摘要：蚁狮优化(ALO)算法是通过模拟自然界中蚁狮捕食蚂蚁的狩猎机制而提出的一种新型元启发式算法,广泛应用于各种优化问题,具有全局寻优能力强、收敛精度高、简单易实现等特点。首先,简述ALO算法的原理及流程;然后,阐述ALO算法的多种变体;接着,介绍ALO算法在工程设计、人工智能、计算机科学、电力系统优化、控制系统等领域的应用;最后,对ALO算法进行总结,并提出建议和未来可能的研究方向。

摘要：在深度学习应用于新型冠状肺炎CT智能识别的研究中,大量研究人员通过构建深度神经网络训练模型,从而理解医学影像数据内容,辅助新冠肺炎诊断。提出AMDRC-Net架构,其中的残差结构,通过恒等映射解决了网络退化问题,与此同时,针对残差结构阻碍新特征探索的新问题,受到注意力机制等最新研究启发,研究了长短注意力引导机制。关注深度学习模型安全性问题,讨论基于梯度上升的对抗攻击方法;为了解决其单一性问题,通过长短注意力机制,增加有效对抗扰动的同时减少冗余扰动,紧接着,提出的对抗攻击算法A-IM-FGSM,将对抗攻击问题转化为自适应约束问题,即可微变换思想用于迭代攻击中,探究注意力引导机制与DNN对抗攻击的相互关系。最后进行的实验中,在新型冠状肺炎CT数据集上,通过AMDRC-Net进行模型训练,设计对比实验、可视化实验、对抗攻击实验。

摘要：为了减少机械臂末端路径长度和关节转动角度之和,提出了改进蚁群-顺序局部搜索的路径规划策略。建立了机械臂路径规划问题模型,对机械臂关节空间节点进行了离散化。使用顺序局部搜索方法确定下一节点待选集合,依据蚁群算法原理确定优化意义下的下一路径节点。考虑到传统蚁群算法收敛慢、求解质量不高的问题,构造了局部信息素随蚂蚁聚集度自适应更新方法,进而提出了局部信息素自适应蚁群算法。经实验验证,在无障碍物环境下,与传统蚁群算法相比,自适应蚁群算法规划路径长度减少了15.27%,关节转角和减少了0.78%。在障碍物环境下,与传统蚁群算法相比,自适应蚁群算法规划路径长度减少了3.26%,关节转角和减少了2.21%。在实物机械臂上进行验证,实验结果与仿真结果一致,验证了这里提出的路径规划方法的有效性。

摘要：根据最近的研究和未来展望 ,从系统设计的角度对 V RSP( Vehicle Routing and SchedulingProblem s)的模型按结构进行了分类 ,给出了模型类的知识表示 ;详细地讨论了 VRSP模型类的父类、子类、多项式派生子类、相似类、多项式派生超子类、等价类 ;研究了模型类的并、交、补运算 ,从而深刻地揭示了模型类之间的关系 .提出了 VRSP模型库及其管理系统一个框架设计 .本文的研究虽然是针对智能运输调度系统进行的 。

摘要：大型企业在生产过程中的运输组织和实施一般可归结为多重运输调度问题（ＭＶＲＰ），本文提出了ＭＶＲＰ基于插入和双表策略的表搜索算法，以该算法为基础设计了一个并行表搜索算法。实际运算表明这些算法具有较快的收敛速度。

摘要：运输调度问题是一类复杂的组合优化问题,是近年来物流控制优化中的研究热点。通过对基本蚁群算法中的选择策略和信息素挥发速度的改进,提出了一种新的蚁群算法,克服了基本蚁群算法搜索时间长、易陷入局部最优解等缺陷,将其用于求解一类运输调度问题,实验发现算法有效,并且对于规模越大的问题,相对其它算法有更优的解。

摘要：ARM/GPRS自导航系统终端系统是基于ARM硬件平台,集GPRS/GPS/G IS于一体的终端系统。概述了基于μCLinux嵌入式操作系统ARM/GPRS自导航系统架构,详细阐述了导航系统终端硬件组成以及软件算法实现过程中的关键技术。

摘要：传统的单目标算法运行一次只能得到一个解,而多目标算法运行一次可以得到一个解集。文中所提算法(DEASA)通过改进差分进化策略,设计重构,调整自适应参数,并采用擂台法则构建非支配集,将模拟退火策略融入到差分进化算法当中,进一步提高了算法的性能,降低了时间复杂度,增强避免陷入局部最优的能力。通过实验验证表明,该算法能有效地解决联盟运输调度问题。