计算3-Tree网络全终端可靠度的线性时间算法

对于一般网络,计算全终端可靠度是ＮＰ－难问题,３－Ｔｒｅｅ网络是一类具有特殊结构和性质的网络,利用三角子图到Ｋ４的化简,给出了一个计算３－Ｔｒｅｅ网络全终端可靠度的线性时间算法。     

网络可靠度一种新的不交和算法

给出网络可靠度一种新的不交和算法，对两终端可靠度而言，当给出两终端道路集合后，撮一种排列道路顺序的新原则，利用不交和算法，在计算中借助布尔代数，定理进行简化，使得算法步骤较少而可靠度的符号表达式更加紧凑。     

计算K-终端网络可靠度的一种新算法

讨论了由一个源点s到一个指定的点集K的网络可靠度问题。首先提出了两个网络门限变量化简原则及计算网络K-树和极小K-割的算法。然后,基于具有门限变量的布尔方程和有序二分决策图方法,给出网络K-终端可靠度算法。结果表明这种算法是有效的,改进并推广了Rauzy提出的算法。     

具有不可靠结点网络可靠度的计算

提出了几个保持网络可靠度不变的将边可靠,结点不可靠的无向网络转化为有向网络的转化原则,进而给出了一个计算边可靠,结点不可靠的无向网络２ 终端可靠度的新的有效的算法·该算法使得具有不可靠结点的无向网络可靠度的计算得到很大简化     

基于网络简化技术的通风网络可靠度新算法

为了解决在网络可靠度计算中存在运算量过大的问题,利用不交和的原理计算网络的可靠性是当今所有计算网络可靠性方法中最有效的方法之一,但对大型网络依然无法快速确定网络可靠度。针对这一问题,采用直接构造不交化通路集的方法,结合网络简化技术和截断误差理论,提出了一种快速确定大型通风网络可靠度的算法。结果表明:本算法可在24 s内计算出传统算法10 h都无法算出的大型通风网络可靠度问题。该算法对提高大型通风网络可靠度计算速度具有很大作用。     

3—状态复杂设备网络系统可靠度计算的PATH—拆法

利用3—状态设备网络可靠度计算的归约定理,结合Ruger给出的技术,我们得到了计算复杂设备网络2—终端可靠度的一个新算法,算法具有易于计算机上实现,占用计算机存储空间小,也容易手工计算的特点。     

3-状态复杂设备网络系统可靠度计算的PATH一拆法

利用3-状态设备网络可靠度计算的归约定理，结合Ruger给出的技术，我们得到了计算复杂设备网络2-终端可靠度的一个新算法，算法具有易于计算机上实现，占用计算机存储空间小，也容易手工计算的特点。     

网络可靠度分析的改进最小割递推分解算法

在网络连通可靠度分析的最小割递推分解算法基础上,充分利用分解过程中获得的信息,采用合并节点以及合并并联边的方法,有效地简化了分解出来的子网,大幅度降低了算法分解出来的不交最小割和不交最小路数量,从而大幅度地减少了计算时间.3个网络实例计算分析表明,与最小割递推分解算法相比,改进最小割递推分解算法能更高效地计算得到网络系统的连通可靠度,为生命线工程网络的抗震可靠性提供了1种更加有效的分析工具.     

一种计算网络可靠度的不交和算法

给出了一种计算网络可靠度的不交和算法,该算法的最大特点是操作简便,易于在计算机上实现,从而适用于大型网络可靠度的计算。     

用图形分解和矩阵消减解决网络连通可靠性问题

应用图论中的因子定理，探讨了由临近网络节点间的连通概率求复杂网络两顶点间可靠度的方法，以及如何利用这个方法的原理来化简网络的概率矩阵。并且提出了矩阵化简的优化算法。最后简单提及这种方法的编程思想：     

基于神经网络分类的自适应图象编码

介绍一种对图象特征系数进行分类的自适应图象压缩编码算法。利用子图象ＤＣＴ系数间的相关性，使用神经网络的方法对ＤＣＴ系数矩阵进行分类对具有相近频率分布的变换系数矩阵进行聚类，使得各频率分量的方差减小，并提出了自适应的比特分配算法。实验表明在相同的压缩比情况下，该图象编码算法较其他方法有明显的提高。     

