导读:本文包含了随机搜索算法论文开题报告文献综述及选题提纲参考文献，主要关键词:随机搜索算法,异源激光图像,匹配,边缘图像
随机搜索算法论文文献综述
王荣荣,王团部,吕林涛,李洵[1]（2019）在《基于随机搜索算法的异源激光图像匹配方法》一文中研究指出传统激光图像匹配方法在匹配亮度和对比度差异较高的异源图像时,存在匹配效果差的弊端,为此提出基于随机搜索算法的异源激光图像匹配方法,采用基于相位一致性的特征点和边缘检测算法,采集异源图像特征点和边缘图像,利用基于随机轮廓检索的图像配准算法,通过轮廓直线化算法采集边缘图像特征点后,通过随机搜索算法对提取的特征点实施鲁棒的匹配,完成异源激光图像配准。实验结果说明,所提方法对不同异源激光图像的匹配效果较佳,匹配速度增长率最大值是45%,正确率和效率均值都高于95%,该方法是一种高效率、高精度的异源激光图像匹配方法。(本文来源于《激光杂志》期刊2019年06期）
魏耀[2]（2018）在《基于随机搜索和准稠密匹配的多视角立体重建算法研究》一文中研究指出随着计算机视觉技术的兴起和发展,基于图像的叁维重建技术得到了广大学者的密切关注,逐渐成为研究热点。由于基于图像的叁维重建方法仅需重建场景的图像信息,相比于基于设备的叁维重建方法和几何造型方法有着成本低廉、操作简便、适用范围广泛等优势,现已在生活娱乐、文物保护、医疗领域、城市规划等方面得到广泛应用。论文深入研究了近年来综合性能最好的基于面片的多视角立体重建算法(PMVS),针对PMVS算法参数空间中局部最优问题以及初始点云过稀疏问题展开探索。空间面片的几何参数优化是PMVS算法的重要环节,其采用的共轭梯度法易陷入局部最优值问题,由于随机搜索算法具有全局寻优能力,能够有效求解非线性、多峰函数优化问题,因此论文引入随机搜索算法改善PMVS空间面片的几何参数优化性能。首先介绍了经典的随机搜索算法原理,分别构建了基于粒子群(Particle Swarm Optimization,PSO)、差分进化及遗传算法的空间面片几何参数优化模型,通过优化性能对比分析提出了基于粒子群的改进算法PSO-PMVS,并在相关数据库上与经典的PMVS算法作性能比对,仿真实验结果表明PSO-PMVS的重建结果在完整度和精确度上都有所提升。由于PMVS算法存在初始点云过稀疏及精度粗糙现象,造成点云扩散过程中的重建误差累积问题,论文针对性地提出了基于准稠密匹配、叁维参数空间邻域寻优及随机搜索优化的叁维重建框架。其中准稠密匹配通过稀疏匹配的邻域传播克服初始面片数量较少的问题,并提高了初始点云的重建质量。叁维参数空间邻域寻优则利用空间面片之间的邻域信息约束完成面片几何参数的初始优化,且能够补全准稠密匹配遗留的点云孔洞。最后利用随机搜索和视图传播进一步提高密集点云的质量,并利用可见一致性约束和局部连续性约束滤除外点、离群点及冗余点,完成整个重建过程。仿真实验结果表明,与PMVS算法相比,论文所提重建框架在重建指标及视觉效果上能够获得有效提升。(本文来源于《西安电子科技大学》期刊2018-06-01）
曾辰子,余旌胡,邹桢苹[3]（2018）在《基于多样变异随机搜索的差分进化算法》一文中研究指出为解决差分进化算法(DE)易陷入局部最优、收敛速度慢等问题,提出一种基于多样变异随机搜索的差分进化算法(DMSDE),并证明算法依概率收敛.DMSDE算法在保留DE算法变异操作的同时采用变异比例因子自适应调整策略提高种群进化效率;然后利用改进的交叉算子加快算法收敛速度;此外,构造了一个新颖的多样变异算子来增强算法局部搜索能力并确保种群多样性.通过8个常用标准测试函数上的实验表明,所提出的算法在收敛精度、稳定性、收敛速度方面都优于其他5种算法,具有较高的优化性能.(本文来源于《武汉大学学报(理学版)》期刊2018年03期）
宣春松[4]（2017）在《一种自主车辆架构分析及快速随机搜索树算法研究》一文中研究指出从自主车辆的软硬件架构及路径规划两方面,对自主车辆架构进行了分析与研究,并在此基础上给出了一种路径规划系列算法及算法中存在的有限状态机实现自主控制行进,通过仿真实现了一种自主车辆的路径规划算法。(本文来源于《山西科技》期刊2017年06期）
