q维2容错搜索的对偶模型

容错搜索理论[1]是目前国际前沿研究领域之一,而q维e容错搜索对偶模型(记为SLP)是其中一类热点问题.为了给出容错搜索对偶模型的定义,先引入幸存状态的概念:假定状态=(A0,A1,…,Ae)是进行若干轮问答后所导致的一个状态,具有形σ=(a0,a1,…,ae),如果∑ei=0ai≥1,那么称状态=(A0,A1,…,Ae)为幸存状态.     

线性分式—二次双层规划的对偶定理

先给出线性分式规划的一个对偶定理,然后利用这个结果建立和证明线性分式—二次双层规划的对偶定理。     

具有对偶极点的不稳定过程的鲁棒控制

为了进一步完善不稳定系统的鲁棒控制器设计方法,将具有对偶极点的不稳定过程分成纯不稳定过程与一般的稳定过程两部分,对于纯不稳定过程采用先成形再镜像映射的方法,而对于一般的稳定过程则基于极点对消原则直接设计控制器,最后用闭环增益成形算法求解鲁棒控制器。将所设计的鲁棒控制器应用于磁浮列车的悬浮控制中,从仿真结果可以看出,控制效果可以达到小超调(<8%)、无静差、调节时间快(<0.1 s)、对模型摄动具有鲁棒稳定性。     

PSO基础的链路平衡NoC映射与路由

针对NoC设计流程中IP核映射和路由分配两个关键步骤,提出了一种基于PSO低功耗IP核映射和链路平衡的路由分配算法PLBMR。PLBMR是一个两步PSO优化算法,在建立NoC的通信功耗和链路负载的数学表示的基础上,采用一种有效IP核映射与路由分配的PSO粒子编码方法,使得NoC的通信能量消耗最小以及保证NoC的通信链路负载平衡。仿真结果表明,采用PLBMR算法产生的NoC通信能量消耗平均比GA和BnB分别少了0.7%和0.6%,特别是,PLBMR算法在计算时间上都优于GA和BnB;对于链路负载的平衡能力,PLBMR平均分别比MOCA小了9%,比BnB小了7%。     

基于加权最小二乘拟蒙特卡罗的美式期权定价

美式期权定价具有后向迭代搜索特征, 在最小二乘拟蒙特卡罗模拟(least-squares quasi-Monte Carlo, LSM)方法的基础上, 本文通过随机Faure序列以及对偶变数法增加抽样数目, 达到减小模拟方差的目的,用其计算标的资产价格, 然后用加权最小二乘法进行回归, 得到了加权最小二乘拟蒙特卡罗(weighted least-squares quasi-Monte Carlo, WLSQM)方法. 从期权价值、标准差、运行时间几个方面比较方法的优劣, 得出WLSQM 方法比LSM 方法估计效果更优的结果, 验证了WLSQM方法在美式期权定价上的有效性.     

单向S-粗集对偶与数据筛选-过滤的扩展应用

S-粗集(singular rough sets)是对Z.Pawlak粗集的改进,单向S-粗集对偶(dual of one direction sin-gular rough sets)是S-粗集的基本形式之一。利用单向S-粗集对偶,给出数据属性,数据筛选-过滤概念,数据筛选-过滤序定理,合成数据筛选-过滤定理,及数据筛选-过滤准则。利用这些结果,给出应用。单向S-粗集对偶是动态数据筛选-过滤研究的一个新工具。     

离散数据模型的PFC变换器非线性现象仿真研究

对于平均电流控制下的PFC Boost 变换器,根据其工作基本原理,推导了其离散迭代映射数学模型.基于该数学模型,通过数字仿真确定了存在于变换器中的快时标不稳定现象.通过对系统数学模型的详细分析,与PFC变换器的Simulink精确开关模型仿真结果相比较,得到了一致结论,从而证明了该变换器离散数学模型的正确性,为PFC变换器参数设计提供了理论依据.     

标定方程AX=ZB的两种新解法

提出了同时确定手眼关系以及机器人坐标系到世界坐标系关系的两种算法。和现有算法相比,给出的算法分别基于对偶四元数和矩阵直积理论,均可一次计算出标定方程的旋转部分和平移部分,不存在误差的传递问题。仿真结果表明了算法的有效性,这些结论对于类似问题的求解具有一定的参考价值。     

改进差分进化算法求解化工间歇与连续混合生产过程调度问题

采用统一时间离散化方法,用改进的差分进化算法求解带有限中间存储的连续生产过程和间歇生产过程混合的化工生产调度问题.提出随机产生符合容量约束的任务队列组成染色体的新的编码方式,采用块交叉和块变异进化操作. 为了提高算法全局收敛能力,该文对算法的选择操作进行了改进,并通过Logisic混沌映射方法获得交叉算子CR的取值. 最后,通过化工算例仿真来说明模型和算法的有效性.     

求解0-1动态优化问题的双概率原对偶遗传算法

在原对偶遗传算法(PDGA)的基础上,提出一种双概率原对偶遗传算法(DPPDGA).引入弱势基因位值与强势基因位值的概念,对二者赋予不同的对偶映射概率,并对两个对偶概率进行适应性调整.比较原始算法,改进算法使种群具有更理想的多样性,并利于种群较快地收敛到满意解.仿真结果表明,该算法在0-1动态优化问题的求解中具有更好的性能.