摘要：基于深度卷积神经网络的单幅图像超分辨率重建取得了显著研究成果.但随着深度卷积神经网络规模的不断扩大,如何降低网络构建难度和计算成本成为一个难点.为此,提出了一种双通道多感知卷积神经网络(DMCN)模型.该模型在两条具有不同卷积核的通道上建立了稠密连接,并构建了带有动态调节能力的层间融合结构.这种结构的设计使得小规模卷积神经网络便能获得图片特征信息的全面感知能力.实验结果表明,DMCN重建效果优于目前多数具有代表性的重建算法.

摘要：围绕“C语言”课程思政教学,基于立德树人教育理念,深入挖掘课程的思政元素,提出了“C语言”课程思政教学体系的构建路线,详细阐述了“C语言”课程思政教学内容的设计,为实现“知识传授、能力提升和价值引领”的课程思政教学目标提供了参考。

摘要：针对云环境下相互竞争的多租赁市场运营模式,以提高资源供求双方利益及资源能效为目标,提出了一种基于非完全信息博弈的云资源分配模型.首先利用隐Markov理论根据服务提供商(service provider,SP)的历史资源需求情况预测其当前出价,以预测值为基础构建动态博弈定价模型,激励服务提供商选择符合整体利益的最优购买出价策略,从而实现利益最大化;然后设计了支持多服务提供商、多种资源同时分配,以分类资源单位价格进行分配的资源分配模型,保证了基础设施提供商(infrastructure provider,INP)的收益最优.仿真实验表明:在博弈定价模型中,预测价格与实际交易价格相近且交易价格低于实际估值,能够保障服务提供商的利益;基于不同种类资源单价的分配模型能够增加基础设施提供商的收益.

摘要：虚拟网络映射是云资源租赁的关键问题,能够为用户的请求合理地分配底层硬件资源。目前多数研究仅关注物理网络的收益目标,忽视了其能耗问题。为此,结合收益和能耗两个目标,提出一种多目标虚拟网络映射VNE-MOPSO算法。针对该问题,提出一种多目标虚拟网络映射VNE-MOPSO算法。通过引入Pareto熵多目标优化模型,计算两次迭代过程的差熵,评估群体进化情况并将其作为反馈信息设计动态自适应的粒子参数策略,以达到近似最优多目标优化映射方案求解的目的。仿真结果表明,与单目标映射算法相比,该算法的映射成本和能耗更低,且平均收益明显提高。

摘要：对当今云环境下的数据中心来说,以虚拟资源租赁的运营方式具有极大的灵活性,尤其是以虚拟网络为粒度的资源租赁能够为用户提供更好的个性化需求支持。虚拟网络映射问题是指依据用户资源需求,合理分配底层主机和网络资源。现有的虚拟网络映射算法大多是针对随机拓扑设计的通用算法,未针对数据中心拓扑结构进行优化,映射效率有很大提升空间。针对数据中心的结构特点,提出了一种基于节点连通性排序的虚拟网络映射算法BS-VNE算法。首先,设计了一种最大生成算法来对虚拟节点重要程度进行求解和排序。该算法不仅基于虚拟节点的带宽和连通度,还基于虚拟节点在整个虚拟网络中的连通性来进行节点连通性的计算,以获得更加合理的排序结果。然后,根据虚拟节点连通性排序结果利用离散粒子群优化算法求解虚拟网络的映射解。在求解过程中,引入了针对数据中心结构的物理网络拓扑启发式规则,并将其组合到粒子搜索过程中,以提高映射算法的收敛速度。仿真实验结果表明,与现有算法相比,本文提出的算法可以提高物理网络的收益/成本比和资源利用率。

