融合双分支语义增强感知的遥感图像超分辨率重建算法

针对遥感图像中地物目标的特征信息模糊以及背景噪声影响导致遥感图像重建效果差的问题,提出一种融合双分支语义增强感知的遥感图像超分辨率重建算法。首先,设计了一种全局-局部空间注意力模块,该模块用于增强特征在空间全局-局部不同尺度下的语义表征能力,同时强化网络对有效特征组的分辨能力;其次,提出一种通道分组-聚合注意力模块,通过设计特征分组-聚合以及通道注意力模块,增强模型对地物目标特征的区分,强化对有效特征通道的关注能力。实验表明,所提算法在UC Merced数据集上,峰值信噪比在×2/×3/×4倍率下分别达到了34.397 dB、29.920 dB和28.128 dB,结构相似度在×2/×3/×4倍率下达到了0.931、0.834和0.791。在AID数据集上,峰值信噪比在×2/×3/×4倍率下分别达到了32.524 dB、29.317 dB和27.522 dB,结构相似度在×2/×3/×4倍率下达到了0.895、0.829和0.721。两个指标相较于等主流算法均有所提升,重建后图像的边缘与区域细节效果更优,有效克服了地物目标的特征信息模糊及背景噪声影响导致遥感图像重建效果差的问题。

使用基于中医思想的蚁群算法求解配电网重构

提出使用基于中医思想的蚁群算法(a novel ant colony system based on traditional Chinese medicine theory,CACS)求解配电网重构问题。针对配电网重构问题的特点,采用基于基本环路的解的编码方式,设计适合于配电网重构的解元件库、保健算子和治病算子,从而将CACS应用到配电网重构问题中。在IEEEE33和IEEE69节点的100次仿真测试中,CACS全部找到最优解,且最快收敛代数分别为3和7、平均收敛代数分别为22.16和59.92。同相关文献中的智能算法测试结果对比表明,CACS在保证解的质量的前提下,不但计算效率高,而且鲁棒性好。

改进型加权KNN算法的不平衡数据集分类

K最邻近(KNN)算法对不平衡数据集进行分类时分类判决总会倾向于多数类。为此,提出一种加权KNN算法GAK-KNN。定义新的权重分配模型,综合考虑类间分布不平衡及类内分布不均匀的不良影响,采用基于遗传算法的K-means算法对训练样本集进行聚类,按照权重分配模型计算各训练样本的权重,通过改进的KNN算法对测试样本进行分类。基于UCI数据集的大量实验结果表明,GAK-KNN算法的识别率和整体性能都优于传统KNN算法及其他改进算法。

基于改进SMOTE的非平衡数据集分类研究

针对SMOTE(Synthetic Minority Over-sampling Technique)在合成少数类新样本时存在的不足,提出了一种改进的SMOTE算法(SSMOTE)。该算法的关键是将支持度概念和轮盘赌选择技术引入到SMOTE中,并充分利用了异类近邻的分布信息,实现了对少数类样本合成质量和数量的精细控制。将SSMOTE与KNN(K-Nearest Neighbor)算法结合来处理不平衡数据集的分类问题。通过在UCI数据集上与其他重要文献中的相关算法进行的大量对比实验表明,SSMOTE在新样本的整体合成效果上表现出色,有效提高了KNN在非平衡数据集上的分类性能。

基于改进蜜蜂进化型遗传算法的含分布式电源的配电网重构

为改善分布式电源(Distributed Generation,DG)并入电网后配电网重构算法的性能,提出一种基于佳点集的蜜蜂进化型遗传算法(Bee Evolutionary Genetic Algorithm Based on Good Point Set,GBEGA)。该算法的关键有三点:1.提出一种基于佳点集的种群初始化方法,该方法比随机方法产生的种群在搜索空间更为均匀;2.引进佳点集交叉算子,该算子能在父代附近进行更加精细的搜索;3.采用自适应的交叉变异概率,有利于算法开采与勘探的平衡。将DG处理为PQ、PV两种模型,并将GBEGA与相关文献中的算法关于IEEE33和IEEE69节点系统进行了对比测试。仿真结果表明,GBEGA适合于含DG的配电网重构,在全局寻优能力和收敛速度上表现出色。

一种新的求解配电网重构问题的免疫遗传算法

针对遗传算法求解配电网重构问题存在的不足,建立了以网损最小为目标函数的配电网重构数学模型,提出了一种新的免疫遗传算法。该算法的关键在于疫苗库的构建和免疫算子的设计。疫苗库可自动建立和更新,免疫算子由接种疫苗和免疫检测组成。另外,采用了基于基本环路的编码方法、高频变异和大选择压的锦标赛选择算子。IEEE33和IEEE69系统的仿真测试结果表明:该算法符合配电网重构问题的特点,能有效抑制进化中的退化和波动现象,在确保解的质量的同时,具有很快的收敛速度;与传统遗传算法和相关文献中的同类算法相比,该算法在效率和性能方面具有优越性。

