融合Sin混沌和分段权值的阿基米德优化算法

针对阿基米德优化算法(Archimedes optimization algorithm,AOA)存在全局搜索能力弱、收敛精度低,易陷入局部最优等问题,提出融合Sin混沌和分段权值的阿基米德优化算法(SAOA)。采用无限折叠迭代的Sin混沌反向学习策略初始化种群,提高初始阶段解的质量,为全局搜索多样性奠定基础;引入算数交叉算子,将当前个体向与全局最优个体进行交叉,引导种群向最优解区域寻优,提高全局搜索能力;引入分段权值策略,平衡算法的全局勘探与局部开发能力,降低算法陷入局部最优的概率;通过对8个测试函数和部分CEC2014函数进行仿真实验及Wilcoxon秩和检验来评估改进算法的寻优性能,实验结果表明改进算法在搜索精度、收敛速度和稳定性等方面均有较大提升。另外,引入优化机械设计案例进行测试分析,进一步验证SAOA在工程优化问题上的可行性和适用性。

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。

基于优化粒子数和分段权值的粒子群直线电机PID整定

以工程中直线电机伺服系统为研究对象,提出一种优化粒子数量加分段式惯性权重递减的粒子群PID控制器参数优化算法。优化粒子数量的方法可降低函数调用次数,通过对近两代的全局最优值进行比较,得到的误差值如果大于设定值,认为是在初始寻优阶段,保持粒子数量,否则在最终优化阶段,减少粒子数量,所减少的粒子特征是最接近最佳粒子的粒子,以保证在欧氏距离内实现粒子的分散性。最后再结合指数衰减曲线加线性递减曲线构成的分段式惯性权重递减策略提升算法的全局寻优和局部寻优能力。经数值验证分析,该优化算法在保证遍历性的同时,在一定程度上提高了算法的运行速度和寻优精度。实验仿真结果表明,该算法对PID控制器进行参数优化,直线电机系统响应速度快,超调量小,调节时间短。

合理权比对GPS/BDS伪距单点定位结果的影响分析

GPS/BDS组合定位综合利用两系统观测值进行定位解算,但GPS系统与北斗系统间存在着系统差异,为了保证组合定位时两系统间数据合理分配,需确定解算时两系统观测值间合理的权比。本文通过对几组不同先验权比时伪距单点定位结果比较选出的最佳权比与利用Helmert方差分量估计方法求得的两个系统伪距单定位权比进行分析,结果表明,GPS/BDS组合定位时的合理的先验权比为1∶1,但在某些时间段内,其中一个系统的卫星数减少或数据质量不佳等情况时,这会导致该系统观测值在组合定位中的贡献率大大降低,此时就需要分段确定合理权比。

改进AOA结合贝塞尔曲线平滑的机器人路径规划

针对常规机器人路径规划方法的不足,提出结合改进阿基米德优化算法与贝塞尔曲线平滑的路径规划算法。引入混沌Circle映射进行种群初始化,提高初始种群多样性;设计自适应密度降低因子均衡算法全局搜索与局部开发;利用分段惯性权重赋予个体不同搜索和开发能力,降低陷入局部最优解概率。利用改进阿基米德算法对路径规划迭代求解,引入贝塞尔曲线平滑对生成路径平滑处理。实验结果表明,改进算法具有更短的路径长度和更好的路径平滑性。

民事诉讼办案模式研究

民事诉讼发展到今天,办案主体已经由原来的单一审判员发展到现在的书记员、调解员、法官助理、员额法官、陪审员等多元主体,办案程序从单一的开庭裁判发展到立案调解、诉前调解、审前程序、庭审程序、判后答疑等多样程序。人力资源的丰富和民事程序的完善,为创新民事诉讼办案模式提供了资源和土壤。本文在充分总结回顾司法资源逐渐丰富历程的基础上,运用同素异构原理,改变现有管理和资源配置模式,探索“以案件为中心”配置资源,通过分段赋权、细化职责,突出各类主体独立解纷的优势,强化各程序协同作用,实现案件随程序推进逐层过滤、梯次化解,达到审判工作提质增效的目的。

基于MBC和POEM特征的人脸识别方法

针对人脸识别中单一特征难以取得理想效果的问题,提出了基于MBC和POEM特征融合的人脸识别方法.首先,在归一化的人脸图像上提取MBC编码图和POEM编码图,在每个编码图块上生成特征向量,应用线性判别分析对特征向量进行低维映射,并对其进行赋权相加得到最终相似度.所提算法在FERET的Dup1,Dup2,Fb和Fc 4个测试库上取得了较高的识别率,分别为93.77%,90.60%,99.58%和99.49%;在误识率为0.1%的条件下,在4个测试库上的认证率分别为95.70%,92.31%,99.75%和100%,进一步验证了该方法的有效性.

基于可变窗口视差优化的并行立体匹配

针对现有局部立体匹配算法在计算精度和执行效率之间的权衡问题,提出一种基于可变窗口视差优化的并行立体匹配方法。为弥补ESAW(Exponential Step Adaptive Weight)代价聚合方法所造成的精度损失,在视差优化阶段,为每个误差点建立一个基于颜色相似度和欧式距离的可变窗口,并将误差点分为遮挡和误匹配两类,针对不同的类型采用不同的优化策略;利用CUDA(Compute Unified Device Architecture)技术将算法在图形处理器上进行并行优化和验证。实验结果表明,与现有Middlebury测试平台中列出的并行立体匹配算法相比,具有更好的计算精度。

基于SWGPSO算法的多序列比对

针对粒子群优化(PSO)易陷入局部最优、收敛速度慢的现象,提出一种新的惯性权重取值方法——分段取值惯性权重(SW)方法。该方法在算法前期增加粒子多样性,后期加速算法收敛。针对PSO仅使用2个最优值寻优的问题,引入第3个最优值GB,将SW与GB结合,改进PSO的进化方程。实验结果表明,该算法解决多序列比对问题时,可以有效地避免算法早熟,并提高解的精度。