兼顾采样与光照影响的改进多通路Metropolis光照传播算法

为了解决多通路Metropolis光照传播算法局部明暗混合位置采样数量和光照分布不对称的问题,提出一种兼顾采样数量和光照影响的改进算法.首先记录采样数量和光照强度;其次当采样数量达到阈值,根据采样数量和光照强度计算出当前像素八邻域位置的采样权重;最后,以采样权重来影响不同位置的采样比重.采用不同算法在不同光照和材质场景下进行实验,结果表明,该算法改进了明暗混合位置的对称性问题,提升了渲染逼真度.

自适应采样多通路Metropolis算法

多通路Metropolis光照传播算法(multiplexed metropolis light transport,MMLT)存在相邻像素内的路径样本差异性大的缺陷,导致最终生成的渲染图像出现大量噪声。为解决该问题,以像素内采样样本为集合,引入Deluca-Termini模糊度作为像素噪声水平的评价标准;为降低当前像素和周围像素内路径样本的差异性,采样过程中当采样数量达到一定数目后,将模糊度作为当前像素八邻域位置的采样权重;以权重影响不同噪声水平像素采样比重,进行自适应采样。实验结果表明,引入模糊度作为权值的八邻域自适应采样算法切实改进了不同光照材质场景中的渲染效果,减少生成图像噪声的同时改进了整体的采样分布。

基于差分进化-自适应Metropolis算法的桥梁工程研究

提出1种结合差分进化-自适应Metropolis算法(DREAM KZS)和克里金模型的多链贝叶斯模型更新框架。该框架融合敏感度分析以减少参数维度并便于参数选择。此外,利用克里金模型来节省计算成本。该框架还采用DREAM KZS算法与多采样策略,通过考虑模型参数、测量和模型输出之间的交叉协方差来增强后验分布的探索效率。通过增加样本多样性同时减少并行链的数量,实现快速准确的模型更新。结果表明通过对简支梁的数值研究,验证DREAM KZS算法的收敛速度和精度,提出的DREAM KZS贝叶斯模型更新框架在六跨铁路高架桥的模型更新应用中表现出优异的性能,由于需要重复的模型评估,高度耗时和高保真度的有限元模型阻碍有效的模型更新。

基于Metropolis准则的Q-学习算法研究

探索与扩张是Q-学习算法中动作选取的关键问题,一味地扩张将使智能体很快地陷入局部最优,虽然探索可以跳出局部最优并加速学习,而过多的探索将影响算法的性能.通过把Q-学习中寻求最优策略表示为组合优化问题中最优解的搜索,将模拟退火算法的Metropolis准则用于Q-学习中探索和扩张之间的折衷处理,提出基于Metropolis准则的Q-学习算法SA-Q-learning.通过实验比较,它具有更快的收敛速度,而且避免了过多探索引起的算法性能下降.

基于Metropolis判别准则的遗传算法

针对遗传算法在应用过程中出现的过早收敛问题，引入Ｍｅｔｒｏｐｏｌｉｓ判别准则对复制算子加以改进，并从理论上对遗传算法的收敛性进行分析。仿真结果证明了该算法解决过早收敛问题的有效性。

基于方差过滤的改进多通路Metropolis光线传输算法

为了解决多通路Metropolis光线传输算法启动偏差的问题,使其快速从任意分布到达稳定分布,提出一种方差过滤的改进算法.首先存储预采样阶段得到的高贡献样本;其次对样本进行方差判断;最后保留贡献高且方差小的一定数量的样本作为种子样本进入正式采样.采用不同算法在不同场景下进行实验,结果表明,在直接光照和混合光照的场景下,该算法可以更快的速度产生噪声更少的结果.

基于突变策略改进的Metropolis光线追踪算法

由于Metropolis光线追踪是在对最终图像贡献更大的有效路径邻近区域进行路径突变,所以很容易使路径采样陷入局部性。为使路径采样更好地遍历路径空间,对Metropolis光线追踪中路径突变策略进行改进,根据当前路径的贡献来决定是继续在当前路径邻近区域进行路径突变,还是随机产生新的路径作为初始路径样本。实验表明,相对于Metropolis光线追踪算法和PSSMLT(primary sample space Metropolis light transport)算法,改进算法在可接受时间范围内能更好地遍历路径空间,并且能生成噪声更小的图像。

基于Metropolis遗传算法的并联机器人结构优化设计

以六自由度Stewart并联机器人的灵巧度为目标函数,以设计空间、每条支腿的最大最小长度之比和虎克铰、球铰的极限摆角为约束条件建立了结构优化模型.将模拟退火算法中的M etropolis准则引入到实值编码遗传算法的选择操作中,产生了M etropolis遗传算法,采用该算法进行了并联机器人结构优化问题的求解.通过与采用标准遗传算法得出的结果比较,证实了M etropolis遗传算法在并联机器人结构优化设计中的有效性和优越性.