面向不平衡数据集的改进型SMOTE算法

针对SMOTE(synthetic minority over-sampling technique)在合成少数类新样本时存在的不足,提出了一种改进的SMOTE算法GA-SMOTE。该算法的关键将是遗传算法中的3个基本算子引入到SMOTE中,利用选择算子实现对少数类样本有区别的选择,使用交叉、变异算子实现对合成样本质量的控制。结合GA-SMOTE与SVM(support vector machine)算法来处理不平衡数据的分类问题。UCI数据集上的大量实验表明,GA-SMOTE在新样本的整体合成效果上表现出色,有效提高了SVM在不平衡数据集上的分类性能。

改进SVM-KNN的不平衡数据分类

针对支持向量机(SVM)在超平面附近进行不平衡数据(imbalanced datasets)分类的不准确性,提出了一种改进SVM-KNN算法,该算法在分类阶段计算测试样本与最优超平面的距离,如果距离差大于给定阈值可直接应用支持向量机分类;如果距离差小于给定阈值,则将所有支持向量都作为测试样本的近邻样本,进行KNN分类。通过对UCI数据集的大量实验表明,该算法在少数类样本的识别率和分类器的整体性能上有明显改善。

用基于基因疗法的遗传算法求解配电网重构

将基于基因疗法的遗传算法(GTGA)应用于求解配电网重构问题,提出了新的配电网拓扑结构描述方法。给出了生成和更新基因库的方法,设计了由清除和插入组成的治疗算子。在IEEE 33和IEEE 69的100次仿真测试中,GTGA全部找到最优解,且最快收敛代数分别为第2和第3代,平均收敛代数分别为6.29和7.92代。测试结果及与传统遗传算法和相关文献算法的对比表明,GTGA求解配电网重构问题是可行和高效的。

基于YOLO V3的葡萄病害人工智能识别系统

葡萄在生长过程中会感染各种病害,葡萄病害的高效识别是防治葡萄病害的关键。本文提出了一个基于YOLO V3的葡萄病害智能识别系统,由微信小程序、云服务器和葡萄病害识别模型构成。其中的葡萄病害识别模型以植物病虫害生物学国家重点实验室提供的2 566张原始葡萄病害图片为基础,构建了32 871张葡萄病害图片数据集,采用改进的YOLO V3训练得到。本系统能对手机保存的或现场拍摄的自然条件下的12类葡萄病害图像进行识别,准确率达98.60%。识别结果、病害特征、发病原因、病害地理分布和防治建议可立刻反馈至用户。本系统不但识别率高,而且涵盖了目前大多数常见葡萄病害种类,可作为辅助果农、消费者和相关科研人员甄别葡萄病害的智能工具。

基于聚类权重分阶段的SVM解不平衡数据集分类

SVM在处理不平衡数据分类问题(class imbalance problem)时,其分类结果常倾向于多数类。为此,综合考虑类间不平衡和类内不平衡,提出一种基于聚类权重的分阶段支持向量机(WSVM)。预处理时,采用K均值算法得到多数类中各样本的权重。分类时,第一阶段根据权重选出多数类内各簇边界区域的与少数类数目相等的样本;第二阶段对选取的样本和少数类样本进行初始分类;第三阶段用多数类中未选取的样本对初始分类器进行优化调整,当满足停止条件时,得到最终分类器。通过对UCI数据集的大量实验表明,WSVM在少数类样本的识别率和分类器的整体性能上都优于传统分类算法。

一种求解TSP的高效遗传算法

根据TSP适应度地貌特征,通过将传统的反转变异算子(Simple Inversion Operator,SIM)与插入变异算子(Insertion Operator,IM)进行组合,设计出了一种可变邻域搜索的复合变异算子(Greed Invert-Insertion Operator,GIIM)。在此基础上,结合常规的部分匹配交叉(PartiallyMatched Crossover,PMX)与带有精英策略的退火选择,构造出了一种求解TSP的高效遗传算法(SEGA)。仿真测试表明,提出的算法不但具有很强的全局搜索能力,且收敛速度快;其测试结果与最新文献和国际标准测试库TSPLIB中的最优路径相比,或相同或更优。

一种改进的多目标合作型协同进化遗传算法

针对传统多目标算法早熟收敛及多样性不足的问题,提出了一种改进的非支配排序合作型协同进化遗传算法(Improved Non-dominated Sorting Cooperative Coevolutionary Genetic Algorithm,INSCCGA)。该算法利用外部档案存储每一代进化过程中产生的精英个体,并对其不断进行更新,以加快算法的收敛速度。同时提出了一种新型子种群之间协同进化的方式,增强候选解的多样性。利用ZDT系列标准测试函数,与经典的多目标进化算法NSGA-II以及多目标协同进化算法NSCCGA进行了对比,结果表明改进算法具有更好的收敛性以及均匀的解分布。

