基于光突发控制包缓存的批调度算法

在光突发交换（OBS）网络中,数据信道调度算法是提高网络性能的重要措施之一。提出了一种基于光突 发控制包（BCP）缓存的批调度算法M其主要思想是：对到达的突发控制包进行缓存M当设定的最大缓冲时间到了, 首先按照业务的优先级,再按照突发到达顺序对缓冲区中的BCP进行批调度处理,并采用LAUC-VF来调度数据 突发（DB）该算法通过缓冲较多的BCP,获得更多的突发信息,有利于优化调度DB,从而降低了突发丢失率。仿 真结果表明：该算法具有比LAUC-VF还要低的DB丢失率,并能有效支持QoS。     

OBS网络中IP分组长度分布对业务流自相似性的影响

近年来,大量研究发现,网络流量呈现自相似性,自相似会导致数据分组延迟增大,丢包率增加,网络性能 恶化。着重论述了在OBS固定时间汇聚算法下,用于汇聚成突发数据分组的IP分组长度对业务流自相似影响的 问题。突发数据分组的汇聚算法是光突发交换的关键技术之一,其中,固定时间汇聚（FAP）算法可以平滑流量、降 低流量自相似性。用于汇聚成突发数据分组的IP分组,其自身长度对固定汇聚（FAP）算法的流量整形有一定影 响。仿真结果表明,存在最佳汇聚时间门限,能极大地降低业务流自相似程度,且最佳汇聚时间门限与IP分组长     

基于VR运动模拟器的体感模拟算法的研究

针对VR(Virtual Reality)运动模拟器使用的经典体感模拟控制算法存在相位延迟、虚假暗示的缺点导致虚实运动一致性不够,引发VR晕动症的问题,提出了一种改进体感模拟算法。改进体感模拟算法在经典模拟算法的基础上加入了前庭感知系统,对算法的输出误差进行反馈,采用模糊控制算法对输入加速度和角速度进行修正和预测,并且对虚拟现实中地形的起伏变化进行模拟。在MATLAB/Simulink中对改进体感模拟算法进行建模仿真,仿真结果表明改进体感模拟算法降低了相位延迟和虚假暗示,提高了虚实运动的一致性。     

基于混沌自适应烟花算法的雷达信号盲源分离

针对传统独立成分分析(independent component analysis, ICA)方法存在收敛速度慢、分离性能不高的问题,将混沌映射策略与自适应爆炸半径相结合,提出一种基于混沌自适应烟花算法(chaotic adaptive fireworks algorithm, CAFWA)的盲源分离(blind source separation, BSS)方法,并应用于雷达辐射源混合信号分选问题。混沌映射策略可以将初始值在解空间内分布更加均匀,爆炸半径能够根据适应度的优劣自适应改变,保证了所提算法局部搜索的精度,满足了全局搜索的多样性。实验结果表明所提算法可以在无噪和有噪情况下均能很好地分选观测信号,而且具有比传统算法更快的收敛速度和更优异的分选性能。     

面向手机的云端VR三维场景立体显示与交互框架

针对手机无法渲染可交互的高质量三维场景这一弊端,提出一种面向手机的云端VR应用框架。此框架结合云渲染和VR技术在手机端实现可交互高质量三维场景的立体显示,并以手机浏览器作为客户端,利用视频块流传输图像数据、消抖算法(AJA)处理交互数据,实现Web端轻量级渲染,不仅降低了移动端数据可视化运算成本,还避免使用插件和下载安装包。实验表明本文框架的显示帧率能达到30帧每秒,带宽控制在80 kb/s以内,能稳定地在手机上实现传统App无法实现的逼真VR体验。     

导弹武器模拟训练考评系统设计

为提高某导弹模拟训练系统中评估的客观性与准确性,确立以准确性、熟练度和操作人员状态为主的评价指标体系,构建适当的数学模型计算各子指标分值,将子指标定量化,解决由考官进行评判时存在的主观性强、标准不统一等缺点。利用专家系统,对考评过程中需要的专业知识和评价规则进行存储,实现了评分过程的自动化。针对层次分析法(analytic hierarchy process, AHP)需要多次赋值保证一致性和群组决策特征根法(group eigenvalue method, GEM)结构模糊的缺点,提出了基于AHP和GEM融合算法的权重设置方案,利用AHP-GEM算法对各子指标得分进行加权评估,最终形成了一套合理有效的模拟训练评估系统。最后,通过与考官人工评分的方法进行比较,验证了所提评分系统的合理性和准确性。     

基于共识粒子群的全局优化求解方法

针对粒子群优化(PSO, particle swarm optimization)和高效全局优化(EGO, efficient global optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM, consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。     

超启发式DE算法求解零等待发酵工艺调度

为解决具备间歇过程特点的零等待发酵工艺调度过程中易变质的难点,提出了一种超启发式差分算法,并将最小化最大完工时间设置为优化目标。此算法分为2层,高层为改进的自适应差分进化算法,来对低层的启发式操作进行选择排序。而低层组合排序成了新的算法对问题域进行操作,加入模拟退火算法避免陷入局部最优。所提出的方法具有学习的机制,对不同问题具有较强的泛化能力。通过测试算例和实际生产进行算法的比较和求解验证了此算法的有效性,结果表明所提出的算法比传统的启发式算法性能更优。     

基于模型的多目标优化问题方法研究

基于模型的多目标优化方法目的是创新一种通过黑箱评估的多目标函数优化算法,该算法从解空间上的混合分布中迭代生成候选解,并根据采样解的控制数来更新混合分布,求解过程的搜索偏向于Pareto最优解的集合。算法在解空间上寻找混合分布,使得混合分布的每个分量都是以帕累托最优解为中心的简并分布,并且每个预计的Pareto最优解都通过一个阈值距离均匀地分布在Pareto最优解集上,实验通过几个基准函数和方法证明了该算法的性能。     

多精英采样与个体差分学习的分布估计算法

提出了基于多精英采样和差分搜索的分布估计算法EDA-M/D (Estimation distribution algorithm based on multiple elites sampling and individuals differential search)。EDA-M/D利用多精英个体独立采样生成子代来提升算法全局搜索能力,利用精英群体分布的σ²约束采样半径,实现种群从全局搜索逐步过度到局部搜索。当精英群体停滞时,劣势个体借助精英群体的μ和种群历史最优解进行差分搜索,帮助种群跳出局部最优解。通过多精英采样与差分搜索的自适应协同实现种群宏观信息与个体微观信息的有机融合。实验结果表明EDA-M/D在稳定性和搜索能力方面均表现出明显的优势。