杨澜,惠飞,侯俊,穆柯楠,武晓洁[5]（2018）在《基于免疫进化的野草优化随机搜索算法》一文中研究指出针对野草优化随机搜索算法中存在的不成熟收敛问题和易陷入局部极值的缺陷,提出了一种基于免疫进化的野草优化随机搜索算法。该算法引入免疫进化理论对野草种群中的最优个体进行免疫进化迭代计算,并且充分利用最优个体引导不同野草个体进行局部搜索和全局搜索,能够有效避免算法陷入局部极值,并且以更高的精度逼近全局最优解。实验通过对4种典型Benchmark测试函数进行数值寻优曲线对比与平均最优解对比,结果表明,相比于遗传算法、粒子群优化算法与传统的野草优化随机搜索算法,该算法具有更好的寻优能力、稳定的效果和更快的收敛速度。(本文来源于《计算机技术与发展》期刊2018年02期）
吕亚丽,武佳杰,梁吉业,钱宇华[6]（2017）在《基于超结构的BN随机搜索学习算法》一文中研究指出近年来,贝叶斯网络(Bayesian network,BN)在不确定性知识表示与概率推理方面发挥着越来越重要的作用.其中,BN结构学习是BN推理中的重要问题.然而,在当前BN结构的2阶段混合学习算法中,大多存在一些问题:第1阶段无向超结构学习中存在容易丢失弱关系的边的问题;第2阶段的爬山搜索算法存在易陷入局部最优的问题.针对这2个问题,首先采用Opt01ss算法学习超结构,尽可能地避免出现丢边现象;然后给出基于超结构的搜索算子,分析初始网络的随机选择规则和对初始网络随机优化策略,重点提出基于超结构的随机搜索的SSRandom结构学习算法,该算法一定程度上可以很好地跳出局部最优极值;最后在标准Survey,Asia,Sachs网络上,通过灵敏性、特效性、欧几里德距离和整体准确率4个评价指标,并与已有3种混合学习算法的实验对比分析,验证了该学习算法的良好性能.(本文来源于《计算机研究与发展》期刊2017年11期）
肖静,张闻光[7]（2017）在《受控随机搜索算法的车辆液压伺服主动悬架控制系统研究》一文中研究指出针对伺服液压车辆主动悬架系统(active vehicle suspension system,AVSS),在非线性的伺服液压四分之一车辆主动悬挂系统模型的基础上,提出了一种基于受控随机搜索算法的PID控制器设计,以便提高车辆乘坐舒适性以及操纵性能。提出PID控制器的控制参数能根据系统运行状态的变化,进行优化调整。在相同路面干扰方面情况下,将基于提出PID控制器的主动悬架与被动悬架进行了比较。模拟结果表明,基于提出PID控制的主动悬架能有效降低车身加速度和轮胎动载荷,有效改善了车辆的乘坐舒适性以及操纵性能。(本文来源于《机械设计与制造》期刊2017年08期）
武佳杰[8]（2017）在《基于超结构与随机搜索的BN结构学习算法》一文中研究指出近年来,贝叶斯网络(Bayesian network,BN)在不确定性知识表示与概率推理方面发挥着越来越重要的作用。作为一种重要的图模型方法,该模型已被广泛应用于生物信息学、金融预测分析、编码学、数据挖掘与机器学习等领域。其中,BN结构学习是BN推理研究中的重要问题,也是该模型推向应用的前提基础。然而,当前较为流行的两阶段混合结构学习算法中,大多存在两个问题:第一阶段无向超结构学习中存在容易丢失弱关系的边的问题;第二阶段的爬山随机搜索时存在易陷入局部极值的问题。针对这些问题,本文基于超结构和随机搜索策略,研究了两种BN结构的混合学习算法。具体研究内容和创新之处包括:第一,提出了基于超结构和随机搜索的SSRS算法。首先采用Opt01ss算法学习超结构,尽可能地避免出现丢边现象。然后,给出基于超结构的两种随机搜索操作,分析初始网络的随机产生规则和对初始网络的随机优化策略,重点提出SSRS结构学习算法,该算法在一定程度上可以很好地跳出局部最优极值。第二,提出了扩展的SSRS算法,即E-SSRS算法。在E-SSRS算法中,首先在初始网络的选择阶段,增加了通过评分选择对每条边添加方向之步骤,使得选取的初始网络更靠近最优网络。然后,在优化阶段,对删边策略进行了扩展,使用了基于马尔科夫毯的策略对网络进行修剪,进一步提出E-SSRS算法。通过扩展,使该算法减少了搜索次数,进一步提高算法效率。第叁,设计并实现了SSRS算法和E-SSRS算法。分别在标准Survey,Asia和Sachs,Child网络上,通过几种评价指标,并与已有六种混合学习算法实验结果的对比分析,验证了本文所提出的两种混合结构学习算法的良好性能。(本文来源于《山西财经大学》期刊2017-06-10）
