带有网络拓扑优化的分布式预测控制方法（英文）

通常在大系统中,全局信息优化的系统,其性能要高于局部信息优化系统.全局信息优化的算法由于大系统的复杂程度往往不可行.所以通常会用分布式算法来解决此类问题.在分布式算法中,为了获得更好的系统性能,要尽可能多的采用更多的信息信息交换,然而这样会带来信息网络的负担增大.本文在预测控制性能指标中引入通信代价,并提出了一种随着系统状态变化的通信网络拓扑切换方法.文中给出了该算法在供水管网动态模型中的仿真结果,表明本方法的可行性.     

基于鞍点法的自适应分布式资源分配算法

研究一类带有不等式约束为凸函数的多智能体系统分布式资源分配问题.在资源分配问题中,各智能体拥有仅自身可知的局部成本函数和局部凸不等式约束.分布式资源分配旨在如何利用智能体间的信息交互设计一种分布式优化算法,完成定量资源分配的同时还保证最小化全局成本函数.针对该问题,基于卡罗需-库恩-塔克条件和比例积分控制思想,首先提出一种自适应分布式优化算法,其中凸不等式约束的对偶变量可实现自适应获取;然后,为了降低系统的通信资源消耗,设计一种动态事件触发控制策略以实现离散时间通信的分布式资源分配算法;最后,通过数值仿真验证所设计算法的有效性.     

一阶多智能体受扰系统的自抗扰分布式优化算法

研究一类具有未知外部干扰的一阶多智能体系统的分布式优化问题.在分布式优化任务中,每个智能体只被容许利用自己的局部目标函数和邻居的状态信息,设计一个分布式优化算法,使全局目标函数取得最小值,其中全局目标函数是所有局部目标函数之和.针对该问题,首先提出由扩张状态观测器和优化算法组成的自抗扰分布式优化算法.其次,在Lyapu...     

一种基于离散时间一致性理论的多机器人分布式巡逻算法

在多机器人巡逻任务中,由于通信距离的限制,单个机器人很难获得全局信息。然而,现有的大多数多机器人分布式巡逻算法都要求每个机器人获得其巡逻区域的全局信息进行决策。因此,考虑到通信半径约束和局部信息约束,为了通过相邻机器人之间的交互完成巡逻任务,基于离散时间一致性理论提出了两种巡逻算法。算法1使用全局信息进行决策,算法2基于离散时间一致性理论实现局部信息对全局信息的预测进行决策。通过模拟器Stage对所提算法与对比算法在不同机器人数量、通信半径、地图环境下进行了对比。实验验证了所提出的基于局部信息的分布式多机器人巡逻算法具有与原算法类似的特性和性能,能够使机器人在没有全局信息的情况下判断全局状态,并基于邻居之间的协商完成巡逻任务。     

基于全局目录的分布式数据库加锁管理算法

针对简单的分布式封锁方法和完全分布式加锁算法在加锁时所需通信开销大、封锁时间长、锁管理复杂的缺点,结合集中式数据库加锁管理算法的优点,指出了在分布式数据库中保持事务可串行化方面存在的难点,利用全局目录和事务调度器,提出了基于全局目录的分布式数据库加锁管理算法。该算法使用两阶段封锁协议和多粒度封锁协议,在全局目录服务器中使用全局锁管理器管理和维护全局目录中的锁结点信息并对分布式封锁请求进行集中控制和灵活管理,能有效地保证事务的可串行化调度,降低封锁时的通信开销。     

基于局部信息交互的博弈学习算法

博弈理论在无线通信领域的应用愈加广泛并逐渐成为解决无线频谱资源分配的重要方法之一。论文关注5G通信系统中的异构信道选择问题,针对该问题传统集中式优化机制系统效率较优但优化开销大,而传统分布式优化机制优化开销较少但系统效率受限。为实现系统效率与优化开销的有效折衷,论文将问题建模为局部合作博弈,提出基于局部信息交互的博弈学习算法,实现了系统在分布式优化机制下达到最优性能。仿真结果验证了算法的最优性,收敛性和稳健性。     

带事件触发机制的分布式量化随机无梯度投影算法

本文研究多智能体系统的分布式约束优化问题,系统中的每个智能体仅知道自身的局部目标函数和全局非空约束集,通过与邻居节点进行信息交互,最终协同求出优化问题的最优解.本文所提出的算法针对通信网络为时变不平衡有向图,且每个智能体不知道它的出度的情况.同时考虑到现实中通信带宽有限和通讯成本的限制,应用基于编译码方案的量化技术对节点之间的通讯信息进行预处理,再利用事件触发广播技术降低网络的通信次数.同时引入高斯光滑函数和随机无梯度方法替代传统的次梯度方法.本文提出了基于事件触发的分布式量化随机无梯度算法,在目标函数为凸且Lipschitz连续的条件下,证明了所提算法能收敛到最优值的邻域,同时给出了使量化器不饱和量化水平更新规则.最后通过数值仿真验证了算法的有效性和可行性.     