基于自适应Metropolis算法的α稳定分布参数估计

基于马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)方法的α稳定分布参数估计具有良好的性能,但不合适的提议函数常导致算法不收敛或混合性能不好。针对提议函数难以选择的问题,提出了一种基于自适应Metropolis算法的非对称α稳定分布参数估计新方法。该方法利用Markov链的历史信息自动调整提议函数的协方差矩阵,使其不断地逼近目标分布,从而获得更好的估计结果。理论分析和仿真结果表明,此方法不仅能准确地估计出α稳定分布的4个参数,而且具有良好的鲁棒性和灵活性。

基于Metropolis-SA算法的脑部磁共振血管造影图像分割

目的利用三维Markov随机场(MRF)模型分割脑部磁共振血管造影(MRA)。方法 MRF的似然概率采用了瑞利分布和高斯混合分布函数,并利用最大期望(EM)算法精确估计出混合参数;先验概率采用Ising-MRF模型,并利用误差试探法估计出正则化参数。为避免利用迭代条件模式(ICM)进行图像分割时常陷入局部最优解,实验提出了基于Metropolis采样算法的模拟退火(SA)技术。结果实现了三维MRF的全局最优解,分割模型可分辨3个体素的细小血管。临床数据采用南方医院影像中心提供的患者TOF-MRA数据(1.5TGEMRIscanner),空间分辨率0.43mm×0.43mm×0.50mm;原始数据的像素空间大小为512×512×128;实际采用的空间大小和分辨率分别为256×256×64和0.80mm×0.80mm×1.20mm。实验对每一套临床数据采用SA、ICM、MSA算法分别进行分割比较,分割结果存在有限差异,采用15步迭代计算的时间消耗分别为1 029 s、463 s、560 s。结论实验通过三维仿真数据分割结果表明,Metropolis-SA迭代求解算法能够实现更低的全局误差,并且实际脑部MRA数据的分割与最大密度投影相比较,反映出较好效果。

联合Metropolis算法和MDL准则的密集多目标分辨算法

针对单脉冲雷达处理同一分辨单元内密集多目标回波时收敛较慢的问题,提出了一种将Metropolis算法和最小描述长度(MDL)准则相结合的密集多目标分辨算法.构建Metropolis算法中的更新函数和迭代规则,促使待估参数的不同马尔可夫链间的融合;根据融合判定规则选取抽样样本,估计出对应的目标参数;利用MDL准则实现密集目标的准确分辨.该算法不仅提升了收敛速度,而且具有较高的参数估计精度,提高了算法在多目标下的分辨性能.仿真结果验证了所提算法的有效性和可行性.

一种基于Metropolis准则遗传算法的多边多议题协商

为了使得基于智能体电子商务中协商智能体最大限度地达到协商的满意解,甚至最优解,并且提高协商的效率,提出将基于Metropolis准则的遗传算法应用于基于智能体电子商务的多边多议题同时出价的协商当中.经过1000次的实验数据表明,简单遗传算法平均需要155次才能达到协商的最优解,而基于Metropolis准则的遗传算法平均需要76次就达到协商的最优解.这个结果表明,基于Metropolis准则的遗传算法可以使得多边多议题协商中的智能体高效达到协商的最优解.

基于Metropolis准则遗传算法的企业动态联盟生成模型

为了提高动态联盟中企业选择联盟伙伴和优化过程中的效率,提出一种基于Metropolis准则遗传算法的企业动态联盟生成模型.将模拟退火算法中的Metropolis准则与遗传算法相结合,提高企业选择联盟伙伴和优化过程中的效率.1 000次仿真实验表明,标准遗传算法SGA平均需要166次才能找到最优解,而基于Metropolis准则遗传算法(MGA)平均仅需要149次就可以找到最优解.企业选择联盟伙伴和优化时,基于Metropolis准则遗传算法(MGA)可以使企业高效找到最优联盟伙伴.

基于Metropolis准则的BP神经网络学习算法研究

本文针对BP神经网络训练学习过程中 ,连接权在调整时容易陷入局部极小使得进一步调整失去作用的问题 ,提出了一种有助于提高BP神经网络逼近精度的方法———基于Metropolis准则的神经网络学习算法。该算法整体采用传统的BP算法 ,但在一定条件下依据概率进行连接权的调整 ,使权值以一定的概率跳跃 ,跳出局部极小区 ,最终达到全局极小。

快速Metropolis-Hastings变异的遗传重采样粒子滤波器

为了解决传统粒子滤波器粒子退化与贫乏问题,提出了快速变异的遗传重采样粒子滤波算法。该算法将快速Metropolis-Hastings(MH)移动作为遗传算法的变异算子,使得快速变异算子与传统交叉算子、传统选择算子组合为一种新的粒子重采样算法。快速MH变异能对粒子进行移动,使得粒子的稳定分布为目标的后验概率密度分布。快速变异能有效解决一般变异算法易发散的问题,可以更快地提取到反映目标概率特征的典型粒子。实验证明,基于快速MH变异的遗传重采样方法可以快速提高粒子的多样性,避免粒子退化,减小跟踪误差。

改进的采样算法与无监督聚类相结合的软件缺陷预测模型

该文首先在自适应综合过采样算法ADASYN(adaptive synthetic sampling)的基础上,考虑少数类内部不同密度簇之间的连接性问题,将与采样点距离为中等的点纳入新样本生成范围,改进得到T-ADASYN过采样优化算法,有效地增加了少数类内部不同密度簇的连接性,生成了分布更为均衡的数据集.然后使用基于连接的spectral clustering算法进行聚类预测操作,将过采样算法和无监督聚类相结合,提出一种新型实用的软件缺陷预测模型TA-SC(T-ADASYN+spectral clustering).以F-score为评价指标,spectral clustering为聚类模型进行验证.实验结果表明:改进的T-ADASYN过采样算法在公开的PROMISE数据集和NASA数据集上比常用的过采样算法均有6%的性能提升,且TA-SC模型在PROMISE和NASA 2个数据集上比常用聚类算法分别有3%和2%的性能提升.

三阶段自适应采样和增量克里金辅助的昂贵高维优化算法

代理辅助进化算法已广泛应用于求解代价高昂的多目标优化问题,但大多数由于代理模型的局限性而仅限于解决决策变量低维的问题。为了解决高维的昂贵多目标优化问题,提出了一种基于三阶段自适应采样策略的改进增量克里金辅助的进化算法。该算法使用改进的增量克里金模型来近似每个目标函数,此模型的超参数根据预测的不确定性进行自适应更新,降低计算复杂度的同时保证模型在高维上的准确性;此外,在模型管理方面提出一种三阶段自适应采样的策略,将采样过程分为不同的优化阶段以更有针对性的选择个体,能够首先保证收敛性,提高算法的收敛速度。为了验证算法的有效性,在包含各种特征的两组测试问题DTLZ(deb-thiele-laumanns-zitzler)、MaF(many-objective function)和路径规划实际工程问题上与最新的同类型算法进行实验对比,结果表明该算法在解决决策变量高维的昂贵多目标优化问题上具有较强的竞争力。

微生物不平衡数据重采样算法的比较研究

重采样算法的主要思想为原始数据集经欠采样、过采样或混合采样处理,生成一个趋于平衡的数据集,进而使用经典的分类算法解决类不平衡问题。在疾病诊断领域,微生物数据集由于其高稀疏性,与其他不平衡数据集有较大区别。现有的重采样算法已在其他领域得到验证,但在疾病诊断领域,很少有研究对此类算法的有效性和适用性进行深入对比。基于此,对现有的重采样算法利用不同的微生物数据集和分类器进行研究比对。根据重采样算法的采样效果、分类器在不同数据集上的分类性能和不同分类器在数据集上的分类性能等3个方面分析实验结果,得到在不同的评价指标下最适用的重采样算法。验证了重采样算法在处理微生物不平衡数据集上的有效性,有利于解决数据不平衡分类问题,有助于在疾病诊断领域中研究人员快速选择合适的重采样算法和分类器。

一种基于Metropolis抽样准则的蚁群算法的信息素更新策略

针对蚁群优化算法的关键步骤——信息素轨迹更新过程进行了分析。在理论证明和实验验证的基础上,针对此过程提出一种基于Metropolis接受准则的信息素更新策略,并通过引入一种非齐次的模拟退火方法有效地减少算法在早期落入较差解的可能性。在系统温度较高时,算法将以较大的概率接受不同的解,进行广泛的试探,能够有效地避免算法初期陷入较差解的状况;当系统温度较低时,将以小概率接受不同的解,在算法的后期将搜索集中到迄今最优解的邻域中,保证了算法收敛的同时减少了算法的收敛时间。同时将基于Metropolis接受准则的信息素更新策略和已有的信息素更新策略在4个不同规模的TSP问题上进行对比实验,试验结果也证明了本文策略的有效性。

基于等角多段探测器的非均匀采样CT直接FBP重建算法研究

本文提出了一种基于等角多段探测器的非均匀采样计算机断层成像(Computed Tomography,CT)系统,并针对该系统推导了直接滤波反投影重建算法,分析了算法在处理非均匀采样CT数据时的局限性,特别是算法中权重函数的非光滑性对重建图像的影响。本文的理论推导和仿真实验结果显示:尽管直接滤波反投影(Filtered Back Projection,FBP)重建算法可能导致环状伪影,但通过适当的系统设计,这些伪影的影响可以被控制在可接受的范围内,并能保持图像的分辨率,使得基于等角多段探测器的非均匀采样CT的FBP算法具有一定的实用价值。本文研究成果为新型CT系统的设计和优化提供了理论依据和实践指导。