王家天[9]（2017）在《基于随机搜索策略的特征选择算法研究》一文中研究指出生物科学技术的快速发展,产生了海量复杂的生物数据;同时生物信息数据特征维数通常会比较高。高维、复杂的生物数据的分析处理需求促进了数据挖掘、统计分析等方法的高速发展。生物信息数据中经常包含噪音变量和无关特征,从复杂的高维生物数据中挖掘出富含信息的特征,滤除噪音,对探究生物问题的本质具有重要的意义。在数据挖掘技术中,特征选择技术是一种有效的高维数据的降维方法,近些年已经被广泛地应用到生物信息数据的分析处理当中。本文提出的改进的基于职业网球选手排名的特征选择算法(Modified Professional Tennis Player Ranking,MPTPR)是一种基于随机搜索的特征选择算法,它是在基于职业网球选手排名的特征选择算法(Professional Tennis Player Ranking,PTPR)基础上,结合了轮盘赌算法。PTPR算法分别从种子集和非种子集中以等概率抽取特征,而MPTPR算法分别在种子集和非种子集中加入了轮盘赌机制,使得两个集合中得分相对较高的特征有较高的概率被抽取参与下一轮的评价。本文在8个公共数据集上将该算法与原始的算法进行比较,实验结果表明在大部分数据集上,MPTPR算法得到特征的分类性能要优于PTPR算法得到的特征。一种基于对称不确定性和k近邻分类器结合的特征选择算法(Symmetrical Uncertainty-k Nearest Neighbor,SU-KNN)也是基于随机搜索策略的特征选择算法。该算法首先从特征集合中随机抽取多个特征子集,对于每个特征子集,使用kNN分类器得到的准确率作为评价指标对特征子集进行前向搜索,保留搜索过程中准确率最高的特征子集,计算特征在所有搜索到的子集上的平均准确率得分,结合其对称不确定性对特征进行综合的评价。本文在8个公共数据集上对该算法的性能进行测试,结果表明在大部分数据集上,SU-KNN算法得到特征的分类能力要优于其他常用的Filter特征选择方法所选出的特征。本文提出的两种特征选择方法都基于随机搜索策略,相比与SU-KNN算法,MPTPR算法结合了轮盘赌算法对特征进行抽取。在对特征进行重要性评价时,两个算法的评价方式是不同的,MPTPR算法使用决策树来对特征进行评价,SU-KNN算法使用k近邻分类器对特征进行评价。两个算法最终分别对每个特征进行评价打分,根据特征得分给出最后的特征排名,本文在8个公共数据集上对两种算法进行性能上的比较。(本文来源于《大连理工大学》期刊2017-05-31）
任雪杰[10]（2017）在《随机逼近算法与随机搜索相关问题研究》一文中研究指出随机搜索,是指单个或多个智能体(车辆或机器人)按照某种随机机制找到某信号的源点或目标函数的极值点.它在自然界和人类生活中广泛存在,受到国内外诸多学者的关注和研究.因计算上的需要,离散时间下的随机搜索比连续时间随机搜索有更重要的研究意义.许多随机搜索都需要利用目标函数的信息(如函数形式或梯度信息),已有的无目标函数信息的随机搜索主要考虑随机极值搜索算法(Stochastic Extremum Seeking,SES),也有少数学者利用了随机逼近思想,但往往事先假设估计序列有界.另外,分布式随机搜索因为要考虑智能体之间的邻居关系、数据传输和时延等,也没有完善的成果.本文给出了离散时间随机搜索算法控制智能体搜索到目标函数的极大值点(或极小值点).基于扩展截尾随机逼近算法的思想,去掉了有界性的假设并减弱噪声条件.本文主要工作如下:1.研究了两类车辆(速度驱动车辆和力驱动车辆)作为搜索个体的随机源搜索.通过对时间区间的划分,离散采样得到了离散时间下的运动模型,并将之与已有的扩展截尾随机逼近算法结合,给出了离散时间随机源搜索算法及其收敛的充要条件.