随机带宽分配对复杂网络传输性能的影响分析

研究了连接边带宽资源有限时,随机带宽分配对复杂网络传输的影响。通过设计两类异质化随机带宽分配方案及在HK-BA无标度网络中的仿真试验,发现完全随机地分配网络连接边带宽对网络负载的影响带有不确定性;同时,G-L路由策略相对于最短路由策略在保持带宽随机性分配对网络最大负载影响方面具有较好的鲁棒性;在对分类随机带宽分配方案的研究中,发现在介数存在异质性分布的复杂网络中,为权值由高到低的边集分派相应由高到低的带宽集,有利于提升网络负载性能。     

具有时延和数据包丢失的网络控制系统状态反馈

针对具有时延和数据包随机丢失的网络控制系统,将系统建模为一类含有服从伯努利分布的随机变量的随机控制系统.在此基础上,利用李亚普诺夫理论和鲁棒控制理论,推导出了状态反馈控制器存在的充分条件,并以线性矩阵不等式的形式给出了使闭环系统指数均方稳定的状态反馈控制器的设计方法.仿真实例说明了所用方法的有效性.     

一种基于集对分析的作战方案优选方法

作战方案的选择是作战指挥决策的关键环节,其合理与否直接关系到作战效能的发挥和作战的成败.针对作战方案优选问题,运用集对分析不确定性理论,提出了一种多时段多指标作战方案优选方法.通过构造合理的同异反(IDC)联系度,有效地分析了作战方案的不确定性对作战态势转化的影响,获得了作战方案的集对势排序.应用算例验证了所提方法的可行性和有效性.     

一类单种群差分模型的混沌控制

针对一类具有物种流动时特定区域内的种群增长差分方程模型,采用数值模拟方法给出了Lyapunov指数随参数变化的图形,验证了混沌现象的存在.采取OGY参数微扰法进行混沌控制,使种群稳定到不动点和周期2轨道,消除了种群的混沌现象.仿真结果验证了控制的有效性.     

具有高簇系数的权重演化无标度网络模型

提出了一个演化的权重无标度网络模型.在传统的加权网络模型的强度优先连接机制基础上,考虑了网络按照模块结构和三角结构进行演化的特性.研究了模块结构和三角结构的演化机制对无标度模型结构特性的影响.仿真结果表明该权重网络的度、强度和权值都服从幂率分布,网络的平均强度与度之间具有高相关特性,网络的平均簇系数与度的函数关系服从幂率分布,模块结构和三角结构的演化机制能够显著提高网络的簇系数.     

复杂网络输出同步及稳定性分析

针对现实复杂网络系统的状态经常难以观测,甚至观测不到,而有时仅部分状态能达到同步就能满足需要的情况,讨论了复杂网络输出同步问题.首先提出了复杂网络的输出同步概念,然后考虑了输出矩阵为奇异和非奇异的两种情况下的稳定性问题,给出了输出达到同步的几个充分条件.最后给出算例表明了在不满足状态同步的情况下,可实现复杂网络系统输出同步.     

基于LMI方法的一类时滞不确定系统的变结构控制

考虑了一类时滞不确定系统的变结构控制问题.通过构造动态补偿器,来设计一类特殊的切换函数,减少了时滞项和不确定性对系统的影响.利用矩阵不等式和系统变换技巧,给出了切换函数参数的具体构造,由于判据中需要的参数是由线性矩阵不等式解出的,不是事先估计选定的,减少了结论的保守性.最后给出了数例仿真,利用Matlab的LMI工具箱,能够方便的求出线性矩阵不等式,说明了用新的滑模到达条件不仅抑止了抖振,而且系统的运动具有良好的动态品质.     

带有输入饱和的TCP/AQM网络系统事件触发控制

研究了具有用户数据报协议(user datagram protocol,UDP)数据流干扰和不确定项的TCP/AQM网络拥塞控制问题.首先考虑由丢包率范围而导致的输入饱和的问题,从而对丢包率进行限制.其次,利用模糊逼近的方法处理系统中的干扰和不确定项.为节约网络资源,引入事件触发机制,结合输入饱和、模糊逼近以及Backstepping技术,提出了一种主动队列管理算法,不仅可以使队列长度跟踪到期望队列长度,而且减少了触发次数,节约了网络资源.最后,仿真验证和分析表明了所提方法的有效性和优越性.     

基于事件触发的TCP网络滑模控制

针对存在不确定参数和UDP流干扰的TCP网络拥塞问题,提出了一种基于事件触发的TCP网络滑模控制策略.通过利用全局滑模控制方法,使整个系统的响应过程都具有鲁棒性,在此基础上引入事件触发机制,在保证系统状态稳定的同时,节约了网络资源.通过李雅普诺夫理论证明了TCP网络闭环系统里的所有信号是有界的,同时也有效地避免了Zeno现象.仿真结果表明了所提控制方法的有效性.     

基于神经网络的STATCOM非线性鲁棒逆推设计

针对带有STATCOM的单机无穷大总线系统,提出了一种新的神经网络逆推控制方法,设计了STATCOM的非线性控制器.这个方法对于参数变动是系统化的和鲁棒的,且是根据众所周知的逆推控制技术.所得的控制器能够保证跟踪误差和连接权有界.同时不需要预先知道神经网络连接权最优值的上界.神经网络的连接权值在线进行调整,而无需离线学习.仿真结果表明该方法的有效性.