基于协同进化基因表达式编程的函数发现研究

基因表达式编程(GEP)算法是一种具有强大函数发现能力的新型进化算法。GEP在函数发现时如何确定合适的数值常量对算法的性能具有很大影响。提出了一种基于协同进化基因表达式编程的函数发现算法(GEP-DE),该算法的最大改进在于一种新的常量优化方法:在每一代中将函数发现的过程分为两个阶段:第一阶段,由标准GEP算法结合固定常量集确定函数结构;第二阶段,使用差分进化算法(DE)对第一阶段得出的函数结构的常量进行优化。实验结果表明,GEP-DE算法比重要文献中的常量处理方法其效果有较大提升,并且算法的综合性能也优于最新重要文献提出的GEP算法。

改进的基于蜜蜂进化型遗传算法和蚁群系统混合的元件贴装优化

针对PCB板的表面贴装技术(Surface Mount Technology,SMT)优化问题,提出一种基于蜜蜂进化型遗传算法和蚁群系统的混合智能算法(the Hybrid Intelligent Algorithm based on Bee Evolutionary Genetic Algorithm and Ant Colony System,BAHA).该算法的关键有4点:①通过两个种群的融合实现信息共享,提高算法的收敛速度;②采用改进的OX的交叉算子,合理保留优秀个体基因的排列顺序;③加入局部搜索算子,在当代最优解附近进行更加精细的搜索;④信息素重置防止陷入局部最优解.用TSP30问题、eil51问题与相关文献进行对比测试,仿真结果表明BAHA收敛速度快,寻优能力强.通过对5种不同PCB板的元件贴装顺序进行优化计算,结果表明,BAHA能有效的提高贴装效率.

采用混合策略的改进基因表达式编程

基因表达式编程(gene expression programming,GEP)是一种新型的进化算法,在函数发现领域具有很好的应用。针对传统GEP存在的不足,提出了一种采用混合策略的改进基因表达式编程算法(improved gene expression programming algorithm used by hybrid strategy,HSI-GEP)。主要有两点改进:(1)采用镜像和重启机制对种群中的较差个体进行替换,以提高种群的质量和多样性;(2)在原有锦标赛选择之前引入克隆选择,以提高算法对优质解的开采能力。与权威文献中改进的GEP算法关于函数发现问题的大量对比实验表明,HSIGEP算法求解质量高,收敛速度快,具有明显的竞争力。

双系统协同进化的基因表达式编程及其在函数发现中的应用

受人类进化过程的启发,提出了一种双系统协同进化的基因表达式编程算法DSCE-GEP。DSCE-GEP由自然进化系统和人工干预系统组成。人工干预系统包括个体干预和种群干预。个体干预是依据基因库对种群中的个体进行去劣和增优操作,旨在改善种群中个体的质量;种群干预通过引入随机和镜像个体来提高种群的多样性和全局寻优能力。与权威文献中改进的GEP关于函数发现问题的大量对比实验表明,本文算法在收敛速度、求解质量方面优于对比算法,具有明显的竞争力。

面向工程应用的软件工程课程教学改革与探索

软件工程是计算机类专业的一门专业基础核心课程,对于培养软件人才意义重大,但是不少高校的教学效果不太理想。本文对该课程教学中存在的问题进行了分析,从课程定位与目标、教学内容与教学方法、大实践教学体系构建、课程考核与评估等方面对该课程的改革进行了探索,形成了一套面向工程应用、特色鲜明、行之有效的改革方案。

DSCE-GEP算法在PM2.5浓度预测中的应用

雾霾防治是目前空气质量保护问题研究的热点,PM2.5浓度预测是雾霾防治的关键之一;文章采用一种双系统协同进化的基因表达式编程算法(DSCE-GEP)进行PM2.5浓度预测,该算法在GEP算法中引入人工干预操作来提高算法进化速度以及解的质量;DSCE-GEP算法是对人类进化的模拟,不仅具有强大的模型学习能力,而且能得到模型的显式函数表达式;文中以西安地区逐日PM2.5浓度预测为例,将DSCE-GEP算法与传统基因表达式编程算法(GEP)、文献中分类回归树和极限学习机组合模型(CART-EELM)以及卷积神经网络和长短期记忆神经网络组合模型(CNN-LSTM)进行了对比实验;实验结果表明,DSCE-GEP算法拟合度更高,是一种具有竞争力的智能预测算法。

一种新的动态编码方法的研究

提出了一种基于码表的动态编码的构建方法。利用知识对所求问题的指导和启发作用构建码表,有效地缩小了待求解问题的解空间,从而使遗传算法的搜索效率和获得最佳解的质量得到提高。文中分析了知识对编码效率的影响,最后通过工程优化设计的实例,说明动态编码技术的正确性和可行性。