最后,给出了两个数值仿真实例,验证了算法的有效性.2.研究了分布式随机源搜索问题,即N个小车通过交换对信号域的量测值合作式搜索该信号域的源,更进一步考虑分布式随机极值搜索问题,即N个小车利用含噪声干扰的量测值合作式搜索全局目标函数(N个局部价值函数的和)的极大值点.首先将N个小车(速度驱动车辆或力驱动车辆)看成节点后构成了 一个网络,把每个车辆的动态模型通过相同的时间区间划分做离散化处理.随后给出了距离的定义,由此确定智能体之间的邻居关系并构造了权重矩阵.然后给出了分布式随机源搜索算法并证明了其收敛性.加强假设条件、修改分布式源搜索算法后,极值点的分布式搜索问题得以解决.最后通过数值仿真验证了算法的有效性.(本文来源于《东南大学》期刊2017-02-25）
随机搜索算法论文开题报告
（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：
随着计算机视觉技术的兴起和发展,基于图像的叁维重建技术得到了广大学者的密切关注,逐渐成为研究热点。由于基于图像的叁维重建方法仅需重建场景的图像信息,相比于基于设备的叁维重建方法和几何造型方法有着成本低廉、操作简便、适用范围广泛等优势,现已在生活娱乐、文物保护、医疗领域、城市规划等方面得到广泛应用。论文深入研究了近年来综合性能最好的基于面片的多视角立体重建算法(PMVS),针对PMVS算法参数空间中局部最优问题以及初始点云过稀疏问题展开探索。空间面片的几何参数优化是PMVS算法的重要环节,其采用的共轭梯度法易陷入局部最优值问题,由于随机搜索算法具有全局寻优能力,能够有效求解非线性、多峰函数优化问题,因此论文引入随机搜索算法改善PMVS空间面片的几何参数优化性能。首先介绍了经典的随机搜索算法原理,分别构建了基于粒子群(Particle Swarm Optimization,PSO)、差分进化及遗传算法的空间面片几何参数优化模型,通过优化性能对比分析提出了基于粒子群的改进算法PSO-PMVS,并在相关数据库上与经典的PMVS算法作性能比对,仿真实验结果表明PSO-PMVS的重建结果在完整度和精确度上都有所提升。由于PMVS算法存在初始点云过稀疏及精度粗糙现象,造成点云扩散过程中的重建误差累积问题,论文针对性地提出了基于准稠密匹配、叁维参数空间邻域寻优及随机搜索优化的叁维重建框架。其中准稠密匹配通过稀疏匹配的邻域传播克服初始面片数量较少的问题,并提高了初始点云的重建质量。叁维参数空间邻域寻优则利用空间面片之间的邻域信息约束完成面片几何参数的初始优化,且能够补全准稠密匹配遗留的点云孔洞。最后利用随机搜索和视图传播进一步提高密集点云的质量,并利用可见一致性约束和局部连续性约束滤除外点、离群点及冗余点,完成整个重建过程。仿真实验结果表明,与PMVS算法相比,论文所提重建框架在重建指标及视觉效果上能够获得有效提升。
（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。
随机搜索算法论文参考文献
[1].王荣荣,王团部,吕林涛,李洵.基于随机搜索算法的异源激光图像匹配方法[J].激光杂志.2019
[2].魏耀.基于随机搜索和准稠密匹配的多视角立体重建算法研究[D].西安电子科技大学.2018
[3].曾辰子,余旌胡,邹桢苹.基于多样变异随机搜索的差分进化算法[J].武汉大学学报(理学版).2018
[4].宣春松.一种自主车辆架构分析及快速随机搜索树算法研究[J].山西科技.2017
[5].杨澜,惠飞,侯俊,穆柯楠,武晓洁.基于免疫进化的野草优化随机搜索算法[J].计算机技术与发展.2018
[6].吕亚丽,武佳杰,梁吉业,钱宇华.基于超结构的BN随机搜索学习算法[J].计算机研究与发展.2017
[7].肖静,张闻光.受控随机搜索算法的车辆液压伺服主动悬架控制系统研究[J].机械设计与制造.2017
[8].武佳杰.基于超结构与随机搜索的BN结构学习算法[D].山西财经大学.2017
[9].王家天.基于随机搜索策略的特征选择算法研究[D].大连理工大学.2017
[10].任雪杰.随机逼近算法与随机搜索相关问题研究[D].东南大学.2017