基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,本文提出一种基于WasserStein生成对抗网络和双向门控循环单元网络的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,本文采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明,使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。     

基于Moreau包络与迭代重加权策略的图像深度恢复

为了解决现有的深度恢复方法存在的局限性,提出了一种基于Moreau包络与迭代重加权策略的图像深度恢复方法。提出了一种基于Moreau包络的非凸惩罚函数,提高了模型的先验稀疏性,同时保持了模型的凸性,并对算法的收敛性进行了分析。然后引入了一种迭代重加权算法处理颜色不一致问题。此外,还提出了一种加速算法将深度观测矩阵转换到傅里叶域进行快速处理时的非均匀下采样问题。最后数据集实验结果表明,该方法能够处理各种类型的深度退化,在恢复精度和运行时间方面都取得了良好的效果。     

基于自适应惩罚函数法的混合遗传算法

引入了自适应的惩罚因子,将约束问题转化为无约束问题．通过遗传算法求得无约束问题的可行解,再将此解作为约束变尺度法的初始可行点,由约束变尺度法得到精度较高的解．数值实验表明该混合算法比单纯使用遗传算法效率高,而且在多数情况下能得到全局最优解。     

基于资源流网络优化的鲁棒性项目调度

针对项目执行过程中由于活动拖期导致基准调度计划不断变更的问题,从资源分配的角度构建基于资源流网络优化的鲁棒性调度计划。首先设计拖期惩罚成本指标来衡量调度计划的鲁棒性,并构建以拖期惩罚成本最小化为目标的资源流网络优化动态模型。针对该模型设计MTPC资源流网络优化算法,该算法以活动为基准,采用拖期惩罚成本最小的资源分配方案实现资源在活动节点之间的有效流动,提升调度计划的鲁棒性。最后,为验证MTPC优化算法的有效性和可行性,通过采用蒙特卡罗模拟仿真实验将MTPC优化算法与RRAS,Min-EA和MABO等3种资源分配算法进行对比分析。实验结果表明：MTPC算法在调度计划的鲁棒性,资源分配方案的稳定性以及算法的时间效率上都优于其他3种算法。MTPC算法不仅能快速有效地完成资源配置,还能通过降低活动的拖期风险提升调度计划的鲁棒性,这可以帮助项目管理者构建抗干扰能力较强的基准调度计划。     

求解非线性规划的原始对偶内点法

应用一个指数障碍函数和原始对偶内点法求解一个非线性规划问题, 并利用线性搜索方法建立了全局收敛性定理.     

运用带跳过程的死亡力度对死亡率的估计

死亡率是分析各类寿险精算函数的基础.在传统的精算实务中实质上是假定了死亡率是静态不变的,然而,根据世界各国的历史人口统计数据,死亡率却是随时间而变动的,具有随机性和非连续性.人口老龄化所带来的长寿风险对社会养老保险精算带来巨大的挑战,准确的预测死亡率,提高精算结果的科学性是防范长寿风险的主要技术手段.本文对带跳随机死亡...     

基于自适应遗传算法的CMOS运算放大器的优化设计

介绍一种CMOS运算放大器的优化设计方法,该方法利用准精确惩罚函数法构造出价格函数,并且采用自适应遗传算法来获得全局最优解.实验结果表明:此方法可以快速设计出满足性能指标的CMOS运算放大器.     

机动工程保障力度的物元评价模型

根据高技术条件下的战场特征,运用物元分析的方法,构建了机动工程保障力度的物元评价模型,为机动工程保障效能的战前评价及工程保障方案的决策选优等问题提供了新的研究思路。并结合算例,说明了模型的有效性。     

基于惩罚函数的双目标钻进参数优化方法

针对传统理论单目标优化的不足,笔者提出双目标同时优化的方法,建立以平均钻速为基础的优化模型,并运用惩罚函数进行双目标同时优化。对川西高研磨性地层钻进进行优化,双目标优化钻速明显高于单目标优化,且成本相对偏低。结果表明,平均钻速适应性较好,双目标同时优化理论能够满足不同条件下的钻进需求。     

基于改进高斯混合模型的热工过程异常值检测

热工过程异常数据检测是进行系统建模、控制、优化的基础，也是数据处理的重要组成部分。提出一种基于改进高斯混合模型的无监督热工过程异常值检测算法，利用每一维高斯分量捕获一类特定工况数据集群，通过添加惩罚约束因子修正传统模型的后验概率密度，对误检、漏检项加以惩罚，并根据与集群的相关性差异实现异常数据的识别。仿真实验结果表明，模型在多种误差条件下均可准确定位异常数据位置，具有很强的泛化性能，同时相较于传统高斯混合模型，误检、漏检点的检测效果总体提升了37.8%和15%，反映出模型改进的有效性。