带有学习效应的多目标置换流水车间调度问题研究

在综合考虑经济指标和环境因素的基础上,提出了以最小化最大完工时间和总能耗为优化目标的置换流水车间调度问题,并着重考虑学习效应对该问题的影响。针对该问题的特点,构建了带有学习效应的多目标置换流水车间调度模型,并设计了一种嵌有批量处理和扰动算子操作的混合蛙跳算法对模型进行求解。利用扩展的标准测试问题验证了该算法的性能,并与非支配排序遗传算法、强帕累托进化算法进行了对比分析,实验结果表明改进的混合蛙跳算法具有较好的寻优能力。利用此算法得到了不同学习率下的优化目标值,并运用敏感性分析探讨了学习效应对优化目标的影响程度,从而为企业制定合理的生产调度方案提供参考。     

钢管混凝土抛物线空腹拱平面内轴压稳定性能研究

开发一套基于B-S架构的自主学习交流平台,为用户创造一个友好的学习交流环境。平台采用Java语言开发,通过MySql5.7对数据进行存储,依托Tomcat7.0服务器发布,最终通过浏览器展现给用户。开发过程中引入了KNN算法,可对乱填信息注册平台的用户有效拦截过滤,自主预测平台中用户的年龄结构、热门话题等信息,收集热门话题创建学习兴趣小组,并通过用户对学习资源的评价等行为的分析,对表现较好的用户给予更优质的服务与优惠,从而更好地提高平台的质量。     

网络控制系统中迭代学习控制算法的鲁棒收敛性分析

针对网络控制系统中受输入扰动和初态干扰的非线性系统,提出了一种迭代学习控制算法,讨论了输出数据丢失情况下系统输出对期望轨迹的跟踪问题。采用一个概率已知的随机贝努利序列来描述网络控制系统中的数据丢失现象,即如果输出数据没有丢失,则利用跟踪误差来修正上一次迭代学习时的控制量,从而获得系统当前控制量;如果存在输出数据丢失现象,则系统当前控制量保持上一次迭代时的控制量不变。给出了保证算法收敛的充分条件。从理论上证明了系统满足给定的收敛条件时,在数据丢失网络环境下具有输入扰动、初态扰动的被控系统随迭代学习次数的增加,系统输出除初始点以外都能够收敛于期望轨迹。通过仿真算例进一步验证了所提方法的有效性。     

指向学生学习的课堂革命——本科研究性教学的理性回归

我国研究性教学的实践大体上可以分为以基础课、专业课为主的第一课堂的教学实践和以科研训练计划、科研训练基地为依托的第二课堂的实践。第二课堂虽卓有成效,但不能满足本科教育面向全体学生的基本育人目标要求。在本科教学改革进入质量提升、全面深化的关键阶段,必须更多地将目光聚焦第一课堂,坚守课堂教学主阵地,走出教学被技术“绑架”、学习被“研究”裹挟、课堂放任自流的误区。因此,我们需要对研究性教学进行理性反思,警惕二元对立思维,明确研究性教学是具有“研究性”的知识教学的基本特征,不能脱离教师指导的基本方向。通过研究性教学促进学生学习的发生,需要重新确立教与学相统一的活动中学生的主体地位,为学生提供学习经验,让学生经历知识的“重新发现”。     

基于Sarsa学习的基站休眠策略研究

在异构Macro-femto蜂窝网络中,随着日益增长的用户数量使得基站能耗问题变得更加严峻,提升整个移动系统能效的有效方式就是进行基站休眠。根据无模型理论提出一种基于Sarsa学习的动态基站休眠算法,算法通过基站学习环境中的用户流量,制定合理的休眠机制。仿真结果表明,提出的基于Sarsa学习的基站休眠算法能够有效提升系统能效     

