基于信息素异步更新的蚁群算法

针对基本蚁群算法中蚂蚁速度无限且信息素同步更新的假定前提,提出一种基于信息素异步更新的改进蚁群算法。该算法以蚂蚁的速度有限为前提,采用异步更新规则来调整各个蚂蚁的信息素浓度,从而间接改变蚂蚁间合作方式。该算法更忠实于实际蚁群的寻路过程,算法具有更好的全局搜索能力。基于旅行商问题的实验验证了算法的有效性、鲁棒性及解的多样性。

基于ORDB的分布式空间数据异步更新模型研究

随着目前数据库技术与GIS应用的结合,采用对象关系数据库来管理空间数据已表现出强大的生命力。空间数据的更新处理,在解决空间数据共享和空间数据的互操作性方面有着重要的意义。在基于对象关系数据库管理空间数据的基础上,设计了一种分布式空间数据的异步更新模型,从而可以较好地应用于对移动式分布空间数据的更新信息处理。

基于异步更新策略的蚁群边缘提取算法

针对蚁群算法在提取边缘不连续以及难以搜索到弱边缘的问题提出了改进措施,利用Otsu预处理,并对信息素矩阵和启发式矩阵初始化做了改进,同时加入信息素异步更新策略和参数自适应修改来避免过早陷入停滞从而发现更多弱边缘。通过主观对比和定量分析,本文方法提取了更多的连续边缘以及弱边缘,具有更好的鲁棒性。

基于多列卷积神经网络的参数异步更新算法

针对现有人群计数算法采用同步人工优化深度学习网络,忽略了网络学习的负面信息,导致大量冗余参数甚至过拟合,进而影响到计数准确性的问题,提出基于多列卷积神经网络MCNN(Multi-column Convolution Neural Network)的参数异步更新算法。首先将单帧图像输入网络,经过三列卷积分别提取不同尺度特征,通过列之间的交互信息学习两列间特征图的关联性;接着,根据优化的交互信息及更新的损失函数异步更新每列参数直至算法收敛;最后采用动态卡尔曼滤波将每列输出密度图进行深度融合,并对融合的密度图中所有像素求和得到图像总人数。实验结果表明,所提算法在UCSD(University of California San Diego)数据集上的平均绝对误差(MAE)比该数据集上最优MAE表现的ic-CNN+McML(Iterative Crowd Counting Convolution Neural Network Multi-column Mutual Learning)减小了1.1%,均方误差(MSE)比该数据集上最优MSE表现的CP-CNN(Contextual Pyramid Convolution Neural Network)减小了4.3%;所提算法在ShanghaiTech Part_A数据集上的MAE比该数据集上最优MAE表现的ic-CNN+McML减小了1.7%,MSE比该数据集上最优MSE表现的ACSCP(Adversarial Cross-Scale Consistency Pursuit)减小了3.2%;在ShanghaiTech Part_B数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了18.3%、35.2%;在UCF_CC_50(University of Central Florida Crowd Counting)数据集上的MAE和MSE分别比该数据集上最优MAE和MSE表现的ic-CNN+McML减小了1.9%、9.8%。可见,该算法能有效提高人群计数的准确性和鲁棒性,且允许输入图像具有任意大小或分辨率,能适应检测目标的大尺度变换。

森林资源时空数据异步更新与回溯算法研究

针对目前森林资源数据同步更新和更新后时空数据有效回溯的问题,通过改进传统的小班数据表和小班经营活动表,增加小班经营活动历史表,采用十字链表存储变化小班之间的关系,研究给出了森林资源空间数据和属性数据的异步更新和回溯算法,实现了小班数据的异步更新和动态回溯。

资源结构映像异步更新策略及其在JBCM中的应用

使基于构件的软件配置管理系统支持对配置资源的并发访问是一种必然要求,为此提出了一种资源结构映像异步更新策略用以实现这一目标.这种方法已由北京大学软件工程国家工程中心应用于青鸟软件配置管理系统(JBCM).

基于分块提取与异步更新的目标跟踪算法

为解决复杂环境下跟踪算法面临的光照变化、遮挡及相似干扰等问题,提出了基于多模型融合的自适应分块鲁棒目标跟踪算法,算法基于局部敏感直方图构建光照不敏感特征,基于超像素分割对采集图像进行自适应分块,以充分发挥子块的特征一致优势;通过相对熵和均值聚类构建双权值约束,以自适应提取高置信度子块进行目标跟踪,从而避免全局搜索并提高跟踪的精确性和实时性;算法通过遮挡检测和子块异步更新,进一步提高算法的运行效率和鲁棒性,提高模型对背景信息的过滤能力。实验结果表明,与其他跟踪方法相比,在包括遮挡、光照变化、相似目标和背景干扰等复杂场景下,该算法具有更优的跟踪精度和跟踪正确率,以及对不同场景的适应性和鲁棒性。

两阶段文档筛选和异步多粒度图多跳问答

多跳问答旨在通过对多篇文档内容进行推理,来预测问题答案以及针对答案的支撑事实。然而当前的多跳问答方法在文档筛选任务中旨在找到与问题相关的所有文档,未考虑到这些文档是否都对找到答案有所帮助。因此,该文提出一种两阶段的文档筛选方法。第一阶段通过对文档进行评分且设置较小的阈值来获取尽可能多的与问题相关文档,保证文档的高召回率;第二阶段对问题答案的推理路径进行建模,在第一阶段的基础上再次提取文档,保证文档的高精确率。此外,针对由文档构成的多粒度图,提出一种新颖的异步更新机制来进行答案预测以及支撑事实预测。提出的异步更新机制将多粒度图分为异质图和同质图来进行异步更新以更好地进行多跳推理。该方法在性能上优于目前主流的多跳问答方法,验证了该方法的有效性。

Spark环境下基于子图的异步迭代更新方法

全局同步计算模型简单易用,但是路障同步导致收敛速度变慢。以顶点为中心的异步迭代虽然提高了收敛速度,但在计算节点之间需要频繁发送信息。在Spark环境下提出一种基于子图的异步迭代更新方法。在子图之间建立异步消息通信连接后,子图能以异步方式发送数据块;通过多线程同步避免数据读写冲突,保证异步更新时顶点状态的一致性。在大规模样本数据集上分别从收敛结果、收敛速度和通信代价验证方法有效性。实验结果表明,与全局同步迭代相比,该方法有效提高了计算收敛速度。与顶点为中心的异步更新方式相比,该方法在收敛时间上略有增长,但是显著降低了通信开销。

采用异步状态更新的红外与激光联合跟踪

仅有角度信息的红外单站对机动目标存在跟踪缺陷。红外和激光传感器可以实现优势互补,但是要处理好数据采样同步的问题。文中提出了一种多传感器异步状态更新(MAUS)跟踪机动目标的思想,红外和激光联合跟踪。红外站采用伪线性滤波,异步更新过程中可以校正激光的线性化误差。采用异步更新计算简便,对传感器同步要求小。

基于异步Dueling DQN和计划时间预测网络的连接优化器

连接顺序选择是查询优化领域中极具挑战性的研究方向,对于数据库管理系统获得良好的查询性能至关重要.然而,传统优化方法和现有智能优化方法均存在着不足,如规划时间过长、容易得到质量较差的连接计划、编码未考虑结构特征、依赖基数估计和代价估计使得连接计划无法反映真实的执行时间等.针对上述问题,提出了一种新型基于异步Dueling DQN(Deep Q-network)和计划时间预测网络的连接优化器:ADP-Join(Asynchronous Dueling DQN and Plan Latency Prediction Network for Join Order Selection).ADP-Join集成了一种新的编码方法,能够区分不同结构的连接计划.ADP-Join设计了计划时间预测网络PLN(Plan Latency Prediction Network)来改善现有基于强化学习优化器的奖励机制.再者,提出异步更新机制改进Dueling DQN模型来提升训练性能和减少训练时间.大量的实验结果表明,在TPC-H和JOB真实数据集上ADP-Join的性能优于现有的智能优化器.

