导读:本文包含了自适应搜索论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:自适应,算法,趋光性,行人,张量,极值,目标。
自适应搜索论文文献综述
曹建芳,李艳飞,崔红艳,张琦[1]（2019）在《自适应样本块局部搜索算法对古代寺观壁画的修复》一文中研究指出针对开化寺宋代寺观壁画存在的脱落病害侵蚀问题,在Criminisi算法的基础上,提出一种自适应样本块局部搜索(ASB-LS)的图像修复算法,实现了壁画脱落区域的虚拟修复.首先分析壁画的构图特征,引入结构张量,利用其特征值重新定义数据项,确保图像的结构信息可以准确传播;然后利用该数据项构成新的优先级函数,使得图像的填充顺序更合理;最后利用结构张量的平均相关性自适应选择样本块的大小,同时采用局部搜索策略提升匹配效率,有效地避免了修复后图像结构误传播和匹配块盲目搜索的问题.在VisualStudio2015环境下、采用开化寺宋代壁画进行仿真实验,与Criminisi算法和其他相关算法相比较,结果表明,提出的ASB-LS算法的修复效果较理想,主观视觉上有明显提升,更符合图像的构图特征;同时修复效率有较大提升,峰值信噪比最大提高了3.1 dB,平均提高了0.9 dB,为古代壁画的实际修复奠定了良好的基础.(本文来源于《计算机辅助设计与图形学学报》期刊2019年11期）
毕华玲,卢福强,苏佳,高孟影[2]（2019）在《IT外包进度风险控制的自适应禁忌搜索算法》一文中研究指出针对委托代理模式下的IT外包项目的进度风险控制问题构建了双层结构的优化模型.设计了自适应禁忌搜索算法对模型进行求解,该算法将多样化搜索机制与禁忌搜索相结合,在算法运行过程中,根据适应值的反馈自动调整禁忌搜索强度与多样化搜索力度;同时,应用贪婪策略构造初始解,循环交替应用两种邻域结构提高算法寻优能力.实验结果表明,进度风险控制显着地降低了IT外包项目的拖期风险,同时使委托方和代理商双方实现收益最大化.将自适应禁忌搜索算法的实验结果分别与遗传算法、模拟退火算法、禁忌搜索算法、自适应遗传算法和自适应模拟退火算法的实验结果进行了比较:在收敛程度和稳定性方面自适应禁忌搜索算法优于其它算法,并且随着问题规模的增加,该算法的优势更为明显.(本文来源于《信息与控制》期刊2019年04期）
张德发[3]（2019）在《动态目标搜索中自适应参数差分进化算法仿真》一文中研究指出为了准确、高效地完成动态目标的搜索,需要对动态目标搜索方法进行研究。采用当前方法对动态目标进行搜索时,不能有效的去除运动过程中动态目标背景存在的噪声,且搜索动态目标所用的时间较长,存在搜索效率低和准确率低的问题。在自适应参数差分进化算法的基础上提出一种动态目标搜索方法,根据动态目标运动矢量计算子图像块的最小平均绝对差值,对动态目标背景进行补偿。采用自适应参数差分进化算法初始化种群、设置参数,根据调整后的变异率和交叉率对种群进行变异操作和交叉操作,最后对种群进行选择操作,通过设置终止条件输出得到动态目标的搜索结果,完成动态目标的搜索。仿真结果表明,所提方法的搜索效率高、准确率高。(本文来源于《计算机仿真》期刊2019年08期）
刘昊霖,池金龙,邓清勇,彭鑫,裴廷睿[4]（2019）在《基于自适应局部搜索的进化多目标稀疏重构方法》一文中研究指出在稀疏重构中,重构误差项和稀疏项通常使用一个正则化参数聚合成单目标函数,很难实现2个目标的均衡优化,这个缺陷通常导致稀疏重构精度低.为此,提出一种自适应局部搜索的多目标进化算法.首先,基于范数和l_1范数和l_(1/2)范数分别设计了2种梯度迭代软阈值法的局部搜索方法求得相应解,这2种局部搜索方法可以提高解的收敛速度和精确度;其次,通过比较对应的目标函数值来竞争选取每轮的优胜解;然后,采用基于竞争成功率的自适应择优局部搜索方法来产生后期解;最后,在帕雷托前沿面的膝盖区域上采用角度法选取最优解.实验结果表明:测量误差和稀疏项可以达到平衡,在重构精度方面,提出的方法远高于现有的传统单目标方法.相比于StEMO算法,当测量维度M=600时,该方法可以提高33.8%;当噪声强度δ=0.002时可以提高82.7%;当稀疏率K/N=0.3时可以提高7.38%.(本文来源于《计算机研究与发展》期刊2019年07期）
