高效实现针对光子丢失问题的容错量子计算

基于两个基本操作——控制路径操作和纠缠子,首先给出非破坏性多光子奇偶校验的实现.随后,将这些操作用于光学量子计算中光子丢失问题的处理.可以实现奇偶量子态的制备,以及单体操作与两体控制非操作,由此可以实现普适容错量子计算.不管是态制备还是门操作都是确定性的,同时方案的实现复杂度也要远低于此前的方案,对于辅助单光子资源的需求也降到很低的程度.并且实现过程中除奇偶校验外,不需要进行任何单光子探测,因此不会造成任何单光子的损失,最大限度地利用了光子资源.比之此前的线性光学方案,我们方案的确定性、高效性、简单性以及资源的高利用率等特点,使得方案更具可行性和更加适用于大规模量子计算.     

基于网页分块的Shark-Search算法

Shark-Search算法是一个经典的主题爬取算法. 针对该算法在爬取噪音链接较多的Web页面时性能并不理想的问题, 提出了基于网页分块的Shark-Search算法, 该算法从页面、块、链接的多种粒度来更加有效的进行链接的选择与过滤. 实验证明, 改进的Shark-Search算法比传统的Shark-Search算法在查准率和信息量总和上有了质的提高.     

抛物问题的一类变网格矩形有限元方法

传统有限元方法要求区域剖分满足正则性条件.对一类抛物问题,首先可利用相应的矩形元,绕开区域剖分中正则性条件的限制,再结合变网格思想,导出所讨论问题的全离散有限元格式;其次,利用Riesz投影算子,通过一些新的技巧和方法,得到与传统有限元相同的最优误差估计.     

基于恒等变换的单摆振动解析逼近

应用修正的谐波平衡法构造了单摆大幅振动的解析逼近周期和周期解.通过引入三角变换或反三角变换将单摆振动方程恒等变形为关于新变量的Duffing方程或其他易于处理的非线性振动方程,利用牛顿谐波平衡法构造了单摆振动的解析逼近解.给出的解析逼近周期及周期解简单易用,几乎在振幅(初始摆角)的全部取值范围内,都有很高的逼近精度.     

Cs相似度函数下正则谱聚类的收敛阶

用覆盖数逼近的方法给出Cs相似度函数下正则谱聚类的收敛阶.     

可扩展路由器并行路由计算模型

分布式控制平面的并行路由计算性能是制约可扩展路由器大规模扩展的关键因素。根据反压理论建立了分布式控制平面并行路由计算模型,利用控制单元的队列长度信息判断每个控制单元的负载大小,自适应地调整控制单元间的负载分配,实现负载均衡。利用排队理论,根据损失率、系统利用率和服务等待时间这3个特征量对该模型进行了性能分析。用真实网络数据模拟验证理论分析的正确性。实验结果表明:与现有并行路由算法相比,该模型采用的反压任务分配算法能够根据控制单元的负载大小和控制单元数量自适应地均衡分配负载,有效地提高了可扩展路由器的并行路由计算性能和可扩展性。     

提高区间运算的循环处理精度

循环语句大量应用于程序开发中,但是在静态分析领域,对循环语句的处理还很不完善,存在着不终止和迭代不收敛等一系列问题。传统的循环处理策略所涉及的程序语义信息有限,无法应用于静态分析缺陷检测中。该文提出一种基于符号运算和抽象解释理论中Widening/Narrowing算子的循环处理方法,并将其应用于区间运算之中,以提高检测精度。所述方法已在缺陷检测系统(DTSGCC)中实现,对大量Linux中GCC开源工程的测试结果表明:该方法可以提高区间运算中循环处理的精度,减少潜在的误报。     

求解亚式期权定价问题的迎风差分方法

期权理论的核心是期权定价问题.研究连续取样的算术平均亚式期权定价问题的差分方法,根据问题所满足的偏微分方程终边值问题,构造出一种隐式的迎风差分格式,论证了差分解的惟一存在性和绝对稳定性,并给出差分解在离散L2范数下的误差估计.数值计算表明本文数值方法是一种高效和收敛的近似方法.     

基于时间窗的SVDBN近似推理算法研究

变结构动态贝叶斯网络(SVDBN)在处理非稳态过程的不确定问题具有其独特的优越性。为克服SVDBN推理算法不能实现在线推理的缺陷,在引入SVDBN的时间窗和时间窗宽度概念基础上,阐述了基于时间窗的SVDBN在线近似推理机制,提出了2种在线近似推理算法,即基于时间窗的变结构离散动态贝叶斯网络(SVDDBN)递推推理算法和基于时间窗的SVDDBN快速推理算法。通过仿真实验验证了这2种算法的有效性,并从复杂度、适用范围及更新时间等方面进行了比较。     

GMCL： a robust global localization method for mobile robot

A large sample size is required for Monte Carlo localization （MCL） in multi-robot dynamic environ- ment, because of the ＂kidnapped robot＂ phenomenon, which will locate most of the samples in the regions with small value of desired posterior density. For this problem the crossover and mutation operators in evolutionary computation are introduced into MCL to make samples move towards the regions where the desired posterior density is large, so that the sample set can represent the density better. The proposed method is termed genetic Monte Carlo localization （GMCL）. Application in robot soccer system shows that GMCL can considerably reduce the required number of samples, and is more precise and robust in dynamic environment.