一类离散事件动态系统Kalman模型参数矩阵A、B、C图论表示法

利用图论方法，将串行生产线一类离散事件动态系统的Kalman模型参数矩阵A、B、C归结为三类型有向赋权网络的邻接矩阵，使得列写A、B、C的算法变得快速、准确而且直观。     

基于遗传算法的三单播网络对齐及优化

针对三单播有向无循环网络,考虑无法得知网络内部拓扑图结构,且内部节点数量无法估量的情况.应用渐近干扰对齐技术研究各用户发送不同数据流m,n,p时的预编码矩阵,联合应用图论中的最短路径遗传算法和网络线性性质,分析其预编码网络对齐(precoding-based network alignment,PBNA)的可行性条件,该条件最终可简化为2个方程,实际检验复杂度较低,且每对单播会话能够达到1/2的自由度.     

基于梯度和模糊神经网络的容迟网络路由算法

高效的路由算法是保证容迟网络性能的关键技术.为提高适用于容迟网络的路由算法的性能,提出了一种基于梯度和模糊神经网络决策的容迟网络路由算法.该算法具有如下特点:改进了网络描述向量,采用节点自身信息及节点间链路状态信息来描述网络,实现对网络的全面描述;将有限历史信息的动态平均与精确预测相结合,自适应维护网络描述向量的各分量,进而为路由决策提供准确的量度;采用模糊径向基神经网络进行路由决策,实现路由决策过程的智能化;依据多跳传输成功概率引导分组沿梯度方向转发,提高分组转发效率.仿真结果表明,在同等网络条件下,该算法表现出比传染路由算法和下文感知路由算法更优异的网络性能.     

撕裂法的综合应用

本文提出一种新的撕裂算法。该算法属于数学范畴,它通过对网络矩阵的变换完成撕裂;同时,该撕裂过程具有明确的物理意义,与传统的物理撕裂算法具有——对应的关系。它把这两个范畴的等效理论进一步推广到实用阶段,推广到一切大网络(包括电网络,电力网,及其它非电网)。本文还探索了撕裂法与稀疏矩阵技术的最佳混合,并在 IBM—PC/XT上实现了运用该最佳混合电路的分析程序。     

一种递增式归纳学习算法

笔者提出的递增式决策函数生成算法是在改造后的分辨矩阵下完成的,更有利于编程实现;避免了传统粗集方法对数据作一次性处理生成庞大的决策矩阵,从而有效解决了在处理大规模数据库时内存不足问题;由于决策函数是递增式生成的,因此该算法适应了目前数据变化的特点,实现了新例的动态学习,因此这种对信息的重用,减少了数据挖掘的时间;同时,递增式决策函数生成算法从根本上解决了多类决策的递增式学习问题.     

一种改进的模糊调节神经网络及其应用

针对具有相同激励函数的隐层神经元非线性表达能力较差的情况,提出了一种改进的模糊调节神经网络,并利用遗传算法进行训练。该模糊调节神经网络包括模糊神经网络和三层前馈神经网络2部分,通过模糊神经网络间接调整前馈神经网络隐层激励函数参数,并用遗传算法同时对模糊调节神经网络的权值和模糊神经网络参数进行训练,从而增强了网络的表达能力。将模糊调节神经网络用于非线性量化因子模糊控制器参数的整定仿真结果表明,改进的神经网络比传统的神经网络拥有更大的自由度,具有更强的非线性表现能力,从而使非线性量化因子模糊控制系统具有更好的控制性能。     

前馈网络灵敏度：分析及降低算法

在前馈网络中，不同的权值组合可逼近同一映射。网络的灵敏度取决于权值的变化。文中提出了计算网络灵敏度的方法和一种降低网络灵敏度的学习算法。网络的灵敏度分析包括单输出、多输出及输入变化、权值变化等情况。学习算法是在网络训练过程中加入随机噪声。次种学习算法与传统学习算法相比，可降低网络的灵敏度，但学习收敛速度基本相同。     

基于二分网络社团划分的推荐算法

传统的基于用户的协同过滤(User-based CF)推荐算法的推荐效率随着数据的不断增加而降低.本文在User-based CF算法中引入二分网络社团发现理论,提出一种基于二分网络社团划分的推荐算法(RACD).首先通过用户与项目之间的关系建立用户-项目二分网络,然后通过RACD对该网络进行社团划分,得到用户的社团信息,最后通过同一社团中的其他用户对目标用户进行项目的推荐.在经典网络数据集上的实验结果表明,RACD能够有效提高推荐系统实时推荐效率.