多舱共配绿色车辆路径问题的改进变邻域搜索算法

针对社区团购前置仓配送场景中“多中心、高时效、多品类、高排放”难题,本文提出多车场带时间窗的绿色多舱车车辆路径问题(MDMCG-VRPTW),构建混合整数线性规划模型,并设计改进的变邻域搜索算法(IVNS)实现求解.采用两阶段混合算法构造高质量初始解.提出均衡抖动策略以充分探索解空间,引入粒度机制以提升局部搜索阶段的寻优效率.标准算例测试结果验证了两阶段初始解构造算法和IVNS算法的有效性.仿真实验结果表明,模型与算法能够有效求解MDMCGVRPTW,且改进策略提高了算法的求解效率和全局搜索能力.最后,基于对配送策略和时效性的敏感性分析,为相关配送企业降本增效提供更多决策依据.

基于统计分析的仿射运动估计快速算法

为降低新一代通用视频编码标准(Versatile Video Coding,VVC)的计算复杂度,提出了一种基于统计分析的仿射运动估计(Affine Motion Estimation,AME)快速算法。从加速AME过程的角度出发,首先摒弃AME的3种运动矢量(Motion Vector,MV)精度中的整像素和1/16像素精度,保留1/4像素精度;其次利用迭代次数与量化参数(Quantization Parameter,QP)、slice类型以及编码单元(Coding Unit,CU)大小的关系,得到一个迭代次数的自适应计算式来减少AME迭代次数;然后将细粒度搜索(Fine Granularity Search,FGS)算法中CU 4个角落的4个整像素用2个对角分像素进行替代;最后运用绝对变换差和(Sum of Absolute Transform Difference,SATD)代价来替代率失真(Rate Distortion Optimization,RDO)代价。实验结果表明,与H.266/VVC参考软件VTM-10.0相比,提出的算法在低延迟(Low Delay B,LDB)和随机访问(Random Access,RA)配置下分别节省了8.34%和8.83%的时间,与此同时性能损失仅为0.10%和0.12%。

演化硬件及面向演化的VLSI可重构体系结构设计

演化硬件在环境适应性和可靠性设计上具有潜在的巨大优势。文章介绍了数字和模拟电路演化综合的原理和步骤,几类典型的演化硬件平台及其局限性,重点讨论了面向演化的VLSI可重构体系结构,最后提出了这一新兴研究领域面临的一些问题及解决方法。

F-Seeker:基于重匿名的粒度化好友搜索架构

针对社交网络中好友检索服务的隐私保护问题,本文提出一种基于重匿名技术的粒度化好友搜索架构F-Seeker.对用户发布的位置信息采用增强的k匿名策略—(k,m,e)-匿名,用以防止"好奇"的搜索服务提供方对用户隐私的推测.在处理好友搜索服务过程中,由服务提供方根据粒度化的可视策略对数据实施重匿名,实现了对用户位置信息粒度化的访问控制.此外,文中对发布数据采用Z序编码并在搜索过程中通过运用剪枝策略提高搜索效率.实验结果表明,文中提出的匿名策略在保护用户隐私的同时并没有大幅度地增加计算开销.

一种改进禁忌搜索的K-medoids聚类算法

针对传统K-medoids聚类算法初始聚类中心随机选择、聚类精度不高、全局搜索能力较差以及禁忌搜索算法对初始值随机选取等问题,提出了一种粒计算与最大距离积法相结合的初始化禁忌搜索初始值算法,将改进后的禁忌搜索算法用来优化K-medoids,以提高聚类算法的性能。通过仿真试验论证了该算法具有较高的效率和准确率以及较强的稳定性。

需求分析器中搜索工具研究

需求分析器是异构服务组装平台的重要组成部分,需求分析工具的成功开发是进行异构服务组装和工作流调用的前提。根据需求分析应当与服务搜索交互进行的特点,对搜索机制进行了研究。探讨了服务搜索引擎框架的设计方式,然后讨论了在此基础上确定需求分解粒度的方法。该引擎能够进行简单的个性化服务搜索,可以帮助用户更快、更准确地找到所需的服务信息,还可以避免无关服务信息的干扰。

多粒度信息搜索行为研究综述

信息搜索行为是用户搜索意图的表征,是搜索过程的具象化体现,其粒度包含微观的搜索动作、中观的搜索方法及宏观的搜索策略,从多粒度角度系统性探析信息搜索行为研究有助于深入理解用户搜索过程及行为机理。本文阐述了多粒度信息搜索行为内涵及相应的类型识别研究,并从理论支持、研究过程两方面对相关文献进行梳理;在此基础上对未来研究趋势进行展望。研究发现,相关文献中理论支持研究集中于搜索过程和行为机理视角,研究过程分实验主题、实验对象、实验任务和研究方法。不同粒度搜索行为的研究范式既有区别也有共性,区别在于搜索动作研究多基于搜索过程理论模型,偏好在真实情境下用传统的问卷、访谈及日志法采集数据并基于开放式编码归纳单个动作类型;搜索方法和策略研究则聚焦于动作集合或方法序列,进一步利用认知理论模型阐释行为产生及变化的内在机理;多在模拟情境下基于传统法引入有声思维法、录屏法丰富数据采集类型,且更多运用统计分析法和机器学习技术分析数据。共性在于实验主题中影响因素研究均表现为用户认知及情境两方面且多探讨单一因素影响;实验对象以高校人员为主;实验任务设计多为复杂度较高的工作和生活任务。未来应契合移动互联网时代特征拓宽研究环境,进一步探索跨屏、跨应用等环境下多粒度信息搜索行为机理研究。

