求解半向量双层规划问题的精确罚函数法

研究半向量双层规划问题的求解方法. 利用Benson’s方法及线性规划问题的对偶理论,将半向量双层规划问题转化为一个单层优化问题,同时提出了转化问题的偏静态条件定义. 基于此定义,构造了半向量双层规划的精确罚问题,得到了此类双层规划问题的最优性条件,并给出相应的求解方法. 最后通过一个数值例子表明了求解方法的可行性.     

社会设计工程问题框架

为寻求一种解决社会问题的工程化方法,提出了社会设计工程.研究了社会设计工程问题框架,给出了框架的五要素及其相互关系,对问题的解进行了描述.最后,通过分析社会设计工程问题的特点,得出社会设计工程问题不能靠对策论或运筹学等简单方法进行处理,需要运用解决复杂性问题的方法来处理.     

制造系统中的死锁问题

介绍了制造系统中的死锁问题,特点及控制策略.总结了近十年来制造系统中死锁问题的研究成果,将死锁问题的研究方法,按照建模方法进行分类:基于图论的方法,基于Petri网的方法,基于自动机的方法.并对算法进行了总结和比较.最后指出了未来的研究和发展方向.     

求解线性规划问题的区间调节熵方法

为丰富线性规划问题的熵函数方法,提出了求解线性规划问题的区间调节熵方法。首先利用对偶理论将线性规划问题转化为极大极小问题,建立并讨论了调节熵函数的区间扩张及其收敛阶。其次,构造了求解线性规划问题的区间调节熵方法并证明了其收敛性,最后进行了大量的数值实验。实验结果表明该算法是可靠和有效的。     

基于结构元方法的变量模糊的线性规划

主要目的是利用结构元方法来解决含有模糊变量的线性规划问题.首先,简单地介绍了结构元方法,根据该方法定义了结构元加权序,证明了其模糊优先的合理性,并同原有序关系进行了比较.然后,利用这种序关系,将一类含有模糊变量的线性规划问题等价地转化为一个经典的线性规划问题,简化了原问题的求解.最后,将给出一个实际例子,进一步表明了该方法的有效性.     

基于半定规划多用户检测问题的二次规划法

半定规划是解决极大似然多用户检测问题的一种重要方法,但当问题规模较大时,误码率较高。基于多用户检测问题的半定规划松弛模型,给出了一个二次规划松弛模型。该模型能得到比半定规划模型更好的界。根据这个模型,运用分枝定界方法,可以求得多用户检测问题的次优解。这种方法改善了用户多时半定规划方法误码率高的状况,是解决多用户检测问题的有效方法。仿真实验证实了这一点。     

系统方法分类与应用选择研究

系统方法是解决系统问题的有效工具。基于问题情境复杂性和问题研究目的性,构建了系统方法的两维分类框架;研究了用于结构化/解释性、结构化/干预性、非结构化/解释性、非结构化/干预性等问题情境的系统方法,并给出典型方法的应用步骤;最后,提出了基于问题情境的系统方法应用选择过程。     

多目标离散控制: 一种对策方法

在多目标控制中,线性加权法常常被用于把多目标问题转化为单目标问题的研究中。若各子目标与总体目标存在非凸关系时,该方法难以有效。本文构造了一种对策模型来解决这类多目标控制问题,提出了利用对策理论求解这类问题的方法。该方法可将决策人对目标的偏好加入模型中,从而放宽了问题的凸性限制。     

基于算子树的导弹突防作战效能评估方法研究

体系对抗条件下的导弹突防作战效能评估是一个复杂的问题求解过程。基于算子树的问题求解方法,将目标问题映射为层次化的问题求解树,进一步映射为层次化的算子树,通过算子间的数据交互求解目标问题,这种从目标问题到问题表示进而到问题求解两次映射,便于用户理解问题并调整问题求解方案,是解决复杂问题求解的一种有效途径。将基于算子树的问题求解方法应用于导弹突防作战效能评估,提出了基于算子树的导弹突防作战效能评估方法,并给出了应用实例。     

几何转换Boosting回归算法及其在高耗能企业负荷预测中的应用

针对高耗能企业的电力负荷预测问题, 提出了一种基于几何转换关系的Boosting集成预测方法. 该方法将分类问题中广泛采用的AdaBoost算法引入回归问题, 通过几何关系转换将负荷预测这一回归问题转化为一个两类分类问题, 在此分类问题上应用置信度AdaBoost算法得到最优集成分类面. 证明了此分类面等价于原回归问题上的一个回归函数, 同时证明了该方法与原始AdaBoost算法有着类似的收敛性. 实际算例表明, 该方法通过多预测模型的集成有效提高了负荷预测精度, 克服了传统单一预测模型在高耗能企业的电力负荷预测问题上泛化性能不佳的缺陷.     

