使用新预测模型的动态多目标优化算法

针对实际应用中动态多目标优化算法对快速变化的最优解集跟踪能力不强的问题,提出了一种使用结合中心点预测值和垂直扰动分量的新预测模型的动态多目标优化算法。首先,计算变化前最优解集的中心点作为预测对象,改变了通常使用全部解进行预测的方式,提升了算法效率;其次,结合算法迭代的历史信息,选取位置、速度、加速度作为预测的状态向量,保证了算法对大多数情形下解集整体变化的跟踪预测能力;最后,为预测的新解添加了垂直于预测变化方向的超平面随机扰动,增强了解集的多样性,进而提升了算法收敛速度。实验结果表明,该算法在75%的测试函数集上的性能优于其他3种经典的动态多目标优化算法,其耗时较经典的基于卡尔曼滤波预测的动态多目标优化算法平均减少了39%。     

随机模糊映射的随机广义集值非线性混合变分包含(英文)

引入和研究了一新的随机模糊映射的随机广义集值非线性混合变分包含,并构造了新的逼近此变分包含随机解的随机迭代算法.利用广义单调映象的近似映射技巧,进一步讨论了随机模糊映射的随机广义集值非线性混合变分包含随机解的存在性及由此随机迭代算法生成的随机迭代序列的收敛性,所得结果推广与改进了文献中的一些相应的主要结果.     

一类集值映射在迭代下集值点和集值区间的变化

集值点和集值区间在迭代下的无规则变化是集值映射动力学行为变得复杂的主要原因.研究了一类单调的单集值点映射的迭代,讨论这类映射在迭代下集值点和集值区间的变化规律.     

网络流优化的快速数值逼近算法

研究了网络中最大共存流的优化问题,提出了网络流优化的快速数值逼近算法.该算法用被定性的共存流的轮流选取取代了传统的共存流随机选取,用O(k(ε-2 lgk)lgn)(其中k是共存流数,n是节点数,ε是精度要求)个单个流的最小成本流的计算来定性计算最大共存流的逼近解.其优点是在不增加总的运算时间的前提下,显著地改进了已知的定性上界,并且可以达到目前已知的随机上界.     

基于结构纹理分解和多重网格的光流估计算法

分别针对光流计算对光照变化敏感以及运算复杂度高、迭代收敛缓慢的问题,使用一种基于ROF(Rudin-Osher-Fatemi)模型的结构纹理分解(STD)技术得到对光照变化不敏感的纹理图估计光流场,消除了光照变化产生的负面影响,并提出一种基于多重网格方法的分层处理策略.将光流计算的迭代过程分散在一系列粗细不同的网格上,在细网格上消除高频误差,在粗网格上消除低频误差,以达到加速收敛、提高光流计算速度的目的.实验结果表明,STD过程抑制了光照变化导致的负面影响,提高了光流估计精度.多重网格算法在保持优化精度的前提下,显著提高了光流计算的实时性.     

随机迭代系统的Julia集

本给出了随机迭代系统的Juila集等于所有排斥不动点的闭包的一个新的证明。该方法不同于献[1]中借助于Ahlfors的覆盖面理论得到的证明，最后给出了随机迭代系统的Julia集的一个类似于经典的迭代系统的性质。     

用最小费用流的允许边算法求解指派问题

构造指派问题的最小费用最大流模型,并将基于对偶原理的允许边算法用于该模型,提出了求解指派问题的一种新算法。该算法按照互补松驰条件,通过修改已标号节点的势,在容量-费用网络中逐步扩大允许网络,并在其中增广流量,直至求得容量-费用网络的最小费用最大流,此最大流中的非0流边即对应于指派问题的最优指派。在迭代过程中,后续迭代充分利用了上一迭代的信息,有效节省了计算量。对于非标准指派问题,可以直接求解,而不需要先将其转化为标准形式。     

基于专家系统与DAN网络的围棋局面判断算法

分析围棋局面形势判断特点,选用专家系统模式库、影响函数给出特征值,将特征值传递给深度适配网络(Deep Adaptation Network,DAN),利用已有盘面和结果标签训练网络,生成完整的盘面判断评估模型.通过1个公开数据集及1个私有数据集进行网络训练,得到8层、迭代200次左右的最优评估网络.实验结果证明了本文算法的可行性和有效性,解决了当前围棋评估算法参数难以训练、优化的问题.     

