分布式无线传感器网络的速率分配和网络成本联合优化

针对无线传感器网络资源和带宽分配不合理的问题,引入网络净效用性能指标,联合网络流量控制和成本控制两个层面,建立了基于网络编码多径路由的无线传感器网络资源分配的优化模型,提出了一种基于流量控制因子和网络拥塞代价的分布式迭代优化算法.本文定义网络净效用为网络传输效用与传输成本之差值.仿真实验结果表明,该算法能有效进行节点速率分配和链路流量控制,优化网络资源分配和净效用.     

两个经济模型中的数学推导问题

某些西方经济学文献在运用数学建模进行论证分析时,由于没有理清一些数学变量关系在经济上的含义,从而造成逻辑混乱或数学工具的错用,并由于其一定的隐蔽性,可能对读者造成相当程度的误导.首先分析国内颇具影响的文献[1]中两个数学模型中的推导问题,一个是关于要素供给模型的构建和推导,另一个是关于一般均衡条件的推导.然后指出文献[2]中一个严重的数学错误,在分析其错误根源的基础上,一并给出了相应的解释和修正.     

借贷利率不同的效用最大化投资组合比较

提出了允许卖空和不允许卖空2种情况下含有无风险资产且借贷利率不同的效用最大化的投资组合模型.在允许卖空情况下,运用拉格朗日乘数法和Sherman-morrison方程求出效用最大化投资组合的最优投资策略,并证明了其有效前沿与均值-方差投资组合的有效前沿相同.在不允许卖空情况下,运用不等式组的旋转算法进行求解.该算法避免了通常处理二次规划问题所需的松弛变量、剩余变量和人工变量,因而操作更为简便,计算效率也更高.最后,以1个具体例子比较2种模型,并得到以下结论：在2种情况下,风险偏好系数在整个取值范围内都能够较好地反映投资者对收益和风险的选择态度,而且含无风险资产的借贷拓展了投资机会空间.     

基于最大期望算法的多时变信号DOA估计方法

当多个辐射源同时存在并交替发射信号时,接收数据间相互交错,且多个数据间并无显性关联,无源合成阵列每一次测量仅能获取来波的频率、幅度与相位等数据信息。为了同时、高效地实现多个参数的联合估计,提出采用最大期望算法进行估计多个时变信号参数估计的新方案,将一个高维多参数优化问题分解成多个并行的低维问题进行求解。该方法主要包含求解期望值步骤和期望值最大化两个步骤。求解期望值步骤主要建立接收信号与其辐射源的对应关系,即信号分选,而期望值最大化步骤采用最大似然方法估计辐射源的入射角信息。这两个步骤相互迭代,交替进行辐射源信号的分选与测向。同时,还推导出无源合成圆阵相位差数据的最大似然方法进行入射角的精确估计的闭合形式解,并通过接收信号的复数响应进行相位模糊解算,并推导出测向精度的理论下限。最后,通过数值仿真结果验证了该方法的有效性。     

基于需求侧管理实时电价优化方法综述

为改善电力市场供需状况,实现削峰填谷目标,基于需求侧管理的实时定价研究不断深入.鉴于此,对其主要优化方法和最新进展进行综述.首先,总结了实时定价的社会福利最大化模型,明确模型以追求全体用户的效用之和与电能成本之差,即以社会总福利最大化为目标.随后,归纳了求解社会福利最大化模型的几种方法,包括对偶优化方法、交替方向乘子法...     

云边协同系统中基于博弈论的资源分配与任务卸载方案

综合考虑时延、能耗和计算资源成本，构建云边协同系统中的效用最大化问题，并将其分解为计算资源分配、上行功率分配和任务卸载策略三个子问题。提出一种基于博弈论的资源分配和任务卸载方案（game-based resource allocation and task offloading， GRATO） 以分别解决上述子问题。利用凸优化条件求得计算资源分配最优解；设计一种低复杂度的上行功率分配方法用于降低无线干扰；针对任务卸载策略优化问题，提出一种基于博弈论的分布式任务卸载算法（game-based distributed task offloading algorithm， GDTOA）。仿真结果表明，GRATO方案在时延和能耗方面的性能优于其他方案，还可以感知用户的优先级，使紧急用户具有更高的效用和更低的时延。     

“成本-效用”视角下家庭生育决策的影响因素：基于文献的理论分析

本研究系统梳理了家庭生育决策的相关研究，从成本论和效用论的视角出发，基于文献分析探究了家庭生育决策的主要影响因素，厘清了成本论视角下的经济社会因素、效用论视角下的社会流动预期因素以及综合性的政策因素的内涵及其对家庭生育决策的影响机制，并从成本因素、效用因素和政策因素三方面提出了家庭生育决策的未来研究方向。本研究为家庭生育决策相关研究提供了一定的理论基础，为后续分析我国低生育率的成因及驱动机制的研究提供了方向指导，也可为未来制定合理的生育配套政策和措施提供科学参考。     

基于广义意见动态模型的社交信任网络意见最大化问题

提出了一种广义意见动态模型（GODM），此模型可以通过动态计算每个人的表达意见来解决社交信任网络中的意见最大化问题。在模型中提出了一个新的、合理的、可解释的自信指数${\alpha _{{i}}}$，${\alpha _{{i}}}$由个人的社会地位与其周围人的评价共同决定。并且利用对角占优理论，得到模型达到纳什均衡状态时的最优解析解。设计了一种具有l₁ 形式的交替方向乘子法来最大化现有的总体意见。进行了一系列实验，实验结果表明，此方法在4个数据集上都有较好的结果。在4个数据集上，解决内部意见问题的平均效益分别提升了 66.4%，88.7%，47.8% 和 34.1%。实验结果充分验证了所提模型的优越性。