宋育武,李娟,贾林通[5]（2019）在《障碍物环境下的多UAV自适应目标搜索算法研究》一文中研究指出针对未知环境下,无人飞行器(UAV,Unmanned Aerial Vehicle)利用传统搜索模式或离线设计航迹规划的方法进行多目标搜索,尤其是在未知的障碍物环境中,利用传统的搜索算法会出现搜索效率低,定位精度不稳定和环境适应能力差等问题。文章提出一种多UAV自适应目标搜索方法,根据传感器获取环境的目标信息,利用分区域协同规划策略,实现多UAV对所分配的子区域做自适应目标搜索;仿真结果表明,该方法能够很好地完成在未知环境中出现不确定障碍物情况下的目标搜索任务,而且在保障搜索到的目标状态信息可信度的情况下,具有较强的环境适应性,搜索效率较高。(本文来源于《科技创新与应用》期刊2019年21期）
周田江,钱谦,伏云发[6]（2019）在《融合模拟退火和自适应的天牛须搜索算法》一文中研究指出天牛须搜索算法是一种新型单体智能优化算法,该算法在低维函数优化中收敛速度快并且具有全局寻优能力,但在多维函数中收敛速度慢,寻优精度较低。针对以上缺点,提出了一种融入模拟退火过程以及自适应因子的改进天牛须搜索算法。该算法在寻优阶段采用自适应因子加快收敛,再通过模拟退火过程概率性跳出局部最优。采用6个标准测试函数进行测试,并与天牛须搜索算法、天牛群算法和模拟退火算法进行对比。仿真结果表明,该算法在多维函数优化问题中有更好的寻优能力。(本文来源于《通信技术》期刊2019年07期）
曹牧寒,李长红,曹凯,陈超波[7]（2019）在《基于梯度自适应极值搜索算法的趋光控制研究》一文中研究指出源定位已成为国内外研究的热点问题,为了在实验室环境下研究移动机器人的趋光性,对源定位理论方法进行了研究,设计了地面移动机器人光源定位平台,通过该平台来验证趋光理论的可行性;首先,利用对角线控制策略和梯度自适应极值搜索算法分别进行趋光实验,完成移动机器人对光源的定位;其次,使用MeanShift目标跟踪算法跟踪移动机器人的运动轨迹;最后,绘制出光源强度分布等值线并分析了移动机器人的运动轨迹;相比于对角线控制策略,梯度自适应极值搜索算法根据当前区域梯度值自适应调整反馈增益参数,提高了源定位效率,并在光源定位平台验证了该算法的有效性和稳定性。(本文来源于《计算机测量与控制》期刊2019年06期）
张莹[8]（2019）在《基于自适应排序函数和深度特征学习的行人搜索算法研究》一文中研究指出近几年来行人搜索发展迅速,成为智能视频监控中的关键技术,在视频侦查、行人跟踪以及行为分析等领域发挥着越来越重要的作用。行人搜索的目的是利用计算机视觉技术判断监控图像或视频中是否存在特定行人。早期的行人搜索主要是基于给定的目标图像进行跨摄像头行人再识别,随着研究的深入和应用的逐步拓展,行人搜索发展到可以针对视频环境和开放场景来查找目标,并根据自然语言描述来进行跨模态搜索。行人搜索研究技术也从传统的基于手工特征设计和度量函数学习发展到基于深度神经网络从数据中自动学习特征表示。本文分析了行人搜索不同发展阶段的研究现状,并针对行人搜索技术研究中如何学习更优的排序函数和如何学习判别能力更强的特征等问题展开了深入研究。本文主要贡献如下:(1)提出基于特定样本支持向量机学习和最小二乘半耦合字典学习的行人再识别算法。针对大多行人再识别算法中采用统一相似度排序函数而难以考虑样本独特性问题,本文将行人再识别问题转化为二分类问题,并针对每个行人学习特定样本支持向量机作为其相似度排序函数,不仅使得排序函数能够自适应行人的特征表示,提高模型对不同行人的判别能力,还可以有效强化匹配样本和非匹配样本的相似度差异。接下来,本文提出最小二乘半耦合字典学习来联合学习特征字典、排序函数字典以及特征空间和排序函数空间样本重构系数之间的映射关系,从而使得新的样本可以根据自身特征重构出其相适应排序函数。该算法采用l2-范数替代传统字典学习算法中的l1-范数正则化约束,不仅提高了字典学习和排序函数推断效率,而且可以有效应对行人再识别任务中特征维度高、样本数量少、差异大等情况,进一步提升再识别性能。(2)提出基于深度互学习的行人再识别算法。针对基于深度学习的行人再识别算法对平衡模型效率和准确率的需求,本文提出了简单有效的深度互学习算法,通过与其他网络联合训练来提升深度神经网络的再识别性能。本文为互学习训练中每个网络定义两种损失函数:一种是传统的监督损失函数,用来度量网络预测样本类别与真实标签之间的差异;另一种是网络之间的交互损失函数,用于度量不同网络估计的类别概率分布之间的差异。该算法不仅可以使得每个网络学习如何正确分类样本,还可以使得每个网络在训练过程中借鉴其它网络的学习经验来提升泛化能力,从而学习到判别能力更强的深度行人特征。本文将两个网络深度互学习扩展到多网络互学习场景中,并发现更多同伴网络的学习经验可以进一步提升每个网络的性能。本文还将该算法扩展到半监督学习场景,在标记样本数量较少情况下利用未标记样本的模拟损失约束来提升模型的预测能力。