Vector bundle constraint for particle swarm optimization and its application to active contour modeling

Active contour modeling (ACM) has been shown to be a powerful method in object boundary extraction. In this paper, a new ACM based on vector bundle constraint for particle swarm optimization (VBCPSO-ACM) is proposed. Different from the traditional particle swarm optimization (PSO), in the process of velocity update, a vector bundle is predefined for each particle and velocity update of the particle is restricted to its bundle. Applying this idea to ACM, control points on the contour are treated as particles in PSO and the evolution of the contour is driven by the particles. Meanwhile, global searching is shifted to local searching in ACM by decreasing the number of neighbors and inertia. In addition, the addition and deletion of particles on the active contour make this new model possible for representing the real boundaries more precisely. The proposed VBCPSO-ACM can avoid self-intersection during contour evolving and also extract inhomogeneous boundaries. The simulation results proved its great performance in performing contour extraction.     

基于离散粒子群算法的近似最大连通分量抽取

无向图中的最大连通分量抽取(Maximum Clique Problem,MCP)是一种具有重要应用价值的组合优化问题,已被证明属于NP问题．传统的深度优先、分枝限定等算法可以处理规模较小的MCP问题,所以提出处理大规模MCP问题的算法是非常必要的．粒子群优化算法是一种基于群智能的演化计算技术,离散粒子群算法(DiscretePSO)是其中解决离散编码的算法．提出了一种基于离散粒子群算法的近似连通图的抽取算法,通过定义连通图编码、合法随机初始化过程,编码校正算法使得DPSO能够解决最大连通图的抽取问题．为验证其效果及效率,将该算法与RAClique进行了比较．实验结果表明,该算法在解决此类问题时,执行的速度受节点规模变化不大,效率略优于RAClique其他算法．     

离散粒子群优化算法在流水作业调度问题中的应用

通过引入随机向量, 改进离散粒子群算法DPSO的更新方程, 提出一种离散的粒子群优化算法MDPSO, 并将其应用于调度问题的求解. 实验结果表明, 该算法优于传统的时序分解算法和遗传算法.     

舟山渔场及其邻近水域春、夏季鱼类群聚结构的空间特征

根据2008年5月和8月进行的东海区主要渔场重要渔业资源的底拖网渔业资源调查资料,选取舟山渔场及其邻近水域(27°00′~31°00′N,121°30′~126°30′E)为研究海区,通过聚类分析和非参数多维标序方法(NMDS)分析调查海区鱼类群落的空间特征。结果显示:调查海区大致可分为两种群聚类型:近海群聚和外海群聚,且两种群聚类型具有较稳定的空间格局。近海群聚的特征种类为带鱼、刺鲳、小黄鱼等;外海群聚的特征种类为带鱼、鳄齿鱼、六斑刺鲀等。单个环境因素(水深、底层温度、底层盐度)中,鱼类群聚与水深的相关性最好。     

基于粒子群算法的重油热解模型参数估计

针对标准粒子群算法在进化过程中种群多样性降低而早熟的问题,提出了一种根据种群多样性测度动态改变惯性权重系数的自适应粒子群算法,该算法能够平衡算法的全局探索和局部开发能力,不仅有效地避免早熟,而且具有较快的收敛速度.两个经典的测试函数的仿真结果表明了算法的有效性.将改进的粒子群算法应用于重油热解模型参数估计中,效果明显.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

用摄食条件反射研究鳜鱼食性的驯化

本文对鳜鱼的食性驯化进行了较为详细的研究。在网箱养殖条件下.采用抛投活饵建立鳜鱼上水面摄食的条件反射,再改投死鱼、鱼块和配合饲料的方法,对鳜鱼进行驯化,经15d的驯化,5～7.5g、110～145g、205～245g的鳜鱼苗种驯化率分别达74％、71.5％、和70.5％。试验鱼的规格和饥饿时间对驯化率没有明显的影响。不用活饵建立摄食反射的鳜鱼.直接投喂鱼块和配合饲料,驯化率为零:直接投喂整尾死鱼.驯化率为13％。     

基于粒子群算法的盲源信号分离

当源信号个数大于2,联合对角化（JADE）算法在盲源信号分离时效果不理想.提出了一种基于粒子群算法（PSO）的盲源信号分离（BSS）算法.该算法利用PSO算法代替JADE算法中的联合对角化操作,以混合信号的峭度为目标函数,采用独立分量分析的方法,对瞬时混合的信号进行了盲分离,理论分析和仿真结果表明了该算法的可行性和有效性.     

基于粒子群蚁群算法的多机器人任务分配方法

针对大规模多移动机器人松散耦合型任务分配问题,探讨了机器人联盟形成问题中的关键,并且提出一种基于粒子群蚁群算法的任务分配机制.结果表明,粒子群蚁群算法得到的分配解要明显优于基本蚁群算法,并且不易出现早熟现象.     

新型敏感性水凝胶的研究：Ⅰ.阴离子单体对凝胶温敏性能的影响

合成了以丙烯酸（３－磺酸）丙基钾盐（ＳＰＡＰＳ）及甲基丙烯酸（３－磺酸）丙基钾直盐（ＳＰＭＡＰＳ０两种磺酸盐为阴离子单体的异丙基丙烯酰胺（ＮＩＰＡ）水凝胶,发现其溶一能具有良好的温敏性,且阴离子含量越大,敏感性越强,对应的敏感温度也愈高。