关键词： 聚焦定位   影区干涉结构   遗传算法   匹配场处理  

摘要： 聚焦法将环境参数纳入寻优空间,提高了定位算法的环境宽容性.通过敏感性分析,分层海底反射形成的影区干涉条纹对于接收深度、沉积层声速和厚度有着较强敏感性.通过匹配影区干涉条纹,在定位目标深度的过程中,同时反演沉积层的声速和厚度.该方法适用于高声速沉积层海底下,深海第一影区范围内的聚焦定位.通过仿真实验验证了利用深海影区干涉结构进行聚焦定位的有效性.仿真结果表明:基于影区干涉结构的深海聚焦定位是可行的.基于影区干涉条纹匹配的代价函数在参数敏感性和耦合程度上有着较好的表现,在获得正确定位结果的同时,可较为准确获得分层海底的沉积层声速和厚度.

关键词： 水库标准化   主成分分析法   离散度   遗传算法   重构标准  

摘要： 依赖专家对标对表的创建工作中不可避免专家在扣分区间内自由把控扣分程度的现象，针对所造成的因子重要性、所占总分比例、扣分区间一致，但其差异化不一致的问题，利用主成分分析法（PCA）以离散度作为表征指标，重构《评价标准》建立特征矩阵作为输入变量，利用GA遗传算法改进BP神经网络进行拟合验证。结果表明，《评价标准》因子离散程度越高，越能代表创建实际情况；GA算法通过建立解释目标与解释适应度核函数之间的映射关系，进一步提升了BP神经网络的泛化能力和精准度，改进后的GA-BP神经网络算法模型的拟合准确率达98.78%；重构后的《评价标准》拟合R2高达0.953，较重构前提升了0.107有着更好的拟合精度。目前从因子离散度的角度出发关于对水利工程标准化解构、重组的研究相对较少，研究结论能够较好的辅助贵州省水库标准化管理创建、后续《评价标准》的修编等工作。

关键词： 广义P-模糊集合   Zadeh模糊集   P-模糊集   模糊元素迁移   广义P-模糊依赖度  

摘要： 利用模糊元素迁移的概念,在同一论域上构建了向内收缩的广义内P-模糊集合AF与向外扩张的广义外P-模糊集合AF,给出广义P-模糊集合的数学结构。利用广义P-模糊集合定义广义P-模糊依赖度并分析了广义P-模糊集合特性。讨论广义P-模糊集与Zadeh模糊集的关系和相关定理,分析了由广义P-模糊集合生成的P-集合的几种形式。广义P-模糊集是Zadeh模糊集与P-集合的推广,Zadeh模糊集与P-集合都是广义P-模糊集的特殊情况。最后给出了广义P-模糊集合在风险投资管理系统中的应用。

关键词： 电力巡检   无人机   充电续航   路径规划   双Q学习   强化遗传算法   参数调优  

摘要： 针对以机巢为充电站的无人机电力巡检路径规划问题，以最小化无人机执行任务总时间为目标构建数学模型，设计了一种强化遗传算法来求解该问题。在该算法中，提出了基于贪婪的种群初始化算子和基于split的可行解生成算子，并将遗传算法参数调优过程建模为马尔科夫决策过程，基于强化学习double Q-learning设计了交叉概率和变异概率的动态调优策略。在数值实验中，与Gurobi求解器、经典遗传算法、基于精英保留的遗传算法、差分进化算法的对比结果表明，该算法在求解质量和求解速度方面均具有显著优势。同时，在案例分析中与现有巡检策略进行对比进一步验证了该算法在实际场景中的应用效果。

关键词： 人工智能   计算机网络技术   智能化   自动化  

摘要： 在现代计算机网络技术中,人工智能的应用,成为提升计算机网络性能、安全性与稳定性的关键手段.基于此,分析人工智能在计算机网络技术中的重要性,探索人工智能在网络流量管理、网络故障预测与自动化运维、数据传输与网络性能优化、云计算与虚拟化网络、网络安全等方面的应用,从而为复杂网络环境提供智能化、自动化的解决方案,优化资源分配,提升防御能力,实现故障的实时预测与处理.人工智能与计算机网络技术的深度融合,可解决传统网络技术中的诸多问题,为未来智能网络的建设奠定基础.

关键词： 预制构件定点制造   二维布局   最佳适应算法   自适应遗传算法   协同优化  

摘要： 针对预制混凝土构件定点制造模式下二维布局与生产调度的协同优化问题，以最小化拖期惩罚费用为目标，提出了一类双层混合整数线性规划(MILP)模型并设计了一种扰动重启式递阶最佳适应-自适应遗传算法(PRHBF＿AGA)。其中：双层MILP主要用于求解小规模问题，通过第一层模型优化工件分组及模台上的二维布局方案；第二层模型基于第一层模型输出的组数进一步同时优化布局与生产调度方案。而PRHBF＿AGA主要用于求解中大规模问题，该算法将问题分为二维布局和生产调度两部分，最佳适应算法优化布局层，自适应遗传算法优化调度层。为防止算法过早收敛而陷入局部最优，引入了变邻域搜索和扰动重启机制进一步提升解的质量和求解效率。此外，设计了六种基于交替迭代优化框架的智能优化算法进行对比分析。最后，通过计算实验验证了所提MILP模型和算法的有效性和竞争力。

关键词： 智能网卡   推荐系统   存算分离   缓存管理   嵌入层查询   推荐系统性能优化  

摘要： 当今工业界通常使用基于深度学习的推荐系统为用户进行定制化推荐，在常见的存算分离式推理架构中，推荐系统的推理速度受限于嵌入层查询部分导致的节点间网络传输瓶颈。新兴的智能网卡技术可以在避免对主机CPU争用的基础上，实现复杂流量控制，为存算分离式推荐系统的嵌入层优化提供了新的可能。该研究设计并实现了SmartWN（SmartNIC-offloaded Worker Node），一种基于智能网卡优化的存算分离式推荐系统计算节点。SmartWN利用智能网卡的独立计算与通信能力，在保证计算节点主机资源不受影响的前提下，实现了（1）嵌入层查询顺序调度与预准备，（2）基于流量的多表动态缓存管理，使推荐系统推理时嵌入层查询的通信效率与缓存利用率大幅提高，降低嵌入层查询时延，提升存算分离式推荐系统推理性能。该研究在智能网卡Nvidia BlueField-2上实现了SmartWN原型并验证了性能提升，与现有技术相比，使用SmartWN作为存算分离式推荐系统计算节点后，可以显著提升推理时嵌入层查询吞吐量，最高可达2.12倍，并降低2.02倍的嵌入层查询尾时延。