最后,本文对深度互学习算法的作用机制进行了理论分析和实验验证,表明深度互学习算法可以帮助网络找到一个更平缓的极小点,对噪声干扰具有较好的鲁棒性,具备更好的泛化性能。(3)提出基于跨模态投影学习的行人搜索算法。针对基于自然语言描述的跨模态行人搜索任务,本文提出了跨模态投影匹配损失函数和跨模态投影分类损失函数来学习文本和图像的联合特征嵌入。跨模态投影匹配损失函数将文本与图像特征之间的标量投影转化为匹配概率,并通过最小化估计匹配概率分布与真值匹配概率分布之间的KL散度来学习跨模态匹配特征。相较于常用的典型相关分析和双向排序损失函数,该损失函数从概率拟合角度来约束匹配样本相似度大于非匹配样本相似度,利用了批量中所有样本之间的相关性,避免了正负样本选择和超参数调节,且对批量大小变化具有较强的鲁棒性。针对具有类别标签的情况,跨模态投影分类损失函数将跨模态投影策略与归一化分类损失函数相结合,通过分类文本和图像特征之间互相投影后的特征向量来进一步增大类间样本差异,并强化类内不同模态特征的紧密度。(本文来源于《大连理工大学》期刊2019-06-13）
张毅,雷玉霞[9]（2019）在《自适应调整布谷鸟搜索算法研究》一文中研究指出布谷鸟算法是基于启发式搜索的智能仿生算法。传统的布谷鸟算法收敛速度较慢,容易陷入局部最优解。针对该算法特点,对算法原理进行了分析,并就算法中步长和发现概率两个控制因素进行改进,使其根据迭代次数动态变化,提出了具有自适应调整特点的搜索算法,改变了步长和发现概率相应的更新方式,避免了传统布谷鸟算法容易陷入局部最优的缺陷,以增强算法搜索性能。实验对比表明,自适应调整的布谷鸟算法具有更好的寻优性能。(本文来源于《软件导刊》期刊2019年08期）
罗紫韧[10]（2019）在《基于自适应权重的改进共生生物搜索算法》一文中研究指出传统的共生生物搜索算法有着较好的全局搜索能力,但是容易陷入局部最优。为了解决这个问题,笔者提出了基于自适应权重的改进共生生物搜索算法,能够跳出局部最优,并且能够向目标移动时逐渐收敛,更好地找到目标函数的最优值。通过对6个标准测试函数的实验仿真,发现基于自适应权重的改进共生生物搜索算法的寻优能力得到加强,运算时间减少,稳健性更强。(本文来源于《科技创新与生产力》期刊2019年04期）
自适应搜索论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对委托代理模式下的IT外包项目的进度风险控制问题构建了双层结构的优化模型.设计了自适应禁忌搜索算法对模型进行求解,该算法将多样化搜索机制与禁忌搜索相结合,在算法运行过程中,根据适应值的反馈自动调整禁忌搜索强度与多样化搜索力度;同时,应用贪婪策略构造初始解,循环交替应用两种邻域结构提高算法寻优能力.实验结果表明,进度风险控制显着地降低了IT外包项目的拖期风险,同时使委托方和代理商双方实现收益最大化.将自适应禁忌搜索算法的实验结果分别与遗传算法、模拟退火算法、禁忌搜索算法、自适应遗传算法和自适应模拟退火算法的实验结果进行了比较:在收敛程度和稳定性方面自适应禁忌搜索算法优于其它算法,并且随着问题规模的增加,该算法的优势更为明显.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应搜索论文参考文献
[1].曹建芳,李艳飞,崔红艳,张琦.自适应样本块局部搜索算法对古代寺观壁画的修复[J].计算机辅助设计与图形学学报.2019
[2].毕华玲,卢福强,苏佳,高孟影.IT外包进度风险控制的自适应禁忌搜索算法[J].信息与控制.2019
[3].张德发.动态目标搜索中自适应参数差分进化算法仿真[J].计算机仿真.2019
[4].刘昊霖,池金龙,邓清勇,彭鑫,裴廷睿.基于自适应局部搜索的进化多目标稀疏重构方法[J].计算机研究与发展.2019
[5].宋育武,李娟,贾林通.障碍物环境下的多UAV自适应目标搜索算法研究[J].科技创新与应用.2019
[6].周田江,钱谦,伏云发.融合模拟退火和自适应的天牛须搜索算法[J].通信技术.2019
[7].曹牧寒,李长红,曹凯,陈超波.基于梯度自适应极值搜索算法的趋光控制研究[J].计算机测量与控制.2019
[8].张莹.基于自适应排序函数和深度特征学习的行人搜索算法研究[D].大连理工大学.2019
[9].张毅,雷玉霞.自适应调整布谷鸟搜索算法研究[J].软件导刊.2019
[10].罗紫韧.基于自适应权重的改进共生生物搜索算法[J].科技创新与生产力.2019
论文知识图