基于正交试验法的神经网络优化设计

运用正交试验法,以三层前向型神经网络为例,对神经网络的训练样本、权值和阀值、训练参数的选择进行分析和研究。在此基础上,提出一种基于正交试验法的神经网络优化设计方法。研究结果表明,正交试验法对于神经网络模型的确定具有很好的效果,是一种既直观易行又客观科学的方法。     

基于反馈外延的电网规划模糊决策方法

利用基于反馈外延的模糊决策方法,对电网规划的决策问题中涉及到的模糊问题进行了处理．文中考虑了投资费用、系统可靠性和对环境影响等三方面因素,认为各个因素的权系数是可变的,并应用变权分析方法对此进行了处理．讨论是在ＩＥＥＥ－６样本网络上进行的,文中对多个候选方案进行决策分析,结果表明该模糊决策方法能很好地解决电网规划中遇到的模糊问题．     

提高BP网络学习速度的自适应算法

针对BP网络存在收敛速度慢及目标函数容易陷入局部极小值的缺点,本文首先对前人所做的改善BP网络学习速度的方法进行了探讨,其次分析了学习率对BP网络学习速度的影响,最后提出了一种提高BP网络学习速度的新方法,即自适应调整学习率和动量因子.计算结果表明,该方法大大地提高了收敛速度,而且算法简单、易行.     

基于网络分解与叠加的用户均衡网络敏感度分析

在交通网络用户均衡问题中,敏感度分析就是确定均衡网络状态时起讫点交通量及路段旅行时间的变化对路段交通量或路段旅 行费用的影响. 文章以确定型交通网络用户均衡问题为研究对象,推导了均衡网络的敏感度方程,运用网络分解与叠加的方法 提出了敏感度方程的求解方法,并分别给出了网络分解与叠加的实现方法. 该方法可以有效解决均衡网络敏感度分析中的秩亏 问题,相比基于数学规划法的敏感度分析有了很大改善. 这样,基于变分不等式的网络敏感度方程即可直接用于敏感度分析,为敏感度分析在交通规划、建设与管理中的应用提供了很大的便利.     

基于卷积神经网络的串行空时分组码盲识别算法

针对多输入单输出(multiple input single output, MISO)系统中的空时分组码(space-time block code, STBC)盲识别问题, 提出了一种基于卷积神经网络(convolutional neural network, CNN)的串行STBC识别方法。首先, 结合STBC识别问题提出了基本CNN (CNN basic, CNN-B)框架; 然后在分析STBC相关性的基础上, 针对空间复用和Alamouti信号混叠问题, 设计了基于相关性的CNN (CNN based on correlation, CNN-BC)模型; 最后将STBC数据集输入到网络模型中, 完成网络的训练和识别测试。仿真结果表明, 相比于基于特征提取的传统算法, 该方法将可识别的STBC扩展到了6种, 并且在低信噪比下的识别准确率更高, 识别过程可控制在微秒级别, 具有较高的工程应用价值。     

基于深度强化学习的应急通信网络规划方法

针对应急通信网络规划传统算法对先验知识要求高、时效性不强等问题,提出一种基于深度强化学习的应急通信网络拓扑规划方法。研究了基于蒙特卡罗树搜索与自博弈相结合的网络规划样本数据生成方法,设计了基于残差网络的策略网和价值网,在此基础上使用Tensorflow库对模型进行构建和训练。仿真结果表明,提出的规划方法能够有效实现网络拓扑的智能规划,且具有较高的时效性和可行性。     

基于深度强化学习的应急通信网络规划方法

针对应急通信网络规划传统算法对先验知识要求高、时效性不强等问题,提出一种基于深度强化学习的应急通信网络拓扑规划方法。研究了基于蒙特卡罗树搜索与自博弈相结合的网络规划样本数据生成方法,设计了基于残差网络的策略网和价值网,在此基础上使用Tensorflow库对模型进行构建和训练。仿真结果表明,提出的规划方法能够有效实现网络拓扑的智能规划,且具有较高的时效性和可行性。     

基于谱方法的城市交通信号控制网络小区划分方法

城市交通信号控制系统交通小区划分问题是一个多目标、多约束的NP难题.利用谱方法以相邻交叉口的关联性作为划分依据,提出平分法、按均值划分及按距离划分三种自动划分方法.并提出两个衡量小区划分质量的标准:平均切割权重和模块性,最后分别以计算机生成网络和广州市交通网络为对象,对三种划分进行验证.结果表明谱方法是交通信号控制网络小区划分的有效方法,且三种方法中按均值进行划分的总体效果较好,可以作为交通信号控制网络小区划分的推荐方法.     

基于LSTM和残差网络的雷达有源干扰识别

针对目前雷达干扰识别方法存在人工特征提取难、强噪声环境下识别率不高的问题，提出了一种基于长短时记忆(long short-term memory, LSTM)网络和残差网络相结合的雷达有源干扰识别方法。输入有源压制干扰原始时域序列数据，搭建深度学习网络模型对不同干噪比下的干扰信号进行分类识别。仿真结果表明：在干噪比为0 dB的情况下，该方法对4类雷达有源干扰信号的识别准确率均高于98.3%,与单纯的残差网络和卷积神经网络(convolutional neural networks, CNN)等其他深度学习算法相比，具有更佳的网络性能，验证了该算法的有效性。     

季节性预测的组合灰色神经网络模型研究

对于季节性时间序列具有增长性和波动性的二重趋势性 ,本文提出了季节性预测的组合灰色神经网络模型 ,研究了同时考虑两种 (非线性 )趋势的复杂季节性预测问题 ,给出了一个应用实例 ,为季节性预测提供了一种新的、有效的方法 .