应权值策略和扰动策略更新位置,调整算法勘探能力和开发能力,避免陷入早熟并提高收敛速度;最后,与PSO、WOA、GWO、SMA等4种算法和相关改进SMA算法相比,对CEC测试函数的寻优结果表明：本文改进算法的搜索效率和避免陷入局部最优能力较强,算法能在较短时间内找到全局最优值,对测试函数的收敛速度和收敛精度均有不同程度提高。     

空间实体碰撞预报算法及其自适应步长设计

为避免空间飞行实体碰撞漏报并提高计算效率,提出了通用性的基于仿真的多空间飞行实体碰撞预报方法。采用自适应调整仿真计算步长,给出了相应算法,并通过典型算例验证了其正确性和有效性。     

BP网络自适应学习率研究

分析了自适应学习率BP算法,并对其进行了总结分类,针对每一类介绍了几种具体的自适应学习率BP算法。最后结合XOR问题把一种自适应学习率BP算法和标准BP算法进行了比较和评价。     

多传感器全局最优加权观测融合Wiener信号滤波器

基于Kalman滤波,应用加权观测融合方法,对于带白色观测噪声的单通道ARMA信号,提出了全局最优多传感器观测融合Wiener信号滤波器。可统一处理信号融合滤波、平滑和预报问题。同集中式规测融合方法和分布式状态融合方法相比．不仅可获得全局最优Wiener信号滤波器,而且明显减小计箅负担,便于实时应用。一个三传感器加权观测融合仿真例子说明了其有效性。     

基于改进自适应遗传算法的组卷研究

针对遗传算法容易出现早熟和收敛速度慢的问题,根据群体适应值分布的变化特点,启发性地提出了一种新的基于小生境技术的自适应遗传算法（ANGA）。根据群体中各个个体的适应值分布情况加以启发,引入了一个自适应的常数Cmin,通过白适应调整Cmin以适时改变群体适应值的分布,优化了各个个体被选择的概率。详细介绍了ANGA应用于组卷问题的步骤。涵盖了其中的各项关键技术：组卷策略、编码方案、适应值函数的确定、选择交叉变异箅子的实现。并以目前的计算机等级考试三级信息管理技术的组卷为例,采用ANGA算法进行了仿真计算。仿真结果表明,ANGA算法能够成功地应用于自动组卷。算法能够以100％的概率在较短的时问内完成组卷,组卷效率高、成功率高;且算法对初值不敏感．具有较好的鲁棒性。     

广义系统多传感器分布式融合降阶Kalman滤波器

对于带多传感器的广义线性离散随机系统,应用奇异值分解,将其变换为等价的两个降阶多传感器子系统,提出了基于变换后的状态融合器构造原始状态融合器的新的融合方法。应用Kalman滤波方法,在线性最小方差按矩阵加权、按对角阵加权和按标量加权融合准则下,分别提出了三种最优加权融合降阶广义Kalman滤波器。可统一处理融合滤波、平滑和预报问题。可减少计算负担和改善局部滤波精度。证明了三种融合器和局部估值器之间的精度关系。为了计算最优加权。提出了局部滤波误差协方差阵的计算公式。一个Monte Carlo仿真例子说明了其有效性。     

一种基于纹理过滤和中值滤波的牌照定位方法

提出一种基于纹理过滤和中值滤波的牌照定位方法,根据牌照字符纹理图案提出纹理过滤,利用行跳变扫描边缘,进行粗定位,然后采用中值滤波方法进行进一步精确定位。该方法简单,对牌照底色没有要求。经大量试验检测,定位准确率达到98．9％。     

锅炉汽包水位系统的自适应逆控制

要利用自适应逆控制的自适应性和系统辨识能力,提出了对锅炉汽包水位控制系统的自适应逆控制策略。由被控对象的逆对象组成的局部反馈回路可以有效地克服给水扰动以及汽包水位的另一主要扰动——蒸汽流量的扰动。同时,自适应建模所得的FIR滤波器可以跟踪对象的特性变化,由FIR滤波器所得的逆控制器可以使系统的实际输出在对象特性变化情况下跟踪参考模型的输出。仿真结果显示了自适应逆控制的自适应性和鲁棒性。     

基于差分进化邻域自适应的大规模多目标算法

对于大规模决策变量给求解大规模多目标优化问题带来的难以收敛及解集分布不均匀问题,通过分析变量特征将其分类再分别优化是当前较为有效的求解方法,但存在变量分类不够准确、变量处理不够有针对性等不足。对此,提出一种基于差分进化邻域自适应策略的大规模多目标优化算法。首先,通过分析扰动解的支配关系将混合变量分为多样性变量和收敛性变量,使变量分类更为准确。其次,通过对收敛性变量主成分分析降噪,降低计算成本,并设计种群的交替进化策略及差分进化的邻域自适应更新操作以提升种群进化过程中的收敛性。实验结果表明,所提算法在收敛速度和解集的分布均匀性上表现出良好的性能。     

基于灰关联分析和时空偏好特征的兴趣点推荐算法

为了提高动态推荐效果,从时间个性化和连续性的角度出发,细化了签到用户的时间特征,利用灰关联分析度量时间向量的相似度,与矩阵分解算法结合,给出了一种新的矩阵分解算法。该算法可缓解时间戳细化签到矩阵后带来的数据稀疏的影响。同时为了提高个性化推荐,采用自适应核密度估计方法捕捉用户的空间偏好,增强用户的个性化体验,进而提高推荐质量。在此基础上,设计了一种新的兴趣点推荐算法。实验结果表明,该算法能有效地提高推荐准确率和召回率。