EWA博弈抽象的认知无线电网络信道选择

通过协作频谱感知对信道可用性进行分析,构建网络可用信道的优先度表. 利用该优先度表,提出一种基于EWA学习博弈模型的信道选择算法. 与基于学习自动机算法和无悔学习算法对比的仿真结果表明,该算法可通过历史经验的学习选择对认知用户可用性最优的信道,能提高系统的有效吞吐量,并获得更好的资源分配公平性.     

基于Q学习的星地融合协作传输中继选择策略

协作网络中的中继技术能够实现空间分集,但中继选择会对系统性能产生较大影响。针对这一问题,本文提出了一种基于Q学习的星地融合协作传输中继选择策略。首先,所有中继节点在经过放大转发协议的情况下,在接收端得到最大比合并后的输出信噪比表达式。然后,设定Q学习的状态、动作和奖励函数,选择累积回报最大的中继节点。接着,为了遍历所有状态,引入了Boltzmann选择策略,用概率的途径来选择动作,使源节点探索所有状态并利用最优状态。最后,在所选中继节点与源节点之间进行功率分配得到最优传输功率。仿真结果表明：与随机中继选择算法相比,所提出的Q学习中继选择策略对系统性能有较大地提升。     

几何Levy市场下的最优投资与超额损失再保险

研究了跳扩散模型下的最优超额损失再保险与投资问题,其中以最大化保险公司终端财富的期望指数效用为目标.假定保险公司可以将资产投资到风险市场和无风险市场,风险资产的瞬时收益率由几何Levy过程刻画.利用随机控制理论,得到了最优策略及其值函数的精确表达式,并通过算例分析得到了最优策略与相关参数的关系.     

家庭针对既定遗赠目标购买定期寿险的最优策略

研究了家庭如何利用购买家庭定期人寿保险来最大化达成既定遗赠目标概率的问题.通过构造适用于中国家庭的二元连生状态生命模型,计算了达成遗赠目标的最大概率,讨论了购买家庭定期寿险的最优策略.进而,讨论了死亡力和利率力对购买寿险的最优策略的影响,并且分析了基于几个特殊死亡力假设下的最优策略.其中家庭可以购买连续支付的(瞬时)定期人寿保险,死亡力是随时间变化的.     

动态环境下基于混合记忆策略的遗传算法

为了有效地处理动态优化问题,提出一种短时记忆与长时记忆相结合的混合记忆策略. 被记忆的信息由最优个体与种群概率向量组成. 短时记忆作用于进化过程中的每一代,对记忆中的信息进行提取并构建下一代的种群;长时记忆仅在环境发生变化时产生作用,取新环境中最优的一组信息对短时记忆进行赋值. 该文首先构建了动态环境下基于混合记忆策略的遗传算法,然后在非周期、周期和带噪声周期动态环境下进行算法的性能验证. 实验结果表明,新算法处理动态优化问题的能力优于同类算法.     

面向全容量的高性能彩色图像可逆信息隐藏算法

可逆信息隐藏主流算法通常基于经验给出各种固定的边信息(峰值点和零点对)搜索方案用于直方图平移过程,使得算法性能受到较大限制.为进一步提高算法效率,该文给出一种面向全容量(从小容量到大容量)的自适应嵌入方案,根据给定的嵌入容量选择近似最优的边信息.所提出的基于多特征排序的嵌入位置优选策略,能够搜索到更光滑的区域进行信息嵌入,从而提高算法性能;基于给定的嵌入容量,给出了一种基于智能优化算法的自适应边信息优选方案.实验结果表明,该算法可以实现全容量下的信息嵌入,并且获得的算法性能更好.     

