摘要：协同进化框架是解决大规模全局优化问题的有效方法,设计合理的决策变量分组方法是提高协同进化算法性能的关键,而利用精英决策变量动态构建精英子组件可以有效提高进化效率,但在进行大规模优化时,其可能将无关的变量分配到同一子组件,从而无法充分利用分组提高协同进化效率。针对该问题,提出一种精英贡献两阶段动态分组算法(EC-TSDG)。在分组前阶段,对变量进行随机分组,评估变量的贡献程度,从众多变量中寻找精英贡献变量;在分组后阶段,利用变量的相关关系寻找与精英决策变量存在相互作用的剩余变量,并将其合并形成精英子组件,使得精英子组件内部的变量两两相关,以此提高变量分组的准确性以及算法的收敛速度,避免子组件之间的相关干扰。最后,采用具有外部存档的自适应差分进化算法作为优化器进化各个子组件。在CEC'2013测试集上与其他先进算法进行比较,实验结果表明,EC-TSDG收敛速度快于对比算法,Friedman检验值为1.43,平均排序较对比的动态分组算法DCC平均提升36.78%。

摘要：针对目前计算机专业研究生课程课堂教学模式对学生创新能力培养有待进一步提高的问题,分析将学科竞赛与课程教学结合的可行性,提出将学科竞赛题目引入课堂案例教学过程中,分析课程类别和竞赛类别的匹配模式,具体阐述如何结合研究报告类竞赛题目培养学生的抽象建模能力,结合作品类竞赛题目提升学生的应用开发实践能力,设计竞赛驱动的研究生课程案例教学改革方案,并通过调查分析说明实施效果。

摘要：为了让学生更好地了解和掌握深度学习TensorFlow框架和CNN网络,采用基于不同区域的多尺度卷积神经网络(DRCNN)设计了PolSAR图像分类综合设计实验,旨在实现遥感图像的自动化分类和理解。极化合成孔径雷达(polarimetric synthetic aperture radar,PolSAR)图像能够提供更加丰富的极化信息,更好地刻画地物特征,对国防建设和国家发展具有重要意义。实验利用Python语言,在CNN基础上进行改进研究,设计了多区域的多尺度CNN模型,实现了极化SAR图像的数据处理、特征学习和分类一体化设计。该实验不仅可以帮助学生综合应用图像处理与深度学习知识,理解和利用CNN来进行极化SAR图像分类的基本原理和方法,还能使学生更加深入、熟练地掌握TensorFlow框架,提高学生的科研素质和动手实践能力。

摘要：针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标,进行双目标函数建模及理论分析;然后,设计基于NSGA-Ⅱ的LCNN结构优化框架,并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层,构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示,与手工设计的网络结构M_blockNet_v1相比,NSGA2-AMFFNetwork的平均精确度提升了1.2202个百分点,运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度,同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。

摘要：容量约束p-中位问题(Capacitated P-Median Problem,CPMP)已被证明是一类计算机难以求解的具有NP-hard特性的组合优化问题.本文提出一种多阶段粒子群优化算法(Multi-Phase Particle Swarm Optimization,MPPSO)及在算法设计中应用模式有关理论和方法.所提MPPSO在标准PSO基础上,考虑CPMP结构特征信息,采用一种以字符编码为基础的结构体编码结构,重新定义粒子速度与位置更新方式.它将CPMP优化求解分为种群粒子初始化阶段及两个优化阶段.在优化求解第一阶段,分析了惯性因子对所求问题编码结构粒子搜索的局限性,设计一种保留粒子最优特征中位点信息的变异算子.以粒子全局搜索算子操作为重点,期望从整个搜索空间搜索到好的模式结构分布特性的粒子.在优化求解第二阶段,对高适应性粒子执行一种改进的迭代局部搜索操作,达成对粒子精度的进一步提升.迭代局部搜索分为基本局部搜索和深层次局部搜索.基本局部搜索侧重对粒子需求点和中位点提炼用于发现候选粒子相邻的局部最优解.在深层次局部搜索中,采用对粒子执行扰动算子操作,使得算子操作在更大邻域范围内搜索粒子新的模式结构,从而发现蕴含高适应性模式结构的潜在更好解.文中提出模式范数及模式结构距离等概念,并将它们用于扰动算子设计.实验测试表明:MPPSO对4大类CPMP用例问题进行求解得到的实验数据,与4种文献对比算法提供的数据相比有一定优势,且能发现3个大数据集用例新的最好解.

