基于MPI的最小费用流网络单纯形并行算法设计与实验

网络最小费用流算法常用来解决资源流最优分配问题,传统的串行算法因时间复杂度高而不能满足大规模网络对计算效率的要求。该文用时间复杂度低的网络单纯形算法(NSA)的并行化求解大规模网络的最小费用流问题。通过分析NSA的可并行性,使用MPI分布式并行技术,设计了NSA并行算法;分析了3种常用流网络的拓扑结构特征及其与地理网络的关系;在并行环境下对计算效率进行实验测试,结果表明该算法具有显著的加速效果,峰值可达5.4。NSA并行算法应用面宽,可为区域及全国性大规模网络流资源分配方案的快速制定与政务决策提供有力支持。

基于神经网络的丙烯腈流化床反应器的模拟与离线优化

利用人工神经网络的方法建立了工业合成丙烯腈流化床反应器的数学模型。采用遗传算法与梯度下降法相结合的方法训练神经网络的权值和阀值。经过训练和可靠性检验的人工神经网络能够满足工业生产的模拟要求。利用单纯型算法与遗传算法相结合的优化方法对合成丙烯腈工业流化床反应器进行了操作条件优化 。

混合遗传算法在WSNs定位中的应用

定位是无线传感器网络(WSNs)的应用支撑,针对用最小二乘法处理DV—Hop算法第三阶段误差过大、定位精度差的问题,提出了遗传算法(GA)+单纯形法的混合GA后期优化处理DV—Hop算法。其中,DV—Hop定位算法第一,二阶段用跳距估计出信标节点与未知节点间的距离,再用GA(建立了代价函数与惩罚函数结合的适应度函数)与单纯形法(作为遗传算子增加了算法的局部搜索能力)结合的混合GA采用保优原则优化未知节点的坐标。通过仿真可知:该算法的定位精度高、网络覆盖率大,适合WSNs的定位。

基于遗传单纯形神经网络的大坝变形监控模型

本文针对遗传算法局部搜索能力差的缺陷,把单纯形法嵌入到遗传算法中构成复合遗传算法,建立了基于遗传单纯形神经网络的大坝变形监控模型。实例研究表明,该模型较遗传神经网络模型、BP模型收敛性能好,具有较高的预报精度、较快的训练速度和较强的泛化能力,用于大坝变形预测有效可行,具有良好的应用前景。

基于一类GA-RBF神经网络的转炉炼钢静态模型控制

讨论了具有非线性、大时滞、不确定特性的工况复杂的转炉炼钢过程建模与控制问题.针对传统的控制方法控制效果差、精度不高,难以达到期望结果的问题,结合RBF神经网络的特点,提出用基于混合编码方式的混合遗传算法训练的RBF神经网络,同时优化网络的结构和参数,并利用RBF神经网络建立转炉炼钢静态模型.仿真结果表明,该模型具有在线调整和学习的功能,比传统模型具有更好的计算精度和适应能力,为提高转炉冶炼过程的控制精度给出了一个有效的方法.

BP-MSM混合算法及其在森林自疏规律研究中的应用

森林自然稀疏机制一般是非线性的、动态的 .人工神经网络具有逼近任意非线性映射的特性 .本文阐述了人工神经网络模拟森林自疏机制的可行性和不足之处 ,并提出了基于改进单纯形法的神经网络模型 (BP MSM混合算法 )的基本原理和算法 ,结合山杨天然林和杉木人工林自疏实例说明了其应用 .森林自疏实例应用结果表明 ,BP MSM混合算法模拟森林自然稀疏机制是理想的 ,模拟精度较高 ,从而继承和发展了人工神经网络方法与理论 ,丰富了森林自然稀疏规律研究方法 .

无级电话网非线性单纯形动态路由策略及算法评估方法

无级电话网动态路由技术是充分利用现有设备、提高服务质量的关键技术.为了提高求解速度和求解质量,本文提出一个基于非线性单纯形动态路由策略及其评估方法;介绍了在离散的解空间中根据链路负载均方差构造动态路由最优化问题和算法的具体实现;并根据话务溢出率和网络阻塞率对网络正常或网络异常情况下的算法求解结果进行评估;分析了系统运行情况和话务模拟结果.仿真实验与评估结果说明该策略能够在很短的时间内得到质量较优的全局优化的路由方案,该策略正应用于广东省电话网智能管理系统.

基于混合遗传算法的自适应神经网络优化设计

传统遗传算法优化神经网络存在"近亲繁殖"、"早熟收敛"、收敛速度慢和容易陷入局部极小等缺点.将适应度与相应的个体数目相联系,提出一种自适应交叉变异概率,并将其用于遗传操作,使得个体具有较强的多样性,一定程度缓解种群"早熟";将单纯形法和遗传算法结合到一起,使遗传算法的搜索更具有方向性,提高遗传算法的搜索能力,加快收敛速度.仿真实验进一步证明本文提出的算法对加快收敛速度,防止"近亲繁殖",保持种群多样性比较有效.