改进的蛙跳算法在库存匹配中的研究

针对生产订单库存匹配问题,提出一种改进的混洗蛙跳算法(SFLA)进行求解.采用随机分组策略,平衡各子群的寻优能力,保持种群多样性;打破最差蛙只向最优蛙学习的模式,引入Minkowski距离,使最差蛙借助更多同伴信息选择进化方向,增强种群适应性;针对最优蛙进化机会少,引入精英策略和变异思想更新其位置,避免陷入局部极小,加快收敛速度.仿真实验表明所建立模型的正确性和改进后算法的有效性.     

顾及强度信息和地形信息的南方丘陵区机载LiDAR数据滤波研究

针对南方丘陵区地形起伏较大的特点,结合点云的强度信息,研究适合于该区域的机载LiDAR点云滤波算法。首先,对强度信息进行改进的K-MEANS聚类,并根据距离评价函数最小准则寻找最优聚类数。其次,结合渐进三角网滤波算法能较好顾及地形起伏的优点,对不同类型的点云设置不同的构网优先级,得到不同的判据阈值,以此进行渐进三角网滤波。选取南方丘陵区浙江省某地两处的机载LiDAR数据进行实例验证,并与TerraScan的滤波效果进行比较。结果表明,新算法精度高于TerraScan滤波,其滤波效果更优,具有一定的可靠性。     

目标规划的一种下降算法

首先给出解具有一个优先级的目标规划的一种下降算法,并证明其收敛.最后将它推广为解具有k个优先级的目标规划的算法。     

基于改进人工蜂群算法的分布式电源规划

通过改进人工蜂群算法,建立了系统网损最小、电压质量最优的综合优化目标,应用判断矩阵法确定多目标的权重系数,进一步优化分布式电源的选址与定容.在改进的算法中,运用均匀设计-反向寻优的方法来优化初始群体,提高全局寻优率.同时,为了解决基于比例适应度选择不足的问题,用基于适应度排序的选择概率代替了基于比例适应度的选择概率,不仅使种群的多样性得到了保护,而且扩大了全局搜索的范围.最后采用IEEE33标准节点配电网仿真,通过算例分析来验证该算法的有效性和可靠性.     

有限规划水平自适应Markov决策过程的参数决策

针对现有Markov决策过程自适应决策方法仅研究无限规划水平自适应决策的不足,提出了一种有限规划水平Markov决策过程自适应决策算法.算法的基本思想是运用Bayes理论对未知系统进行"学习",并且在每次决策时以最大概率保证实际决策为最优决策.最后用仿真结果表明了算法的有效性.     

阈值分红策略影响下的最优投资和再保险

针对跳扩散风险模型,研究使保险公司期望红利最大的最优投资和最优再保险问题。在期望值保费原理以及阈值分红策略下,运用随机最优控制理论和扩散逼近理论得到了满足该模型的HJB方程,最后获得了最优策略、值函数以及分红策略的显示解,并用数值模拟分析了一些参数对最优策略的影响。     

优先图化简算法研究

优先图可方便地描述程序的并发性,优先图与并发程序可以相互转换.发现了一种判断优先图冗余有向边的方法,同时找到了化简优先图的算法.使用该算法化简优先图以后,能使相应程序的并发控制复杂度降低.以化简饱和优先图为实例,相应程序并发控制的复杂度,由化简前的O(n2)降低为化简后的O(n).     

能耗期望的动态功耗管理预测性策略

现有动态功耗管理预测性策略基于部件空闲时间前后的关联性进行预测,在系统随机服务请求环境下面临失效. 该文从概率统计的角度提出基于空闲时间能耗期望的预测策略,该策略使部件在空闲时进入空闲时间能耗期望值最低的模式,并从理论上证明了此方法具有最优的节能效果. 实验结果表明,在系统服务请求的指数分布与Pareto分布下,与传统预测性策略相比,该策略获得了更低的部件平均功耗.     