大数据下基于异步累积更新的高效P-Rank计算方法

P-Rank是SimRank的扩展形式,也是一种相似度度量方法,被用来计算网络中任意两个结点的相似性.不同于SimRank只考虑结点的入度信息,P-Rank还加入了结点的出度信息,从而更加客观准确地评价结点间的相似程度.随着大数据时代的到来,P-Rank需要处理的数据日益增大.使用MapReduce等分布式模型实现大规模P-Rank迭代计算的方法,本质上是一种同步迭代方法,不可避免地具有同步迭代方法的缺点:迭代时间(尤其是迭代过程中处理器等待的时间)长,计算速度慢,因此效率低下.为了解决这一问题,采用了一种迭代计算方法——异步累积更新算法.这个算法实现了异步计算,减少了计算过程处理器结点的等待时间,提高了计算速度,节省了时间开销.从异步的角度实现了P-Rank算法,将异步累积更新算法应用在了P-Rank上,并进行了对比实验.实验结果表明该算法有效地提高了计算收敛速度.

一种基于异步联邦学习的安全聚合机制

针对异步联邦学习的客户端数据隐私保护难度高、存在推理攻击等安全问题,提出一种基于异步联邦学习的安全聚合机制。根据客户端异步学习的特征,利用秘密分享与Paillier同态加密等技术在客户端选择自己的秘密份额用于掩盖客户端模型参数,服务器则利用拉格朗日插值法恢复总秘密用于获取聚合的全局参数,在保留异步模型低开销与高精度的优势下,具备抵御推理攻击的能力,使模型更加可靠实用。实验结果表明,所提安全聚合机制在每轮迭代中,客户端加密的平均耗时为0.226 s,服务器安全聚合的平均耗时为0.363 s。与模型训练相比,安全聚合产生的时间开销极小,且提高了模型的安全性。

一种求解作业车间调度问题的异步元胞遗传算法

以最快完工时间最少为目标建立了作业车间调度数学模型。将一种异步更新策略引入元胞遗传算法,提出了一种异步元胞遗传算法(acGA)。采用acGA和传统遗传算法求解作业车间调度实例,结果对比表明在求解作业车间调度问题时,acGA与sGA相比搜索能力更强,收敛速度更快,算法的稳定性也更好,表明acGA是一种求解JSP问题的有效算法。

基于异步合作更新的LSTM-MADDPG多智能体协同决策算法

针对完全合作型任务中,多智能体深度确定性策略梯度(MADDPG)算法存在信度分配以及训练稳定性差的问题,提出了一种基于异步合作更新的LSTM-MADDPG多智能体协同决策算法。基于差异奖励和值分解思想,利用长短时记忆(LSTM)网络提取轨迹序列间特征,优化全局奖励划分方法,实现各智能体的动作奖励分配;结合算法联合训练需求,构建高质量训练样本集,设计异步合作更新方法,实现LSTM-MADDPG网络的联合稳定训练。仿真结果表明,在协作捕获场景中,本文算法相较于QMIX的训练收敛速度提升了20.51%;所提异步合作更新方法相较于同步更新,归一化奖励值均方误差减小了57.59%,提高了算法收敛的稳定性。

