广义多尺度决策系统的局部最优粒度选择

在实际应用中,人们常常选择比较合适的粒度层次来解决相应的问题。在经典的多尺度决策系统和粒度层次构造过程中,属性取值常由人工选择某些固定粒度层次。本文针对广义多尺度决策系统,由属性取值的尺度组合来构造粒度层次,进而研究局部最优粒度的选择问题。首先,介绍了广义多尺度决策系统的概念。然后,在协调的广义多尺度决策系统中定义了最优粒度和局部最优粒度,并给出了基于属性组合的最优粒度与局部最优粒度的选择算法。最后,在不协调的广义多尺度决策系统中引入了广义决策,定义了广义决策最优粒度和广义决策局部最优粒度,并给出了基于广义决策最优粒度与广义决策局部最优粒度选择算法。     

通胀环境下考虑红利支付和最低保障的确定缴费型养老金最优投资

主要研究了通胀环境下带有红利和最低收益保障的确定缴费(DC)型养老金计划的最优投资问题.首先,应用伊藤公式得到通胀折现后的真实财富过程;然后,在DC型养老金计划终端财富内部保障约束下,即终端财富始终超过最低收益保障,考虑通胀环境下的退休时刻终端财富期望效用最大化问题,应用HJB方程推导得到了退休前任意时刻DC型养老金计划最优投资策略的显式解;最后给出算例,分析了不同参数对最优投资策略的影响,为DC型养老金计划投资者提供更有效的策略.     

灾害综合险的最优性条件

Arrow早已证明在一定的条件下,最优保险为超过某个固定免赔额的完全保险.这一结论被验证在单一风险损失和存在道德风险时仍然成立.在假设一份保单覆盖多种灾害风险责任的条件下,利用保费计算的失真定价原则,探讨了最优保险的充要条件.     

HPLC-PAD法测定金银花中绿原酸的含量

本文研究建立高效液相色谱法同时测定了中药金银花中绿原酸的含量.色谱柱为Nucleosil C1 8柱(4.6mm× 250mm,5 μ m),流动相为甲醇～0.4%磷酸(体积比为2575),流速1.0mL/min,检测波长327nm,柱温25℃.绿原酸在0.64～6.40μg时其进样量与峰面积呈良好的线性关系(r=0.9996),方法平均回收率为99.3%,相对标准偏差(RSD)为0.8%.方法简便、可靠,可用于控制金银花的质量.     

基于混合校正内点法的最优潮流

提出了一种混合校正的内点法.该方法有效结合了预测校正和中心校正方式,在预测校正过程中通过动态选择校正方向在总的牛顿方向中的比例来优化搜索方向,以改善中心校正的效果,进而加快了整个算法的收敛速度.通过IEEE 57、IEEE 118、IEEE 300和3个实际系统的仿真计算表明,与多中心 校正内点法相比,此算法能以更少的迭代次数和计算时间快速收敛.此外,计算结果还表明,该算法比传统的预测 校正内点法及其衍生的内点法更具有鲁棒性.     

四川省瓦屋山自然保护区小型兽类群落结构的初步研究

2004年 3-5月,作者用网格式取样捕捉法对瓦屋山自然保护区的小型兽类进行了调查,用最优分割法将区内小型兽类群落分为 5个群落.记录了小型兽类的组成、数量、量度及生境因子特征.根据调查计算小型兽类的密度、多样性、均匀度、优势度、相对重要值等群落特征参数.共记录小型兽类 22种,隶属 3目 8科,各群落的多样性指数为 1. 685, 1. 062, 1. 295, 0. 854, 0. 723.小型兽类丰富度喜好乔木多度 >40%、灌木盖度 >60%、干扰度 >500m,与坡向、坡度等则无明显关系.     

基于马尔可夫链和模糊聚类的电力系统短期负荷预测

提出一种马尔可夫链和模糊聚类相结合的预测方法,针对时间序列中出现的各种随机现象,分别建立数学模型.对样本所属状态采用模糊划分,使分类更符合实际情况;利用马尔可夫链对研究对象做状态分析,根据状态转移进行预测.该方法在电力系统负荷预测中使用,提高了算法的全局最优性能.在时间序列呈现较强的随机性时,本算法具有明显的优越性.仿真结果表明,对于各种扰动因素,预测误差可控制在3.5%以内.     

两传感器按对角阵加权信息融合稳态Kalman滤波器

应用现代时间序列分析方法,在按对角阵加权线性最小方差最优信息融合准则下,基于Riccati方程,提出两传感器信息融合稳态最优Kalman滤波器.与按矩阵加权最优融合.Kalman滤波器相比,可减少计算负担,与单传感器情形相比,提高了滤波精度.一个仿真例子说明其有效性.     

一类具三阶段结构的单种群模型的最优收获策略

研究一生中有三个阶段——卵、幼年及成年的单种群生长模型,该模型收获成年种群,得到了正平衡点全局渐近稳定的充分条件,给出了收获成年种群的最优收获策略.     

On Peer-Assisted Data Dissemination in Data Center Networks: Analysis and Implementation简

Data Center Networks （DCNs） are the fundamental infrastructure for cloud computing. Driven by the massive parallel computing tasks in cloud computing, one-to-many data dissemination becomes one of the most important traffic patterns in DCNs. Many architectures and protocols are proposed to meet this demand. However, these proposals either require complicated configurations on switches and servers, or cannot deliver an optimal performance. In this paper, we propose the peer-assisted data dissemination for DCNs. This approach utilizes the rich physical connections with high bandwidths and mutli-path connections, to facilitate efficient one-to-many data dissemination. We prove that an optimal P2P data dissemination schedule exists for FatTree, a specially- designed DCN architecture. We then present a theoretical analysis of this algorithm in the general multi-rooted tree topology, a widely-used DCN architecture. Additionally, we explore the performance of an intuitive line structure for data dissemination. Our analysis and experimental results prove that this simple structure is able to produce a comparable performance to the optimal algorithm. Since DCN applications heavily rely on virtualization to achieve optimal resource sharing, we present a general implementation method for the proposed algorithms, which aims to mitigate the impact of the potentially-high churn rate of the virtual machines.