带有二次约束非凸二次规划问题的一种全局优化方法

对带有二次约束非凸二次规划问题进行研究,利用二次函数的结构和性质,对目标函数和约束函数进行线性下界逼近,建立原规划问题的一个新的线性规划松弛,以便确定它在超矩形上全局最优值的一个下界;利用超矩形上的最长边的对分策略,以及超矩形的缩减和删除技术,提高算法的收敛速度;通过对松弛线性规划可行域的细分以及一系列的松弛线性规划的求解过程得到原问题的全局最优解,从理论上证明了算法能收敛到原问题的全局最优解,最后数值例子也说明了算法是有效的.     

改进的混合型蚁群算法在VRP问题中的应用

为提高物流配送中车辆路径的寻优效率,提高物流经济效益,介绍一种能够有效求解VRP问题的算法—改进的混合型蚁群算法。该算法在近邻法构造初始解的基础上,使用2-opt局部搜索策略对当前得到的最优解和次优解进行改进,在更新全局信息素时采用基于排序的蚂蚁系统对排在前2名的蚂蚁更新全局信息素,且为全局信息素设置最大值和最小值。使用Matlab仿真工具对N44K6等10个经典VRP问题进行了求解,得到的结果和已知最优解的误差很小,都在6%以下,并且N33K6问题得到了和已知最优解相同的解。与基本蚁群算法得到的解进行了比较,证明了该改进算法的有效性。     

带有二次约束非凸二次规划问题的一种全局优化方法

对带有二次约束非凸二次规划问题进行研究,利用二次函数的结构和性质,对目标函数和约束函数进行线性下界逼近,建立原规划问题的一个新的线性规划松弛,以便确定它在超矩形上全局最优值的一个下界;利用超矩形上的最长边的对分策略,以及超矩形的缩减和删除技术,提高算法的收敛速度;通过对松弛线性规划可行域的细分以及一系列的松弛线性规划的求解过程得到原问题的全局最优解,从理论上证明了算法能收敛到原问题的全局最优解,最后数值例子也说明了算法是有效的.     

基于自适应变异因子策略的混合蛙跳算法

由于基本混合蛙跳算法在对问题的优化求解中存在着收敛速度慢、优化精度低且容易陷入局部最优等问题,因此提出了一种新的混合蛙跳算法。对基本混合蛙跳算法的组内更新策略进行重新设计,引入自适应变异因子来控制青蛙的移动步长;在算法中将改进的粒子群优化算法有机地嵌入其中,这样算法在搜索过程中就增加了发现新解的概率,维持了种群的多样性,从而使算法不易陷入局部最优。通过对标准函数进行优化测试,结果证明其具有良好的优化性能。     

一种改进的高可靠性虚拟网络映射算法研究

对多个数据中心虚拟机分配时的高可靠性虚拟网络映射(RVNM)问题进行研究,目的是在满足各数据中心容量约束和各条链路带宽容量约束的同时,使虚拟网络的总体可靠性最大。为此,首先描述了虚拟网络和物理网络的图模型,以及包括链路可靠性和节点可靠性的可靠性函数。然后,重新定义了高可靠性虚拟网络映射(RVNM)问题并证明该问题是NP难题。将该问题建模为整数线性规划问题,并采用匈牙利算法获得小规模网络条件下的求解结果。最后,文中还提出了一种面向大规模网络的基于双阶段博弈的链路映射优先算法,并从理论上证明了该算法的收敛性。仿真实验结果表明,所提算法在小规模网络条件下的可靠性较高且接近于最优解,在大规模网络条件下的性能优于当前最新的节点映射优先算法。     

递增的稀疏神经网络研究

针对稀疏神经网络应用中连接度和中间节点数不易确定的问题,并根据生物神经网络的特点,提出了学习中改变神经网络连接度和隐含结点数的学习算法.模拟脑皮层由薄到厚的发育过程,根据当前的学习结果,改变网络的拓扑结构,逐步增加网络中的连接和节点,最终学习得到满意的稀疏神经网络.新算法可以用结构更简单的稀疏神经网络达到满足要求的拟合精度,并通过仿真算例进一步验证了算法的有效性.