本地QMIX针对具有局部性假设的MARL设置的一种新的改进的DQN算法。
我们假设该问题具有一个基础的依赖关系图，该关系图连接了代理的互相作用
我们假设该问题具有一个基础的依赖关系图，该关系图连接了代理的互相作用
2018/7/17 14:40:08
4.37MB
1
在许多应用中都需要增强彩色图像的细节。
锐化蒙版（UM）是用于细节增强的最经典工具。
已经提出了许多通用的UM方法，例如，有理UM技术，三次模糊技术，自适应UM技术等。
对于彩色图像，这些算法分三个步骤：a）实施color2grey步骤；
b）基于亮度分量（LC）设计高频信息（HFI）提取方法；
c）利用HFI完成增强过程。
但是，仅使用LC的HFI可能会丢失色度分量（CC）的HFI。
提出了一种基于四元数的细节增强算法，既利用亮度又利用CC来提取彩色图像的细节。
设计该算法以解决三个任务：1）设计基于3Dvector旋转的四元数描述的彩色高频信息（CHFI）提取方法；
2）执行CHFI和灰色高频信息（GHFI）的有效融合策略；
3）设计了基于四元数的局部动态范围的测量方法，基于该方法可以确定所提出算法的增强系数。
该算法的功能优于其他许多类似的增强算法。
可以调整八个参数以控制清晰度，以产生所需的结果，从而使该算法具有实用价值。
锐化蒙版（UM）是用于细节增强的最经典工具。
已经提出了许多通用的UM方法，例如，有理UM技术，三次模糊技术，自适应UM技术等。
对于彩色图像，这些算法分三个步骤：a）实施color2grey步骤；
b）基于亮度分量（LC）设计高频信息（HFI）提取方法；
c）利用HFI完成增强过程。
但是，仅使用LC的HFI可能会丢失色度分量（CC）的HFI。
提出了一种基于四元数的细节增强算法，既利用亮度又利用CC来提取彩色图像的细节。
设计该算法以解决三个任务：1）设计基于3Dvector旋转的四元数描述的彩色高频信息（CHFI）提取方法；
2）执行CHFI和灰色高频信息（GHFI）的有效融合策略；
3）设计了基于四元数的局部动态范围的测量方法，基于该方法可以确定所提出算法的增强系数。
该算法的功能优于其他许多类似的增强算法。
可以调整八个参数以控制清晰度，以产生所需的结果，从而使该算法具有实用价值。
2020/11/11 15:23:08
1.33MB
1
针对BP神经网络训练过程易陷入局部极值导致训练误差收敛速度慢的问题，提出将具有全局寻优的萤火虫算法，结合BP算法共同训练神经网络。
在本质上，萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练，避开局部极值点，得到优化后的神经网络初始权值后，利用BP算法的局部寻优特性对网络做进一步精细训练。
轴承毛病实验表明，萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升，毛病识别率最高达到99.47%。
在本质上，萤火虫BP神经网络利用萤火虫算法对神经网络进行早期训练，避开局部极值点，得到优化后的神经网络初始权值后，利用BP算法的局部寻优特性对网络做进一步精细训练。
轴承毛病实验表明，萤火虫BP神经网络的训练误差收敛速度相比BP神经网络、萤火虫神经网络显著提升，毛病识别率最高达到99.47%。
2018/11/10 22:25:45
1.2MB
1
带时间窗的团队定向成绩是一类重要的物流配送路径优化成绩，其优化目标是制定最优可行车辆路线，在规定的时间窗内服务一组顾客，以获得最大的总收益。
提出了一类改进蚁群算法，用以求解该成绩。
为了提高解构造质量与效率，使用一种快速的方法来确定动态候选链表，并且利用串行法和贪婪法构造解。
与迭代局部搜索相比，所提算法能够在12s内得到更好的解。
提出了一类改进蚁群算法，用以求解该成绩。
为了提高解构造质量与效率，使用一种快速的方法来确定动态候选链表，并且利用串行法和贪婪法构造解。
与迭代局部搜索相比，所提算法能够在12s内得到更好的解。
2021/4/23 8:33:26
245KB
1
-在原始BES算法的基础上添加了两种改进策略-改进1：将原先固定的控制因子变为自顺应控制因子，从而平衡算法前期的全局搜索能力和后期的局部寻优能力-改进2：采用折射反向学习机制增加寻找到最优解的概率，提升算法的求解精度和收敛速度-仿真图中包含改进后的IBES算法与原始BES算法的比较-包含23种测试函数
2021/5/9 21:55:33
511KB
1
组搜索优化算法GSO(GroupSearchOptimizer)是一种基于动物捕食原理的新型群智能优化算法。
本研究提出了一种改进的GSO优化算法:全局组搜索优化算法GGSO(GlobalGSO)。
