基于双模态卷积神经网络自适应迁移学习的浮选工况识别

为提高小规模训练集下CNN特征驱动的浮选工况识别效果,提出一种基于泡沫红外与可见光图像CNN特征提取及自适应迁移学习的工况识别方法.首先构建基于AlexNet的双模态CNN特征提取及识别模型,并通过RGB-D大规模数据集对模型的结构参数进行预训练;其次,用多个串联的双隐层自编码极限学习机代替预训练模型的全连接层,实现对双模态CNN特征的融合及逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策;最后构建浮选小规模数据集对迁移后的模型进行训练,并改进量子狼群算法用于模型参数优化.实验结果表明:自适应迁移学习能够明显提高小样本数据集下的识别准确度,采用双模态CNN迁移学习较单模态CNN迁移学习的工况识别精度提高了3.06%,各工况的平均识别准确率达到96.83%,识别精度和稳定性较现有方法有较大提升.

基于量子狼群进化的多目标汇聚节点覆盖算法

在构建双层无线传感器网络中,汇聚层覆盖需要考虑无重复覆盖面积、汇聚节点连通性和能耗平衡这3个关键问题。该文将上述3个问题统筹为多目标优化难题(MOP),提出一种面向汇聚节点覆盖的量子狼群进化算法(QWPEA),选择出候选头狼(CLW)群体,以滑模交叉、量子旋转门、非门变异等方法产生寻优高效的下一代量子编码人工狼。仿真结果表明,该文所提算法能够有效减少汇聚节点数,提高汇聚层结构稳定性,并平衡网络能耗,适于大范围,大规模传感器节点网络部署环境。在800 m×800 m面积部署传感器节点达到1000个时,汇聚有效覆盖率较MOPSO,NSGA-II算法分别高29.55%和25.93%,汇聚通信能耗率分别高15.27%和18.63%,汇聚占通率分别低14.01%和15.46%。

求解0-1背包问题的量子狼群算法

针对0-1背包问题,在基本狼群算法的基础上,提出了量子狼群算法.借鉴量子编码方式,定义了种群中粒子的概率位置和准确位置,通过量子旋转门控制人工狼概率位置向全局最好位置逼近,然后以量子塌缩实现了概率位置向准确位置的映射,兼顾了算法的导向性与随机性.选取了8个经典0-1背包问题与3个高维背包问题进行了测试,并与其他算法进行比较,实验结果表明,量子狼群算法能够有效搜索全局最优解,特别是在高维背包问题中具有较好性能.

求解离散优化问题的元胞量子狼群演化算法

针对离散空间优化问题,提出了求解离散优化问题的元胞量子狼群演化算法,首先,为了提高算法的全局收敛速度,采用双策略量子位初始化方法和滑模交叉方法,分别生成量子狼群初始位置和产生头狼,实现种群多样性;其次,为了描述头狼与猎物间的距离以及增强狼群的遍历范围,采用二进制编码方式和元胞自动机中的演化规则,分别实现狼群中个体狼与猎物距离的精确描述和量子旋转角的选取调整;然后,为了证明该算法的收敛性能,采用泛函分析方法,实现了算法全局收敛性能的验证;最后,通过6个标准测试函数的仿真实验,并与狼群算法以及量子狼群算法的优化结果进行比较。实验结果表明,该算法具有较快的收敛速度和较好的全局寻优能力。

改进狼群算法求解多目标柔性作业车间调度问题

针对传统智能优化算法求解多目标柔性作业车间调度时存在算法后期收敛速度慢、易陷入局部最优的问题,本文提出一种将量子粒子群算法中的三大重要性能参数和狼群算法融合的混合优化算法.首先,构建以最大完工时间、机器总负荷和瓶颈机器负荷为优化目标的多目标数学模型;其次,采用高斯分布的概率密度函数产生随机变量进行种群初始化操作,以提高初始种群的多样性和质量;利用邻域结构搜索策略不断调整最佳序列,算法的全局搜索性能得以提高;最后,通过物元分析法对种群进行更新,提高种群的自适应能力.通过与多种智能优化算法的仿真实验对比可知,本文所提出的混合狼群算法对求解多目标柔性作业车间调度问题具有可行性和优势.

一种认知无线电频谱分配的精英量子狼群算法

针对认知无线电频谱使用率低的问题,文中设计图论模型,提出一种精英量子狼群算法,该算法结合量子进化算法与精英选择算子,通过量子位编码与量子旋转门更新提高种群的多样性与寻优能力,通过精英选择算子提高算法的收敛速度。在仿真实验中,将精英量子狼群算法与蚁群算法、遗传算法进行对比。实验结果表明,在次用户数为15且频谱数为20时,精英量子狼群算法优化过的网络效益值比遗传算法高10.68%,比蚁群算法高23.97%,证明所提算法加快了算法收敛的速度,有效提高了网络效益和吞吐量。

Heterogeneous coverage method with multiple unmanned aerial vehicle assisted sink nodes

A heterogeneous coverage method with multiple unmanned aerial vehicle assisted sink nodes(MUAVSs)for multi-objective optimization problem(MOP)is proposed,which is based on quantum wolf pack evolution algorithm(QWPEA)and power law entropy(PLE)theory.The method is composed of preset move and autonomous coordination stages for satisfying non-repeated coverage,connectedness,and energy balance of sink layer critical requirements,which is actualized to cover sensors layer in large-scale outside wireless sensor networks(WSNs).Simulation results show that the performance of the proposed technique is better than the existing related coverage technique.