摘要：为解决多器官特征识别存在的多器官数据集难以获取以及待处理数据集存在的密集小目标和多尺度目标等问题,该研究提出了一种基于改进YOLOv8s的果实与叶片器官分割方法。该方法以YOLOv8s为基础,在Backbone部分设计了跨阶段局部残差(residual CSPLayer 2Conv,RC2)模块,以拓宽每个网络层的感受野,使网络能充分提取密集的小目标特征。在Neck部分设计了尺度空间金字塔池化(scale spatial pyramid pooling,SSPP)模块,以充分融合网络的高阶多尺度特征信息,增强模型对多尺度目标的检测能力。在Head部分设计了非对称解耦检测头(asymmetric decoupling detection head,ADDH)模块,使模型分类更关注于中心内容,而回归更关注于边缘信息。试验结果表明,在PlantCLEF2022公共数据集中选取的17种果树的数据集中,改进的YOLOv8s模型对果树果实和叶片器官识别的平均精度均值为90.2%,比YOLOv8s模型高6.7个百分点。此外,该研究还将该模型应用到自建的枣数据集上,达到了99.1%的识别准确率,较原模型提升6.6个百分点,证明了所提出方法的通用性,可为常见果树的器官分割与基于多器官特征的细粒度品种分类研究提供参考。

摘要：利用迭代变化邻域搜索算法(IVNS)求解最小化总完工时间的有准备时间无等待流水车间调度问题.设计局部搜索算法需要考虑3个关键因素:所用邻域、解评估和局部最优的克服.因此,定义了3个较大规模邻域以扩大搜索范围.为加速解评估,利用目标增量来避免重新计算每个解的目标函数值,使相邻解比较只需常量时间,NEH插入算法的时间复杂度降低一阶.IVNS通过切换邻域和扰动重启,来克服局部搜索易于陷入局部最优解的缺点.通过与求解该问题的当前最好算法在5400个标准算上,以相同CPU时间进行的实算比较,实验结果统计分析验证了IVNS的寻优性能明显优于参照算法.

摘要：DAG图(Directed Acyclic Graph)广泛应用于数据库建模、工程设计等领域。DAG图一般用矩阵来存储,能够将矩阵存储的DAG图正确、美观地画出来,使得DAG图更直观,清晰,方便各种问题的分析和处理。DAG图的绘制包含分层、最小化边交叉数和删除哑结点。提出了基于遗传算法的分层和最小化边交叉数的方法和删除哑结点的启发式算法。实例结果表明提出的方法能有效解决DAG图绘制中的交叉点问题。

摘要：针对自然场景下的枣品种识别问题,以枣果为研究对象的机器视觉技术已成为枣品种精准识别的主流方法之一。针对枣品种存在类间差异小、类内差异大的问题,提出了一种基于多器官特征融合的枣品种识别方法。首先利用YOLO v3检测算法将采集的自然场景图像中的枣果和叶片器官分割提取,提出了基于笛卡尔乘积构建两器官组合对的枣品种多样本数据集,然后基于EfficientNetV2网络模型,设计了能够充分学习两器官特征相关性的融合策略来提升模型性能,引入了逐步迁移训练方式以提升枣品种识别效率。最后,在构建的包含20个枣品种数据集上进行了大量实验,得到97.04%的识别准确率,明显优于现有研究结果,并且在训练时间和收敛速度上,本方法也有一定提升。结果表明该方法能够有效融合枣品种枣果和叶片器官的特征信息,可为其他品种识别研究提供参考。

摘要：网格资源需求的不断增长使价格成为资源进行竞争的有效手段,有向无环图DAG(Directed Acyclic Graph)表示的工作流时间费用优化问题是网格环境下一个重要问题.通常情况下,DAG应用调度属于NP-Hard问题.通过分析活动间的时序特征,给出时间耦合强度TCS(Time-dependent Coupling Strength)的定义,用于标识一个活动最大的时间耦合活动个数;将其作为优先级规则的一个重要信息和BF规则(BestFit)结合,设计出时间耦合强度最适规则BFTCS(Best Fit with Time-dependent Coupling Strength),用于启发式算法的改进阶段,逐步提高初始可行解的性能.模拟实验结果表明,相对现有的启发式算法,基于BFTCS规则的启发算法能获得最好的性能和较快的运行效率;最后讨论了问题参数对算法性能和效率的影响.