基于集成学习的复杂网络链路预测及其形成机制分析

为了预测节点与网络中其他现有节点之间的新连接或缺失连接,链路(边)预测近年来引发了越来越多的研究兴趣。最近已经提出各种具有不同特点的算法,以解决链路预测的问题,其中每种算法只考虑一种网络信息,从而产生片面的结果。提出基于集成学习的方法,将所有单一算法集成组合,综合考虑网络的各种信息来解决这一问题。在8个真实网络上进行了实验,利用局部拓扑索引、全局拓扑索引和推荐算法提取了17个不同的特征。结果表明,集成学习的关键性能指标——受试者工作特征曲线 (receiver operating characteristic curve, ROC)下面积(area under curve, AUC)比最佳单一算法提高2%至17%,最高达到0.9624。此外,根据度分布和随机森林得到的特征选择,分析了不同类型网络的结构与形成机制。在形成机制、网络类型和功能之间,获得了一些重要的见解:由某些确定的机制或假设导出的特征,确实是连接2个节点的内在驱动力,也正因为如此,这些特征可以用于链路预测。     

针对不可微多阶段算法的环境升级式强化学习方法

多阶段算法的研究目前已取得很大进展,但仍存在2个重要问题。在推理阶段,信息不能从下游反馈到上游。在训练阶段,当整个模型涉及不可微函数时无法进行端到端的训练,因此不同阶段不能联合优化。提出一种新的环境升级式强化学习方法来解决反馈和联合优化问题,该方法的框架结构是通过一个强化学习智能体将下游阶段与上游阶段重新连接起来,利用优化上游阶段的输出来训练智能体,以提高最终性能,同时根据智能体的策略对下游阶段(环境)进行升级,实现智能体策略和环境的联合优化。针对智能体和环境的不同训练需求,还提出了一种基于该框架的训练算法,并在实例分割和人体姿态估计实验中证明了其有效性。     

基于多源大数据融合的银行网点选址方法

针对传统银行网点选址方法中存在的人为主观因素较大、数据量支撑不够、考虑因素理想化等问题,提出一种基于多源大数据融合的银行网点选址方法。该方法通过多源数据构造人流量、交通拥堵指数、用户价值、周边竞争网点数和人均收入5个基础特征,并利用协同训练的半监督学习方法扩充训练集。基于基础特征与机器学习算法构建多个子模型,将子模型的输出概率作为特征,构建基于逻辑回归的集成算法,作为银行网点选址模型,同时提出一种优化银行网点权重的损失函数,以保证模型预测中更佳的银行网点具有更高的权重。通过实验分析表明,该算法相较于传统算法预测评估更为准确,能够很好地解决银行网点选址问题。     

采用双经验回放池的噪声流双延迟深度确定性策略梯度算法

为了进一步提高双延迟深度确定性策略梯度算法(TD3)的网络探索性能和收敛速度,提出一种采用基于多步优先和重抽样优选机制的双经验回放池的噪声流TD3算法。该算法在策略网络中的每一层添加噪声流以增加参数的随机性,并引入多步优先经验回放池,将多个连续样本组成一个基础单元进行存储,训练时通过多步截断双Q处理实现对值函数的有效逼近,同时增加一个经验回放池采用重抽样优选机制来存储学习价值更大的样本,双经验回放池的设置可弥补样本多样性不足的问题。在OpenAI Gym平台的Walker2d-v2场景中进行仿真实验,结果表明,与对比算法相比,本文算法获得的回报值有明显改善,网络收敛速度也大大加快。     

一种新的混合分类器及其人脸识别的应用研究

随着互联网的发展,人脸识别在安全领域得到越来越广泛的应用.传统的人脸识别方法泛化能力较差,无法有效处理特别复杂的函数关系而使其在安全领域发展比较缓慢.为了提高人脸识别的正确率,本文提出了一种新的深度玻尔兹曼机神经网络(deep Boltzmann machine,DBM)和差异受限玻尔兹曼机神经网络(discriminative restricted Boltzmann machine,DRBM)的混合模型,在人脸数据集上与传统的人脸识别模型做了对比,为了进一步验证有效性,本文还选取在公共CMU-PIE人脸图像数据集上作了对比试验.实验发现:在两个数据集上,新的混合模型相对传统模型都有更好的识别效果,将产生直接的社会效益和管理意义.