基于视觉的水面背景下目标检测与跟踪算法

为解决清漂船在复杂水面背景下对漂浮物体积较小或被遮挡的检测与跟踪问题,提出了一种基于视觉的水面背景下目标检测与跟踪算法,通过利用YOLO改进的多粒度特征融合方法使得模型在最终检测时所提取的特征向量考虑更多底层的特征,并引入K邻域搜索感兴趣区域模块,与长短期记忆神经网络(long-short term memory,LSTM)相结合,弥补了卷积神经网络的时序关联性差的缺陷,根据目标当前帧语义特征和运动特征预测下一帧中目标所在位置,能够更快地提取目标的特征,并且有效地去除复杂背景的干扰。实验结果表明:该算法的跟踪平均成功率、平均准确率和平均速度分别为57.1%、71.1%、45.4帧/s。较好解决因被检测目标过小的问题,提升在跟踪目标被遮挡的情况下的跟踪性能。

基于宽度优先搜索的K-medoids聚类算法

针对传统K-medoids聚类算法对初始值敏感、中心点随机选择以及聚类精度不够高等缺点,在粒计算有效初始化的基础上,提出中心点宽度优先搜索策略。首先,利用粒计算初始化获取K个有效粒子,遴选该K个粒子所对应的K个中心点作为K个初始中心点;然后,根据对象间的相似性分别对K个粒子中的对象建立以中心点为根节点的相似对象二叉树,通过宽度优先搜索遍历二叉树迭代出最优中心点,同时采用簇间距离和簇内距离优化准则函数。实验结果表明,所提算法在UCI中Iris和Wine标准数据集中测试,在有效缩短迭代次数的同时保证了算法聚类准确率。

改进的支持向量回归机在电力负荷预测中的应用

电力预测是一项重要的工程应用。为了解决多层次粒度支持向量回归机(Dynamical Granular Support Vector Regression Machine,DGSVRM)预测电力负低荷精度的问题,提出一种基于萤火虫群优化(Glowworm Swarm Optimization,GSO)算法与模式搜索算法(Pattern Search,PS)的混合算法来优化DGSVRM预测模型的关键参数。仿真实验表明,通过优化参数之后,预测模型的预测精度得到很大提高。

两种新搜索策略对K-medoids聚类算法建模

针对传统K-medoids聚类算法对初始化敏感,中心点盲目搜索更新和聚类准确率不够高等缺点,提出新的改进算法.新算法首先对原始粒计算进行改进,利用改进的粒计算有效初始化K个中心点;其次以K个初始中心点为基点,提出两种中心点搜索更新策略,以提高中心点更新效率;同时采用簇内距离和簇间距离改进传统准则函数,以提高聚类精度.实验结果表明:新算法在UCI中Iris、Wine标准数据集中进行测试,获取了理想的初始中心点,在较少的迭代次数内寻找到最优解,并且大幅度提高了聚类准确率.

基于改进粒计算的K-medoids聚类算法

针对传统K-medoids聚类算法对初始聚类中心敏感、收敛速度缓慢以及聚类精度不够高等缺点,提出一种基于改进粒计算、粒度迭代搜索策略和优化适应度函数的新算法。该算法利用粒计算思想在有效粒子中选择K个密度大且距离较远的粒子,选择其中心点作为K个聚类初始中心点;并在对应的K个有效粒子中进行中心点更新,来减少迭代次数;采用类间距离和类内距离优化适应度函数来提高聚类的精度。实验结果表明:该算法在UCI多个标准数据集中测试,在有效缩短迭代次数的同时提高了算法聚类准确率。

基于层次评分函数的多粒度搜索算法研究

在线论坛中包含了大量的有用信息,通过检索论坛中的数据用户可以方便地获取所需的知识,然而论坛数据的层次特征给内容检索提出了严峻的挑战。针对论坛数据的层次特征,提出了一种基于层次评分函数的多粒度搜索方法。将论坛数据用树型层次结构表示,并基于多个因素提出了融合话题、发言、语句和单词多个粒度的层次评分函数。为了避免多种粒度的数据在返回结果中具有重复性,提出了一种有约束的返回结果最大化模型。将返回结果最大化模型转换为最大独立集合问题,并给出了一种启发式优化算法。实验表明,提出的算法在检索论坛数据时不仅具有很好的效率,而且准确性非常高。

