量子动力学框架(QDF)是在优化算法量子动力学模型下得到的具有代表性和普遍意义的优化算法的基本迭代过程,差解接受是避免优化算法陷入局部最优、解决算法早熟问题的一种重要机制。为了在QDF中引入差解接受机制,以量子动力学模型为基础将差解视为粒子运动过程中遇到的势垒,利用量子隧道效应中的透射系数计算粒子穿透该势垒的概率,从而得到量子动力学模型下的差解接受准则:势垒估计准则(PBEC)。PBEC与势垒高度和宽度、粒子的质量均有关系,比经典的Metropolis接受准则更能全面地估计优化算法采样时遇到差解时的行为。实验结果表明,基于PBEC的QDF算法相较于基于Metropolis接受准则的QDF算法,在求解函数过程中算法跳出局部最优的能力更强、搜索效率更高,表明PBEC在量子优化算法中是一种可行且有效的差解接受机制。
针对目前元启发式算法在求解组合优化问题中的旅行商问题(TSP)时求解缓慢的问题,受量子理论中波函数的启发提出一种多尺度自适应的量子自由粒子优化算法。首先,在可行域中随机初始化表示城市序列的粒子,作为初始的搜索中心;然后,以每个粒子为中心进行当前尺度下的均匀分布函数的采样,并交换采样位置上的城市编号产生新解;最后,根据新解相较上一次迭代中最优解的优劣进行搜索尺度的自适应调整,并在不同的尺度下进行迭代搜索直到满足算法结束条件。将该算法和混合粒子群优化(HPSO)算法、模拟退火(SA)算法、遗传算法(GA)和蚁群优化算法应用在TSP上进行性能测试,实验结果表明自由粒子模型算法适合求解组合优化问题,在TSP数据集上相比目前较优算法在求解速度上平均提升50%以上 。
多尺度量子谐振子算法是一种基于量子理论构建的智能优化算法。能级稳定过程是该算法的核心迭代过程之一,能级稳定判据是判断算法是否达到暂稳态的条件。通过对算法物理模型的分析,可知算法在初始采样阶段每一次迭代操作都是能级下降的过程,所以取消能级稳定判据,也可实现算法从高能态过渡到暂稳态直至基态的进化过程。无能级稳定判据的算法在6个标准测试函数上的结果显示其在求解精度、成功率、迭代次数上均表现出了优异的性能,算法的波函数显示无能级稳定判据的算法仍然可以完成从高能态到基态的收敛,且算法在结构上更加简洁,易用性更高,实现难度更低。无能级稳定判据的多尺度量子谐振子算法能够以更加简洁且有效的方式进行应用。
基于四元三角格网(QTM)之间距离计算与比较的球面Voronoi图生成算法相对于扩张算法具有较高的精度,但由于需要计算并比较每个格网到所有种子点的距离,致使算法效率较低。针对这一问题,利用图形处理器(GPU)并行计算对算法进行实现,然后从GPU共享内存、常量内存、寄存器等三种内存的访问方面进行优化,最后用C++语言和统一计算设备架构(CUDA)开发了实验系统,对优化前后算法的效率进行对比。实验结果表明,不同内存的合理使用能在很大程度上提高算法的效率,且数据规模越大,所获得的加速比越高。
针对传统推荐算法忽略时间因素的问题,根据个体用户短期行为的相似性,利用时间衰减函数计算项目间相关关系,提出基于用户兴趣的项目关联度; 将其用于项目相似度的计算,提出基于用户兴趣的项目相似度; 同时基于项目关联度对ItemRank算法进行改进,提出一种结合时间因素的TItemRank算法.实验结果表明, 利用项目关联度对推荐算法进行改进时,在推荐项目数较少的情况下能够明显地改善推荐效果.特别地,在推荐项目数为20时,基于用户兴趣的项目相似度相比余弦相似度和Jaccard相似度,推荐准确率分别提高了21.9%、6.7%; 在推荐项目数为5时,TItemRank算法相比ItemRank算法推荐准确率提高2.9%.
针对图像处理与机器视觉以及三维图形渲染等所具有的大规模并行处理特征,通过充分利用面向图形图像处理的多态阵列架构(PAAG)处理器的可编程性以及灵活的并行处理方式,采用操作级并行与数据级并行相结合的并行化设计方法,实现了OpenVX中Kernel函数以及3D图形渲染.实验结果表明,在OpenVX标准图像处理Kernel函数以及图形渲染的并行实现中,采用PAAG处理器中的多指令多数据(MIMD)并行处理方式可以获得斜率为1的线性加速比,比传统图形处理器(GPU)中单指令多数据(SIMD)并行处理方式所得到的斜率值小于1的非线性加速比效率更高.
针对传统图像检索方法在处理海量图像数据时面临困扰的问题,提出了一种基于传统视觉词袋(BoVW)模型和MapReduce计算模型的大规模图像检索(MR-BoVW)方案。该方案充分利用了Hadoop云计算平台海量存储能力和强大的并行计算能力。为了更好地处理图像数据,首先引入一种改进的Hadoop图像数据处理方法,在此基础上分特征向量生成、特征聚类、图片的向量表示与倒排索引构建三个阶段MapReduce化。多组实验表明,MR-BoVW方案具有优良的加速比、扩展率以及数据伸缩率,效率均大于0.62,扩展率以及数据伸缩率曲线平缓,适于大规模图像检索。