加权IAE自校正控制器

加权最小方差自校正控制器的性能指标本质上是ＩＳＥ准则．以ＩＡＥ准则为性能指标，提出了一种新的自校正控制器——加权ＩＡＥ自校正控制器，讨论了该自校正控制器的算法实现．为了使这种自校正控制器更加完善，在它的设计中采用了极点配置的思想．计算机仿真结果表明了这一新的自校正控制器的优越性．     

解一族线性方程组的一个并行算法

发掘和利用现有串行算法中的并行性,直接将串行算法改造为并行算法,是并行算法设计的最常用方法之一。提出一个基于Huang算法的解一族线性方程组的并行算法,该算法在集群系统环境下,具有较好的灵活性和优越性。算例表明,对病态线性方程组显得特别有效。特别是在时间紧迫、可考虑方案或边值可选较多的情况下,具有可观的快捷高效性。     

基于MDF-Nearest算法的轨迹隐私保护方法

传统轨迹匿名方法在匿名集生成时没有考虑用户多种特征属性,在信息攻击下无法有效保护真实位置;在轨迹形成方面因没有将余弦角度和轨迹间距离作为形成的依据,导致某些虚假轨迹无法有效保护真实轨迹。为改善以上问题,构建一种依据用户多重特征信息构建的匿名集以保证匿名有效性;采用协作用户的真实轨迹并计算相似性,从而生成虚假轨迹相似性高的MDF-Nearest算法。实验结果表明,该方法随着k值的变大与生成轨迹数量的增多,隐私保护效果逐渐改进;与传统k匿名方法相比,该算法时间开销降低41.7%,而隐私保护程度可提高至97.1%。因此该方法能以较低的时间开销,提供质量可靠的位置服务,保护用户信息。     

镍小团簇的基态结构和能量

采用Gupta势来描述Nin团簇中原子之间的相互作用，用模拟自然界生物进化的遗传算法优化计算了Nin团簇（n=2-23）的基态结构和能量，给出了结构和能量随原子数目的变化规律，并讨论了其相对稳定性。     

扰动的线性方程组通解的Huang算法

本文给出了求解扰动后新方程组的直接方法，它简捷，计算量和存贮量都不大，数值结果也表明它是相当有效的。对于替换多个方程的情况，用本方法均可直接处理。     

基于混合遗传算法的模糊车间调度问题

该文介绍了模糊流水车间调度问题，在此基础之上设计了一个解决该问题的混合遗传算法——嵌入多点最速下降法的遗传算法（GDA），将其与各种算法进行了仿真比较，论证了其有效性。     

集群式计算机系统在生物信息学中的应用

1　Introduction　SMP (symmetricmulti processing)andMPP (mas sivelyparallelprocessing)arethetwotypesofstruc tureofparallelcomputing .　Symmetricmulti processingsystemshavemultipleCPUsattachedtothesamebusandsharingRAM .Massivelyparallelprocessingisthecooperated pro cessingofaprogrambymultipleprocessorsthatworkondifferentpartsoftheprogram ,witheachprocessorusingitsownoperatingsystemandmemory .ThechoicebetweenSMPandMPPdependsonthenatureoftheproblembeingsolved .Iftheproblemcanbeeasilypartit…     

适用于数据分类的极限学习机优化算法

针对极限学习机参数优化问题,提出量子遗传算法优化极限学习机的方法（QGA-ELM）。在该方法中,对ELM的输入权值和隐含层阈值采用量子比特编码,并将其映射为QGA的染色体,QGA的适应度函数为对应ELM的分类精度;通过QGA的量子旋转门优化出输入权值与隐含层阈值,以此训练出分类精度更高的ELM,从而改善ELM的泛化性能。通过ELM和QGA-ELM对数据集的仿真结果对比表明,QGA-ELM有效地提升了ELM网络的分类精度。     

基于m-相依序列的学习机器相对一致收敛的界

为了研究m-相依序列下学习机器的推广性能,把基于独立同分布的结果推广到m-相依序列,建立采用ERM算法的学习机器的经验风险到它的期望风险相对一致收敛速率的界.并对m-相依序列现有的结论进行改进,得到了m-相依序列下,采用经验风险最小化算法学习机器的推广性能的界.     

八数码问题的搜索算法比较

搜索策略是人工智能研究的主攻方向之一,采用不同的搜索策略在求解问题的过程中也会存在差异.通过对于八数码的搜索求解分析,采用盲目搜索中的广度优先搜索算法和启发式搜索中的A*算法进行实现,将广度优先搜索算法与A*算法进行比较,从而评价这两种搜索算法的优劣性.