基于优化粒计算下微粒子动态搜索的K-medoids聚类算法

K-medoids算法具有对初始聚类中心敏感,聚类准确度不高及时间复杂度大的缺点。基于此,文中提出一种优化的K-medoids算法;该算法在已有的粒计算初始化基础上进行了改进,以对象之间的相似性作为判断依据,结合最大最小法初始化聚类中心,能有效地获取最佳或近似最佳的聚类中心;在优化的粒计算前提下,提出了基于微粒子动态搜索策略,以初始中心点作为基点,粒子内所有对象到其中心的平均距离为半径,形成一个微粒子;在微粒子内部,采用离中心点先近后远的原则进行搜索,能有效地缩小搜索范围,提高聚类准确率。实验结果表明:在UCI多个标准数据集中测试,且与其他改进的K-medoids算法比较分析,该算法在有效缩短收敛时间的同时保证了算法聚类准确率。

基于粒度的加速求解约简策略

前向贪心搜索策略在约简求解的过程中,需要遍历所有的候选属性,从而确保在每轮迭代时能够选择出最优的属性。在属性数量急剧增加时,利用前向贪心搜索进行约简求解会显式地带来较大的时间消耗。鉴于此,在前向贪心搜索的基础上,依据属性约简过程和粒度的变化关系,提出了基于粒度的加速求解约简策略。该策略的核心思想是以粒度大小为标准,剔除对应着较粗粒化结果的属性,从而压缩候选属性的搜索空间,达到提升约简求解效率的目的。在12组UCI数据集上,采用3种不确定性度量,实验结果表明,相较于前向贪心搜索,基于粒度的加速求解约简策略不仅能够显著地降低约简求解的时间消耗,而且所得到的约简依然具备较好的分类性能,验证了所提算法的有效性。

基于多粒度语义分析的二进制漏洞搜索方法

二进制文件相似度检测旨在通过比较来自不同平台、编译器、优化配置甚至是不同软件版本的2个二进制文件的相似程度来判断二者是否高度相似,其中二进制漏洞搜索为其在信息安全领域的应用之一。二进制漏洞的产生为现代软件应用带来了诸多问题,如操作系统易受攻击、隐私信息易被窃取等。二进制漏洞产生的主要原因是软件开发过程中进行了代码复用却没有进行严格的监管。据此,提出了一种基于多粒度语义特征分析的二进制漏洞搜索方法Taurus,该方法通过3种粒度的语义特征来搜索跨平台的潜在二进制漏洞。给定待检测二进制文件和漏洞数据库,需要对其与漏洞数据库中的每个二进制漏洞进行逐一搜索。首先,分别对2个二进制文件进行语义提取,以获取二者在基本块、函数和模块3个粒度下的语义特征,并执行相似度计算;然后,整合3种粒度下语义特征的相似度,以计算3种文件的整体相似度得分;最后,将待检测二进制文件与漏洞数据库中所有漏洞的相似度得分结果进行降序排序,便获得了该二进制文件的搜索结果报告。经过合理配置下的实验对比,结果表明,Taurus方法在准确性方面要优于基线方法。

基于多粒度匹配的行人搜索算法

行人搜索旨在从一系列未经裁剪的图像中对行人进行定位与识别,融合了行人检测和行人重识别两个子任务。现有的方法设计了基于Faster R-CNN的端到端框架来解决此任务,但是行人检测和重识别两个子任务之间存在特征优化目标粒度不一致问题。为了解决这一问题,提出一种双全局池化结构,使用全局平均池化提取检测分支的共性特征,使用基于注意力机制的全局K最大池化提取re-ID分支的特性特征,为两个子任务提取符合各自粒度特性的特征。同时由于re-ID子任务的细粒度特性,还提出一种改善粒度匹配的画廊边界框加权算法,把查询人和画廊边界框的分辨率差异纳入相似度计算。实验证明融入多粒度的方法有效地提高了单阶段算法在CHUK-SYSU和PRW数据集上的性能。

基于分层传递系统模型的航天器故障诊断方法

针对传统的传递系统模型在航天器自主诊断系统中只能表示单一粒度诊断知识,知识表示的完备性差,导致诊断结果的分辨率不高,且诊断系统执行效率低的问题,提出了分层传递系统模型和诊断方法。为了保证不同粒度诊断知识的完备性表示,将系统模型按不同粒度和结构关系进行分层。通过自顶向下的递归搜索,先监测系统异常,再匹配故障类型,逐层缩小搜索空间,最终找出故障候选集和故障的层次关系。同时为了减小计算规模,在诊断过程中引入了分离策略,降低实时诊断计算量。应用该方法建立了某卫星测控分系统模型并进行故障仿真,结果表明该方法可以增加模型知识表示的完备性,并能有效提高诊断效率和结果的分辨率。