基于稀疏性理论与子问题耦合的多目标跟踪方法

针对多数目标跟踪方法在非受控环境中稳定性不高以及检测-跟踪模块分离的缺点,提出一种稀疏性检测器与网络数据关联技术相结合的多目标跟踪方法。离散化目标的移动空间,对于3D的每个可能位置,将目标投影到图像平面,形成码字并构建字典。扩展模型至多类别跟踪情况,并根据耦合公式分配给子问题和协调局部解以实现解的最优化。使用网络单纯形算法解决最小成本流数据关联问题。在BU-Marathon,PETS2009等公开数据集上的实验结果表明,与能处理遮挡的多目标跟踪方法相比,该方法具有较高的跟踪精度,误检率和漏检率更低。

基于计算智能的地铁隧道施工进度-成本优化

对于工序复杂的地铁隧道施工进度-成本优化问题,为了避免数学公式难以准确表达进度和成本之间的非线性关系,提出运用计算智能技术中的遗传神经网络和免疫粒子群算法的组合方法寻优。首先,通过遗传算法对BP神经网络的权值和阈值进行优化;然后,运用实际工程中进度和成本数据分别进行BP神经网络模型的训练和测试;最后,基于得到的BP神经网络模型和免疫粒子群算法实现对进度-成本寻优。通过该组合方法和基于数学公式的单纯形法分别求解算例,对比通过单纯形法求解出的准确结果,验证了该组合方法能够比较准确地解决进度-成本优化问题。因此,基于遗传神经网络和免疫粒子群算法的组合方法为工序复杂的地铁隧道施工进度-成本优化提供了一个较优的途径。

船型论证方法研究与计算机应用软件设计

本文在分析了传统的船型论证方法的不足之后,提出了一种新的论证方法——最优方案直接搜索法。搜索过程可采用单纯形算法。在介绍该方法之后对计算机软件进行了设计,并用此软件对北仑——宝钢运矿航线最佳船型进行了论证。

基于新进化优化BP学习算法的心音识别方法

为提高人工智能辅助诊断心音识别的准确率,根据心音信号的周期性特点,提出以快速主成分分析算法对心音信号降维和提取特征,同时基于单形进化算法,优化BP神经网络学习算法的输出与期望的误差函数,以改进BP神经网络的学习性能,实现对心音信号高准确度的分类识别.针对正常心音及8类异常心音信号进行性能分析与测试,实验结果表明,各类心音的平均识别率为95.96%,改进算法比其他对比算法识别率分别提高了4.9%,3.9%,1.9%,表明该算法能更有效地分类识别心音信号,提高人工辅助诊断的识别率.

最小费用增益流

本文研究了具有分段线性费用的最小费用增益流问题。由于求满足边界条件的最短轨问题是NP完全问题[4,5],因此我们采用了线性规划的方法。本文提出了一系列与分段线性费用相对应的定理和概念,在此基础之上描述了一个初始对偶算法,它是Jewell算法[3]的自然推广,它完善了初始化的算法,是有效的, 计算复杂度为o((m+n)~3n)。

无线多跳网络的网络寿命最大化模型及其求解

为了拓延多跳网络的网络寿命,提出基于无线能量传输的网络寿命延长算法(WPEL)。WPEL算法针对多跳传输的协作无线能量传输(wirelesspowertransfer,WPT),构建系统模型,并将其表述成优化问题。该优化问题以最大多跳网络的寿命为目标,以优化每个节点的WPT时间为手段。证明多跳节点的寿命具有聚合特性,将优化问题转化为可处理的线性规划问题,利用对偶单纯形法求解,获取各节点的最优WPT时间,进而延长网络寿命。仿真结果表明,在无线传感网络和移动自组织网络环境下,WPEL算法的网络寿命性能优于传统的WPT算法。

天然气管网经济效益研究与系统设计

我国天然气管网已经形成全国性供气网络,管网在保证全国供气的可靠性与连续性等方面具有重要意义。然而,管网存在诸多问题有待解决:天然气调度复杂、输配任务繁重;管网进出气点、分输点、管线、输配气场站数量众多;管径规格、压力等级差异大,现有调配制度仍以进出气平衡为主要标准,未能充分考虑用户、输气效益等问题。因此,研究了各管网公司管输费计算、最佳输气路线计算,并引入改进的单纯型法优化现有输气方案,同时开发出了相应软件便于工作人员使用,为该管网安全可靠经济的输气性运营提供支撑。

A NEW ALGORITHM FOR PURX O-1 LINEAR PROGRAMS WITH INEQUALITY CONSTRAINTS

ＡＮＥＷＡＬＧＯＲＩＴＨＭＦＯＲＰＵＲＸＯ－１ＬＩＮＥＡＲＰＲＯＧＲＡＭＳＷＩＴＨＩＮＥＱＵＡＬＩＴＹＣＯＮＳＴＲＡＩＮＴＳ￥ＣＨＥＮＪｉａｎｆｅｉ（ＢｉｏｃｈｅｍｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙ，Ｂｅｉｊｉｎｇ１０...

基于持续同调的在线社交网络关键节点发现方法

在线社交网络中关键节点的识别对研究网络的生存性和鲁棒性具有重要意义,现有众多关键节点研究大多从节点的局部环境及对网络功能的影响出发,并未考虑网络的全局拓扑结构.持续同调是计算拓扑的工具,可以捕捉高维的拓扑特征而被广泛应用于复杂网络的分析.文章首先定义了基于持续同调论的节点单形中心性,给出了新的在线社交网络中节点重要度描述指标.其次,提出了基于单形中心性的关键节点发现算法(KDSC)以得到社交网络中节点的重要度排序,从而系统地给出了一种基于持续同调的关键节点度量和发现方法.在验证实验中,文章对真实社交网络的节点单形中心性进行评价和分析,与传统度量指标进行对比讨论;利用KDSC求解关键节点,并与经典关键节点发现算法进行对比.实验结果表明,单形中心性可以有效刻画网络中节点的拓扑特征且KDSC算法能有效地发现网络中的关键节点.