摘要：针对传统手工方法优化卷积神经网络(CNN)参数时存在耗时长、不准确,以及参数设置影响算法性能等问题,提出一种基于教与学优化(TLBO)的可变卷积自编码器(CAE)算法。该算法设计了可变长度的个体编码策略,从而快速构建CAE结构,并堆叠CAE为一个CNN;此外,充分利用优秀个体的结构信息来引导算法朝着更有希望的区域搜索,从而提高算法性能。实验结果表明,所提算法在解决医学图像分类问题时,分类精度达到89.84%,高于传统CNN和同类型神经网络。该算法通过优化CAE结构和堆叠CNN解决医学图像分类问题,有效提高了医学图像分类性能。

摘要：随着4G技术发展以及5G技术迅速兴起,网络通信技术已在移动终端得到深入应用,为移动学习带来新机遇,使移动学习成为移动互联网时代一种新型教育形式。移动学习不仅能够满足学习者随时随地进行学习需求,还能提高学生的学习兴趣和效率,成为未来不可或缺的学习模式之一。研究移动学习的挑战,并提出移动学习系统的框架。该系统包含五个模块,当学生登录进行身份验证时,可以选择录制的课程或加入实时课堂,并且采用各种互动学习方法,包括文本、视频和音频。设计一个具有用户友好界面的系统,在此基础上进行实验,以评估所提出系统的有效性。实验结果表明,该系统实现所提功能,并得到满意的结果,与现有移动学习应用相比,还可以支持点播在线学习、消息通知、学分信息查询、服务咨询等功能。

摘要：随着新冠肺炎感染在全球范围内的持续发展以及局部地区的疫情反复,在线教育的学习模式得到进一步的深入推广和广泛应用。当前主流的在线教育模式主要通过专门的应用程序,如智慧树、雨课堂、云课堂以及腾讯会议等传统在线方式实现,目前还没有通过Web浏览器的B/S模式进行通信的免费、高质量的完整解决方案。研究当前在线学习系统中存在的依赖于专门App、学习模式单一、学习者之间互动性不足等问题,针对服务器上实现基于WebRTC的web-Skyclass系统。该系统通过不同的多媒体控制方式提供问答模式、论文答辩和课堂直播等多种实际场景的不同学习模式,为学习者提供文字、视频、音频的多种学习场景和互动方式。基于这些媒体控制设计了一个具有用户友好界面的系统,在此基础上进行实验以评估所提控制方式支持的系统的有效性和实用性。

摘要：在搜索引擎的倒排索引等字长(FWA)类型压缩算法中,倒排链的"贪心"分块划分策略和码字信息的交错存储使算法难以达到最优的压缩效果。针对上述问题,提出了一种基于有向无环图(DAG)的FWA划分压缩算法。首先,考虑到互联网网页聚类特性带来的倒排链小数字信息,设计了一种数据区为64位分块的新型FWA压缩格式。该压缩格式通过4位的指示区将数据区划分为16种适合于连续小数字压缩的存储模式,并将倒排链每个分块的指示位和数据位分类存储,从而保证了较好的批量解压性能。其次,在新压缩格式的基础上提出一种基于DAG描述的倒排链FWA划分压缩方法——固定字对齐划分(WAP)算法。该算法利用DAG将倒排链分块划分问题归结为单源最短路径(SSSP)问题,并考虑FWA压缩格式中数据区存储模式的限制条件来确定SSSP问题的结构形式和递归定义。然后,给出了采用动态规划求解SSSP问题并形成最优划分向量的伪码和算法复杂度,并对S9、S16、S8b等传统FWA算法的原有存储模式进行了基于DAG的划分优化,把优化前后的算法的计算复杂度进行比较分析。最后,使用仿真整数序列数据和文本检索会议(TREC)GOV2网页索引数据进行压缩性能实验。实验结果表明,相较于传统FWA类型算法,基于DAG的FWA划分算法在通过批量解压和划分优化技术提升算法的压缩率和解压速度同时,对连续小数字整数序列进行压缩时能够获得比传统参照框架(FOR)类型算法更高的压缩率。

摘要：针对智能家居空间中的设备互联、网络访问方式及业务类型多样性现状,基于IXP425网络处理器和开源Linux Open WRT操作系统,设计支持IPv4和IPv6协议的多模智能融合网关(MMIIG),采用Netfilter/Iptables技术,保证MMIIG的安全性和控制网络流量,在此基础上构建以MMIIG为中心的简易智能家居系统。测试结果表明,该智能家居系统可通过MMIIG使家庭内外网络与电子电器设备相连接,实现远程管理、智能控制、影音共享等功能。