应用粒子群优化-条件随机域的文本生物实体识别

针对生物医学文本中传统生物实体识别算法的精确度不高的问题,提出了一种新的基于粒子群优化-条件随机域的生物实体识别算法.新算法利用改进的粒子群优化算法训练条件随机域模型,并将训练后的条件随机域模型应用到生物实体的识别上.改进的粒子群优化算法引入粒子群聚集度来防止粒子群过早地陷入局部收敛,用迭代间对数似然相对变化率来控制算法的收敛,用线性变化的惯性因子和学习因子来控制搜索范围.实验结果表明,基于改进粒子群优化的条件随机域模型较隐马尔科夫模型、最大熵马尔科夫模型、支持向量机以及传统条件随机域模型等方法具有更高的精确率和召回率.     

容量限制分配的蚁群优化算法

针对交通规划实践中广泛使用的用户出行行为假设与现实脱节的不足,提出了用蚁群优化算法获取网络流量加载路径的配流新思想.分析了网络中用户出行的行为特征并与蚁群算法执行机制进行了比较,提出利用人工蚂蚁模拟网络中用户出行的可行性和合理性.给出了基于Ant-Cycle模型的容量限制分配思路和流程.设计采用双层迭代机制完成整.个交通分配过程:使用内迭代构建完整的流量加载路径;使用外迭代对路段阻抗进行修正,体现网络的拥挤效应,使网络分配趋于平衡.仿真算例与对比分析表明:该方法可以模拟交通系统的平衡状态,分配结果趋近用户平衡;算法合理、有效.     

计及需求响应的联网型微电网储能容量随机规划方法

为了获取更理想的储能容量规划结果,在考虑功率平衡最优和需求响应的基础上,提出了一种新的联网型微电网储能容量随机规划方法。在需求响应条件下基于联网型微电网的运行模式和随机理论,将功率平衡最优作为规划目标,组建储能容量随机规划模型。利用改进粒子群算法对构建的储能容量随机规划模型进行求解,获取最优联网型微电网储能容量随机规划方案。实验结果表明：随着电容电量的不断增加,微电网的整体平衡能力开始变强;所提方法的能量平衡能力指标更高,储能额定电量容量更稳定,储能系统负荷更小,规划效率更高。所提方法能够更好地实现联网型微电网储能容量规划。     

考虑出行全过程的城市群多方式交通流分配模型与算法

为优化城市群旅客运输网络结构,提出了组合出行模式下城市群多方式交通流分配模型,研究网络均衡时城市群多方式旅客运输网络的流量分布状态.基于对城市群出行全过程的充分分析,利用超网络理论构建了城市群多方式交通超网络模型,将超网络的路段划分为上网路段、行驶路段、换乘路段和下网路段等4类,其中行驶路段包括城市交通网络上的行驶路段...     

应用最小费用流求解活动网络时间-费用模型

提出了利用最小费用流原理求解时间-费用优化模型的方法.应用对偶理论将费用-优化模型转换为适用于状态算法求解的最小费用流问题,采用互补松弛定理和状态算法推出了由对偶问题最优解求出原问题最优解的等式,以一个实例说明了利用上述方法求解时间-费用优化模型最优解的步骤.所提出的求解时间-费用优化模型的算法,提高了求解问题的效率,可用于大型工程网络的费用优化.     

无线传感器网络数据聚合网络划分算法

提出了一种应用于无线传感器网络数据聚合的有效划分算法算法选取网络中一组无环连通点集抽象为广义数据汇聚点集．当传感器节点进行数据汇报时,信源节点依按需路由策略将数据传送到广义数据汇聚点集中数据在广义数据汇聚点集内经过在网计算,依表驱动路由快速转发至sink．理论计算确定最优广义数据汇聚点集选取方式,提出分布式“贪婪远跳”算法构建广义数据汇聚点集．仿真论证该优化选择保证网络内任意节点两跳可达广义数据汇聚点集的概率为97％,分析数据传输性能证明了该算法的有效性．     

