网络中支撑树的边扩容问题

受多种网络改进模型的启发,作者研究了网络中支撑树的边扩容问题(GECAT).证明了GECAT问题和限制性最小支撑树问题是多项式等价的,从而说明GECAT是NP-难的.由GECAT问题到限制性最小支撑树问题的等价归约构造方式,得到一个多项式时间近似方法(PTAS).接下来,对GECAT问题的2种特殊形式做了研究并分别给出了强多项式时间算法:支撑树上需扩容边的数目最少问题和最小支撑树所需的扩容费用最少问题.对于前者,采用了T-交换算法,而后者则采用了字典序法.     

神经网络控制、无模型控制PID控制仿真比较

在同一条件下，对三种仅用受控系统I／O数据来设计控制器的方法进行了控制性能仿真比较，三个受控系统分别取自文[1]和[5]。三种不同的控制方法各有其优缺点，仿真结果表明：无模型自适应控制具有其他两种方法所不具备的优点，适合处理结构时变、参数时变、阶教时变非线性离散时间系统的控制问题。     

神经网络模糊非参数模型自适应控制及仿真

提出一种基于神经网络的模糊非参数模型自适应控制方案。该方案仅用受控系统的I/O数据来设计控制器,综合了模糊控制、神经网络与非参数模型学习自适应控制各自的优点。仿真表明该控制器对模型、环境具有较好的适应能力和较强的鲁棒性。     

资源受限最小赋权树形图的一种贪婪分解启发式算法

资源受限的最小赋权树形图问题(RMWA)是NP-难的,针对RMWA问题给出一种新的贪婪分解启发式算法.通过分解目标函数和约束条件,把RMWA模型分解成一个最小赋权树形图问题和n个独立的特殊背包问题.对这n个独立的特殊背包问题,设计贪婪算法求其解,其时间复杂度为O(nmlog2m);然后调整该解使其满足树形图的约束条件得到RMWA问题的一个可行解,该算法总的复杂度为O(nm2).最后,给出实例来阐述该贪婪分解启发式算法.     

应用神经网络的非参数模型自适应控制

 提出了一种应用神经网络的非参数模型自适应控制方案,该方案仅用受控系统的I/O数据来设计控制器,并与神经网络自适应控制方案进行了仿真比较,仿真结果表明了该方案的有效性和优越性.