一种基于广义异步值迭代的规划网络模型

近年来,如何生成具有泛化能力的策略已成为深度强化学习领域的热点问题之一,并涌现出了许多相关的研究成果,其中的一个代表性工作为广义值迭代网络.广义值迭代网络是一种可作用于非规则图形的规划网络模型.它利用一种特殊的图形卷积算子来近似地表示状态转移矩阵,使得其在学习到非规则图形的结构信息后,可通过值迭代过程进行规划,从而在具有非规则图形结构的任务中产生具有泛化能力的策略.然而,由于没有考虑根据状态重要性来合理分配规划时间,广义值迭代网络中的每一轮迭代都需要在整个状态空间的所有状态上同步执行.当状态空间较大时,这样的同步更新会降低网络的规划性能.用异步更新的思想来进一步研究广义值迭代网络.通过在值迭代过程中定义状态优先级并执行异步值更新,提出了一种新型的异步规划网络模型——广义异步值迭代网络.在未知的非规则结构任务中,与广义值迭代网络相比,广义异步值迭代网络具有更高效且更有效的规划过程.进一步地,改进了广义值迭代网络中的强化学习算法及图形卷积算子,并通过在非规则图形和真实地图中的路径规划实验验证了改进方法的有效性.

网络传播动力学模拟方法评述

借助计算机实验模拟方法是预警和控制流行病传播的一个重要研究手段。该文以SIS和SIR两种经典传播模型为例,详细地介绍了利用同步更新方法和异步更新方法模拟流行病的传播过程,并比较了两种模拟方法的时空复杂度、联系及差异性。理清两种不同的计算机模拟方法不仅有助于加深对传播动力学的认识,还有助于提出和发展新的理论框架。

局部优先的社会网络社区结构检测算法

考虑到社会网络中影响力大的节点对社区的形成具有一定的促进作用,以及基于局部微观角度更加易于检测社区结构等问题,提出一种基于局部微观结构极大团的同步自适应标签传播算法(synchronous adaptive label popagation algorithm,ALPA-S)和异步自适应标签传播算法(asynchronous adaptive label propagation algorithm,ALPA-A)检测社会网络中的社区结构。这两种算法均是通过寻找社会网络中不相交极大团,并为极大团中节点赋予标签及权重的方式获取标签更新时需要的种子,采用社会网络中节点均拥有标签作为算法迭代终止条件。这种策略降低了两种算法的开销,并使标签在有意义的局部范围内传播。在仿真网络和真实网络上的实验结果表明该微观结构极大团是社区结构的核心,异步算法ALPA-A较同步算法ALPA-S更易于收敛以及同步算法ALPA-S具有较好的社区检测质量、自适应性和健壮性,能够适应多种类型拓扑结构的社会网络。

多数据库中间件中分布异构数据缓冲区系统的实现

实现了多数据库中间件中分布异构数据缓冲区,该模型能够实现分布异构数据对象的数据双向同步/异步更新机制;采用的全局数据对象存储模型和缓存管理使数据在缓冲区存储并被用户高效快捷地访问;实现了全局事务管理策略,包括局部代理的设计、全局事务的并发控制、全局事务提交协议等。

大规模聚集人群的疏散仿真模型研究

人群聚集区的安全疏散可以在最大程度上降低踩踏风险,但是在人群疏散的过程中,人员大量聚集导致发生突发状况时人群会存在较大的方向冲突,传统方法中的动态参数模型用参数简化了行人对周围环境的判断而进行的决策过程,但是该模型演化规则对冲突处理过于简单,对多人竞争同一个空位的冲突处理与实际不符,最终只有一个个体以等概率真正移动,其它几个则保持不动,降低了疏散效率。为此,提出了一种改进的基于摩尔型领域的二维元胞自动机的仿真疏散模型,修改了传统方法中多人竞争同一空位时的处理规则,并根据实际情况,将规则由同步更新变成了异步更新。改进后的模型强调理性个体在发生竞争冲突时对决策的理性判断,通过循环次优化选择模拟行人移动的决策,真实反映了行人对领域环境根据理性判断做出的行为选择,表现出了行人的思考和对周围环境反应的能力。利用该模型对室内行人进行疏散仿真,分析了行人分布、行人密度以及出口宽度对疏散效率的影响。仿真结果表明,改进模型更真实地模拟个体行为,平均疏散时间随密度和出口宽度变化的模拟结果与实际情况相符,证明了提出的模型的合理有效性,且适应性强,效率高。