基于GeoHash索引的A算法优化

A*(A Star)算法进行最短路径计算时,一般采用曼哈顿函数作为最优邻接点的评估标准,在算法执行的过程中,需要对每一步每个邻接点进行计算,判断出当前最优邻接点,然后迭代执行下一步,在数据量较大的情况下,算法的时间复杂度呈几何增长.使用GeoHash索引算法代替曼哈顿函数作为评估标准,在有地理坐标信息的网络拓扑中进行最短路径查找,直接以GeoHash编码索引值作为判断标准,进行快速查找.GeoHash值是经纬度经过一系列编码转换后的实际值,能够拓扑网格中的属性值,减少算法的计算时间,优化算法的时间复杂度.提高A*算法在道路规划、运行调度、无人驾驶路径分析时的最短路径计算时间,可增加实际应用广泛性.     

面向反恐战术边缘的移动云服务模型架构

分析了新形势下在反恐战术边缘执行反恐任务所面临的问题以及解决以上问题的能力需求,提出了面向反恐战术边缘的移动云服务模型,并分别从总体架构、边缘架构、指控架构和功能架构等方面对模型相关策略和要素进行了描述.分析了该模型的运行机制,为实现在反恐战术边缘提供机动灵活的信息交换和处理能力提供了一种新的途径.     

基于改进粒子群算法的火炮内弹道多参数符合计算

为了研究火炮在发射过程中膛内火药燃烧规律以及弹丸运动规律,需要建立火炮内弹道数学模型并进行数值求解,在此过程中对部分内弹道参数进行符合计算是优化内弹道模型的重要途经之一.在经典内弹道方程组的基础上,阐述了经典内弹道计算原理,并对基本粒子群算法进行了改进,使改进后的粒子群算法在迭代初期有较大的惯性权重ω和学习因子c1以及较小的学习因子c2,而在迭代后期有较小的惯性权重ω和学习因子c1以及较大的学习因子c2,从而有效地避免粒子群陷入局部最优而导致收敛精度低的缺陷.将改进后的粒子群算法应用于火炮内弹道多参数符合计算,算例结果表明该方法完全满足工程实际要求,具有收敛速度快、符合精度高的特性,是火炮内弹道多参数符合计算的理想算法之一.     

基于改进蜂群算法的无人机路径规划

人工蜂群算法存在初始蜜源具有随机性,后期收敛速度慢,易早熟等问题.运用最大最小距离积法处理初始蜜源,把K均值聚类算法与人工蜂群算法相结合,提出改进的人工蜂群算法,用于解决无人机路径规划问题.仿真结果表明改进的人工蜂群算法收敛速度更快,得到的解的适应度更好.     

基于GAPSO-TS的多基地无人机航路-时间协同规划

针对多基地无人机协同规划航迹计算复杂、容易陷入局部最优的问题,在遗传粒子群算法(GAPSO)的基础上,引入禁忌搜索算法(Tabu-Search)混合为GAPSO-TS算法,通过与PSO、GAPSO算法对比,表明GAPSO-TS算法能够提高全局寻优性能,同时相对于GAPSO算法,加快了收敛速度.在多无人机时间协同三维航路规划里应用GAPSO-TS算法可以更快的收敛,同时设计以时间协同为约束的适应度函数,函数具有简单易行的特点,保证了不同基地的无人机都可以在同一时间内最快到达目的地,实验结果验证了算法的可行性.     

联合势场与蚁群算法的机器人路径规划

针对全局静态环境下传统蚁群算路径规划时,易陷入局部最优、前期路径有效性差等问题,提出了基于改进人工势场局部搜索和改进蚁群算法全局搜索的机器人路径规划算法.在地图环境栅格化基础上,算法首先利用有效障碍物检测和临时中间目标点改进人工势场算法,以优化其死锁和欠优问题,通过改进人工势场优化蚁群算法的初始路径搜索,避免其早期的交叉等问题,同时构建与收敛相关的负反馈通道,调节全局与局部信息素的自适应更新,以平衡算法的收敛速度与全局搜索能力.简单环境与复杂环境的仿真实验结果表明,所提算法具有较好的全局搜索能力,收敛速度和搜索能力优于已有改进蚁群算法,验证了算法的有效性.     

邀请论文：大数据挖掘创新的新思路

以计算机为主的现代手段,在数据挖掘中虽然取得了很大成功,但是与现实的需求相比,仍有巨大的差距。大数据挖掘创新将是一个永恒的主题。吴文俊院士创造的计算机算法“吴方法”,是汲取中国传统科学思想方法精华的瑰宝,不仅开辟了定理机器证明的科学新方向,而且还创造了大数据挖掘的新方法。“吴方法”显示了传统科学方法与计算机主导的现代手段相结合的巨大威力,必将对大数据挖掘创新产生不可估量的影响。本文还通过深入分析一些重大科学发现,如行星运动三定律、DNA双螺旋结构等案例,探讨了传统科学思想方法对大数据挖掘的重要启示。