认知无线视觉传感网络机会传输的分布式跨层优化

为了充分利用空闲授权无线电频段和增强视觉信息的端到端传输质量,研究了认知无线视觉传感网络机会传输的跨层设计问题。在分析信道随机性和网络模型的基础上,把跨层设计问题表达为一个视觉信息峰值信噪比和网络平均传输时延的权衡优化问题。通过对该问题进行对偶分解和基于随机次梯度的求解方法,提出了一个分布式跨层传输优化算法。该算法不需要预先知道可用授权频段的静态概率分布,而通过节点在每个时隙中进行独立计算和局部信息交换使得上层视觉感知信息的压缩速率与底层链路机会传输自适应匹配,达到权衡优化问题的最优解,因此可以作为认知无线视觉传感网络的实用传输协议。仿真结果表明,该分布式算法能够快速收敛,并能获得与集中式最优化算法相似的性能。     

三维空间实现全覆盖的传感节点优化分布算法

针对无线传感网中重要的覆盖问题,已有多种算法来解决这个问题.通过分析这些算法,提出了一种三维空间下的基于网格点的随机算法的改进算法.算法分为两个阶段,初始阶段采用随机算法获得一个初始部署集以实现完全覆盖,在此基础上对初始部署集进行优化,达到在满足完全覆盖的前提下部署集的最小化.实验结果显示了算法在实现最大覆盖的基础上部署集优于已提出的贪心算法和线性规划算法.     

全随机网流研究——互联电力系统可靠性评价新方法的理论研究

本文以互联电力系统可靠性评价为背景,建立了具有顶点随机裕度和边随机容量的全随机网流FCSN数学模型,构造了用于直接随机运算的割集随机流函数显函表达式,从理论上证明了其可行性和唯一性。并且提出了采用模块分解的有效算法,进一步显著减少了FCSN的计算量。计算机算例表明,FCSN的CPU时间仅为以往逐次确定性网流法的1/241-1/111以下,精度却不降低,因此可以用来研究以往无法研究的复杂随机网流问题。FCSN在互联电力系统可靠性评价中的应用将另文报导。     

非对称网络容量约束用户均衡交通分配仿真算法

针对非对称网络路段容量约束交通均衡分配模型计算困难,设计了一种带路段容量约束的用户均衡交通分配仿真算法。在算法迭代过程中,将按全有全无法在当前最短路上分配流量与前一轮迭代所得到的流量加权组合,各O-D对的组合系数依Logit模型来确定;并不断自适应调节路段排队延误因子和误差因子来模拟实际路段行驶时间,使路段流量逐步低于路段容量,从而达到广义用户均衡,克服了容量约束均衡分配计算量大及Logit随机分配法要求枚举所有路径的困难。随后证明了算法的收敛性,并对一个小型路网进行了数值试验。     

带转向延误的拥挤交通网络配流模型及算法

为了更加真实准确地反映道路网络的交通流状态,该文综合考虑拥挤交通网络的特点,建立了带转向延误和通行能力限制的交通网络配流模型,模型中路段和转向通行能力约束条件的Lagrange乘子等于因交通拥堵而产生的排队延误。该文采用动态罚函数算法,将原问题转化为一系列不带通行能力限制的传统交通分配问题进行求解,随后以Nguyen Dupuis网络为算例进行测试。计算结果表明:当流量达到通行能力时,排队延误就会产生,平衡流量满足Wardrop均衡准则。该模型能够很好地反映拥挤交通网络流量特点,提出的算法也具有很好的收敛性能。     

基于随机加速对偶下降算法的分布式网络流量优化

传统的分布式网络流量优化问题大都通过对偶梯度下降算法来解决,虽然该算法能够以分布式方式来实现,但其收效速度较慢。加速对偶下降（accelerated dual descent,ADD)算法通过近似牛顿步长的分布式计算,提高了对偶梯度下降算法的收敛速率。但由于通信网络的不确定性,在约束不确定时,该算法的收敛性难以保证。基于此,提出了一种随机形式的ADD算法来解决该网络优化问题。理论上证明了随机ADD算法在不确定性的均方误差有界时,能以较高概率收敛于最优值的一个误差邻域;当给出更严格的不确定性的约束条件时,算法则可以较高概率收敛于最优值。实验结果表明,随机ADD算法的收敛速率比随机梯度下降算法快2个数量级。