次要在两个方面对GSO算法进行了改进,一是在迭代过程中引入加速系数,加快种群收敛速度,增强算法的局部搜索能力;二是用高斯函数来产生随机位置变异,扩大搜索空间,从而增强算法的全局搜索能力。
经过11个无约束测试函数和3个带约束问题的测试及与其他文献的比较可知,GGSO算法具有较好的局部和全局搜索能力,并且能够
本研究提出了一种改进的GSO优化算法:全局组搜索优化算法GGSO(GlobalGSO)。
次要在两个方面对GSO算法进行了改进,一是在迭代过程中引入加速系数,加快种群收敛速度,增强算法的局部搜索能力;二是用高斯函数来产生随机位置变异,扩大搜索空间,从而增强算法的全局搜索能力。
经过11个无约束测试函数和3个带约束问题的测试及与其他文献的比较可知,GGSO算法具有较好的局部和全局搜索能力,并且能够
2019/10/7 12:16:01
902KB
1
本文主要研究在这种配送方式下的应急配送问题，建立了基于混合蚁群算法的VRPD问题模型，利用蚁群算法，迭代局部搜索算法，聚类分析等方法进行求解。
对于问题一只有配送车辆配送这一模式，建立VRP问题，首先通过floyd算法验证各地点间的最短距离即为直线距离，将问题转换为最佳H圈问题；
之后采用蚁群算法对这问题进行迭代求解，得到配送车辆一次整体配送的最短路径和为582（公里），一次整体配送的最短时间为11.64（小时），并且发现收敛时迭代次数基本小于10次。
对于问题二，在问题一的基础上新增无人机配送的模式，首先对14个地点进行聚类，发现它们属于同一个类；
其次在类中进行分区，考虑到无人机的飞行约束，利用椭圆的几何性质最终分为5个飞行区；
之后采用迭代局部搜索的方式对各飞行区中的点进行重分配，找到最优的配送路线；
最初，采用蚁群算法对路线进行迭代求解，得到一次整体配送的最短时间为6.32（小时），相较问题一时间缩短了近50%。
对于问题三，在问题二的基础上
对于问题一只有配送车辆配送这一模式，建立VRP问题，首先通过floyd算法验证各地点间的最短距离即为直线距离，将问题转换为最佳H圈问题；
之后采用蚁群算法对这问题进行迭代求解，得到配送车辆一次整体配送的最短路径和为582（公里），一次整体配送的最短时间为11.64（小时），并且发现收敛时迭代次数基本小于10次。
对于问题二，在问题一的基础上新增无人机配送的模式，首先对14个地点进行聚类，发现它们属于同一个类；
其次在类中进行分区，考虑到无人机的飞行约束，利用椭圆的几何性质最终分为5个飞行区；
之后采用迭代局部搜索的方式对各飞行区中的点进行重分配，找到最优的配送路线；
最初，采用蚁群算法对路线进行迭代求解，得到一次整体配送的最短时间为6.32（小时），相较问题一时间缩短了近50%。
对于问题三，在问题二的基础上
2019/8/5 8:34:08
2.11MB
1
GA优化BP神经网络权值和阈值，克服BP神经网络易于陷入局部最小值等问题。
不仅可以自动搜索神经网络最佳隐藏层神经元数量，还可以固定经GA优化后的权值和阈值使得网络多次运行最终结果不变。
不仅可以自动搜索神经网络最佳隐藏层神经元数量，还可以固定经GA优化后的权值和阈值使得网络多次运行最终结果不变。
2019/4/13 14:53:25
70KB
1
数据融合matlab代码自适应加权学习网络的轻量图像超分辨率王朝峰，李振和石军，“具有自适应加权学习网络的轻量图像超分辨率”，该代码基于依存关系的Python3.5PyTorch＞=0.4.0麻木skimage意象matplotlibtqdm代码 gitclonegit@github.com:ChaofWang/AWSRN.git cdAWSRN抽象的近年来，深度学习已以出色的功能成功地应用于单图像超分辨率（SISR）任务。
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
但是，大多数基于卷积神经网络的SR模型都需要大量计算，这限制了它们在现实世界中的应用。
在这项工作中，为SISR提出了一种轻量级SR网络，称为自适应加权超分辨率网络（AWSRN），以解决此问题。
在AWSRN中设计了一种新颖的局部融合块（LFB），用于有效的残差学习，它由堆叠的自适应加权残差单元（AWRU）和局部残差融合单元（LRFU）组成。
此外，提出了一种自适应加权多尺度（AWMS）模块，以充分利用重建层中的特征。
AWMS由几个不同的尺度卷积组成，并且可以根据AWMS中针对轻量级网络的自适应权重的贡献来删除冗余尺度分
2018/6/1 12:43:36
3.95MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB