确定型标签防碰撞算法研究综述

确定型标签防碰撞算法是无线射频识别(Radio Frequency Identification,RFID)技术中一种关键性的标签防碰撞算法,可100%识别完毕所有待测标签。本文对确定型标签防碰撞算法的核心思想进行深入探讨,总结归纳不同确定型标签防碰撞算法的优缺点,结合现状,提出下一步研究方向。

作业外包与单机批调度联合优化问题的确定型启发式算法

从制造商角度出发,研究了考虑作业外包选择的单机批调度联合优化问题,建立了以最小化作业外包总成本与内部批加工总成本之和为目标函数的0-1规划模型,并分析了该问题的NP困难性和优化性质。在此基础上,利用两种不同的外包作业集决策方式以及与之相适应的作业筛选次序组,设计出两种具备多项式时间复杂度的确定型启发式算法,即作业加入型算法和作业剔除型算法。在仿真实验中,针对大量测试算例对比分析了这两种算法在优化质量、运行耗时上的性能表现。实验结果表明,两种算法均能在极短时间内求得较高质量的近似解,但作业剔除型算法在优化质量上要显著优于作业加入型算法。

大规模图例的最大团问题算法分析

最大团问题是一个经典的组合优化问题,在蛋白质功能推测、竞胜标确定、视频对象分割等领域有广泛的应用。随着图例规模的增大,最大团问题求解难度增加,常规图例最大团求解算法已逐渐被大规模图例最大团求解算法取代。介绍求解大规模图例最大团问题的技术支撑点,重点总结基于大规模图例的最大团问题算法,并在大数据计算背景下对融合单层图划分方法和多层图划分方法的MapReduce框架和Spark框架进行优缺点分析。此外,比较k-core方法与k-community方法的应用场景,从算法分类的角度总结不同类型算法的优缺点,对求解大规模图例最大团问题的确定型算法进行梳理,并对代表性的求解算法在公开数据集中的表现进行对比分析。基于分析结果,指出不同算法在求解大规模图例最大团问题时需要重点关注的方面,并展望了智能优化算法、分层式深度强化学习方法、图结构相变分析技术的未来研究方向。

基于鲁棒马氏距离的LiDAR点云粗差探测与分析

基于鲁棒马氏距离,提出了针对LiDAR点云的粗差探测与剔除算法。首先,将LiDAR点云数据划分为子块,对各个子块点云分布的中心、尺度等统计参数使用确定型最小广义方差估计算法进行鲁棒估计。而后计算各点的鲁棒马氏距离,根据鲁棒马氏距离的平方服从卡方分布的假设,在指定的置信度下得出相应的粗差判别限,对点云的粗差进行识别与剔除。将粗差探测与剔除算法应用到甘肃天水桥子沟一条典型切沟的测量数据中,测试了点云分块中不同子块大小与detMCD中不同子样本相对大小这两个参数与粗差剔除率的关系。结果表明,随着子块平均点数的增大,粗差的剔除率逐渐增大;而随着子样本相对大小的增加,粗差的剔除率逐渐减少。通过粗差剔除前后的点云TIN图像和剖面图像比较,本文提出的粗差探测与剔除算法可以有效去除LiDAR点云数据中的粗差,提高粗差剔除的准确性与可靠性。

装箱问题的算法及最新进展

装箱问题在经济社会发展中扮演着重要的角色,该问题研究的是寻找较好的布局方式,尽可能实现利益的最大化.装箱问题具有NP-难性质,其理论和应用研究存在一定的挑战,但因其有广泛的应用背景而受到研究者高度的关注.本文主要总结近几十年来装箱问题的研究成果,特别针对一维、二维和三维单目标装箱问题和算法,以及多目标装箱问题的算法进行概括和总结,并提出装箱问题算法上有待进一步的研究工作.