大规模优化问题出现在各个领域。 将大规模问题分解为与变量交互有关的小规模子问题并进行协作优化是优化算法中的关键步骤。 为了探索变量交互并执行问题分解任务，我们开发了两阶段的变量交互重建算法。 提出了一种学习模型，以探索部分可变相互作用作为先验知识。 提出了一种边缘化降噪模型，以使用先验知识构造整体变量交互作用，利用该知识将问题分解为小规模模块。 为了优化子问题并缓解过早收敛，我们提出了一种协作式分层粒子群优化框架，在该框架中，设计了应急领导，交互认知和自我导向开发的算子。 最后，我们进行理论分析以进一步理解所提出的算法。 分析表明，如果正确分解问题，该算法可以保证收敛到全局最优解。 实验是在C
2021-02-25 16:06:30
1.5MB
1
在本文中，受人荷尔蒙系统的调节机制的启发，提出了一种新颖的基于内分泌的智能分布式合作算法（EIDCA）进行目标跟踪。 EIDCA使无线传感器网络中的节点能够自动进行自我组织，而无需集中控制目标检测。 还引入了一种基于概率的激素传输方案，以缓解由于节点频繁切换而引起的网络波动。 同时，设计了一种数值评估方法，以提供一种量化指标，用于比较不同算法的跟踪性能。 仿真结果表明，由EIDCA控制的分散网络无需中央控制就能高效，可靠地工作。 还表明，提出的EIDCA在跟踪目标方面优于比较算法。
2021-02-24 18:04:59
2.87MB
1
聚丙烯腈基前驱体制备过程中拉伸Craft.io的质量和稳定性可能对碳纤维的性能和后续Craft.io效率产生重大影响。 拉伸过程中存在的分布单元对整个过程的协同调节提出了严峻的挑战，以在不同的拉伸单元之间实现适当的比例分布，每个拉伸单元都具有特定的技术特征。 在本文中，提出了一种新颖的基于细胞因子网络的拉伸网络（CNSN），以在大型生产线中实现所需的比率分布和控制性能，该生产线由在空间和时间两个层面上都作为节点组织的互连而又分散的单元组成。 基于多层细胞因子网络调节人体整个免疫系统的机制，提出了一种拉伸网络动力学模型，以描述拉伸单元之间的相互作用。 该模型由控制分配层，分布式控制器层和执行器层
2021-02-24 18:04:58
908KB
1
最近的研究表明，稀疏表示（SR）可以很好地解决许多计算机视觉问题，并且其内核版本具有强大的分类能力。 在本文中，我们解决了协作SR在半监督图像注释中的应用，该方法可以增加标记图像的数量，以进一步用于训练图像分类器。 给定一组标记的（训练）图像和一组未标记的（测试）图像，通常的SR方法（我们称为正向SR）用于用几个标记的图像表示每个未标记的图像，然后根据这些标记的注释的注释。 但是，就我们所知，SR方法是在相反的方向上进行的，即我们称呼后向SR来用几个未标记图像表示每个标记图像，然后根据标记图像的注释对任何未标记图像进行注释，即未标记图像由后向SR选择表示，到目前为止尚未解决。 在本文中，我们探
2021-02-24 14:04:13
768KB
1
分析了无线传感器网络中端到端误码率给定情况下协作波束形成的能量效率,给出了不同路径损耗因子和传输距离下的最优协作发射节点个数。首先,综合考虑发射能耗和电路能耗,给出了接近实际情况的系统能耗模型,并推导出系统能耗与误码率之间的近似闭式关系。然后,基于该近似模型,给出了不同路径损耗因子和传输距离下使系统能耗最小的优化协作发射节点个数。理论分析和仿真结果表明:在系统调制方式和误码率给定的情况下,存在着一个临界距离使协作波束形成比非协作传输和协作空时编码都更节能;而且在不同路径损耗因子和传输距离下,存在不同的最优协作发射节点个数使系统能耗最小。
2021-02-24 09:09:01
1.04MB
1