博弈协商策略下的多星分布式协同任务规划EI北大核心CSCD

随着星载智能水平、航天运载能力、星间通信能力的全面提升,智能化、组网化、自治化的卫星系统成为当前发展趋势,传统的集中管控方式已难以适应未来分布式卫星系统的综合管理需求.针对分布式遥感卫星系统任务规划问题,本文提出了一种博弈协商机制的多星自主分布式任务规划模型.在该模型中,每颗卫星作为“理性”个体参与任务规划,在每轮博弈中基于局部目标信息和全局交互信息,利用自适应粒子群优化算法不断更新自身的“行动”,直至达到系统平衡.仿真结果显示,分布式任务规划方法能够灵活地应对不同规模的问题场景,算法性能不会随着问题规模的增大而出现显著的下降,有效地克服了传统方法在大规模任务规划场景中优化时间激增、收敛速度慢等缺点,能高效地获取全局性能较优的规划解.     

基于欺负算法的改进选举算法

欺负算法产生大量通信信息,时间开销大,占用系统资源过高,严重影响了分布式OLAP系统的性能。针对该问题,提出一种基于欺负算法的改进算法。该算法采用一对一的方式直接向性能最优的节点发送选举消息,以降低选举过程中产生信息的通信量和选举时间开销;并通过循环选举保证选举出系统的最优节点担任系统协调者。实验结果表明,该改进算法有效地降低了消息通信量,减少了时间开销,能更好的应用于分布式OLAP系统。     

分布式环境下的决策树挖掘研究

针对分布式环境中数据自治、异构和私有的特点,提出将现有数据挖掘算法分解为分布式统计信息获取和模型生成两部分.以决策树为研究对象,分析了分布式信息需求并设计了分布式挖掘算法步骤.通过性能分析,文中算法在数据自治和通信费用上比集中式算法有优势.     

基于广义细胞自动机的网络带宽优化

Nowadays,bandwidth allocation schemes in a TCP/IP or ATM network are congestion avoidance oriented.Few scheme has taken global optimization into account,for global optimization problem can not be easily solved by conventional mathematical method due to the complexity and large-scale of massive information system,such as Internet.We present a novel bandwidth allocation scheme based on generalized cellular automaton (GCA).Firstly we introduce how to map network topology into GCA model,then we propose how cells and macro cells interact in our solution.Our simulation results show the scheme leads to global optimization rapidly.     

基于自适应云粒子群算法的Wiener模型辨识

针对非线性系统Wiener模型的系统辨识问题,提出一种基于自适应云模型的粒子群优化(ACMPSO)算法的辨识方法。ACMPSO算法利用云模型实现优秀粒子的遗传和进化操作,根据进化状况动态调整云模型的参数,自适应地控制云模型算法的寻优范围和精度,有较强的全局搜索和局部求精能力。仿真实验证明该算法寻优精度高于其他主要PSO算法;将该算法应用于Wiener模型的系统辨识,通过实验证明了该辨识方法优于当前其他方法。     

Recurrent neural network modeling combined with bilinear model structure

In this paper, we propose a neural network modeling scheme for nonlinear systems. The proposed architecture is a new combination of neural network and bilinear system model in which the terms of cross-products of input and output signals within the bilinear model are taken as the inputs into the neural network. Compared with the original bilinear system, this kind of network model possesses much more adjustable parameters to fulfill the system identification. Moreover, instead of the general back-propagation method an evolutionary computation called the differential evolution algorithm is presented to update the network parameters. This algorithm is with multiple direction searches toward the global optimal solution for given optimization problem. To show the feasibility of the proposed scheme, a nonlinear chemical process system of continuously stirred tank reactor is illustrated. Many simulations and examinations are considered to verify the robustness of the proposed neural network structure on the modeling performance, including different sets of initial conditions of the algorithm and model orders.     

Joint optimization for area traffic control and network flow

A joint optimization problem for solving area traffic control and network flow is investigated. A bilevel programming is used to formulate this joint optimization problem where the network flow following Wardrop's principles can be obtained by solving traffic assignment problems. In this paper, we present a solution approach for jointly optimizing the area traffic control and network flow on the basis of a newly presented algorithm for concurrent flow (Comput. Oper. Res. (2004) in press). We propose three kinds of formulations for this joint optimization problem and present a gradient-based method to effectively solve this problem via a mixture of locally optimal search and global search heuristic where a near global optimum may be found. Numerical comparisons are made for the values of performance index achieved by the joint optimization problem with system optimal flow and those did by equilibrium flow at various sets of initial signal settings. Substantially good results have demonstrated the robustness of the proposed algorithm in solving both system optimal and user equilibrium flow for the joint optimization problem at large-scale networks.     

求解大规模系统可靠性问题的修正和声搜索算法

针对大规模系统可靠性问题, 提出一种修正和声搜索(MHS) 算法. 该算法修改了和声搜索(HS) 算法的搜索机制, 以当前最优解为研究对象, 随机选取不同维数进行即兴创作, 并修正步长(BW) 的调整方式, 均衡算法的全局搜索和局部搜索. 对经典的大规模系统可靠性问题进行求解, 数值结果表明, 所提出算法优于其他文献中的6 种和声搜索算法. 与最近提出的求解此类问题的各种算法进行实验对比, 实验结果表明所提出算法在整体上具有良好的优化性能.

     

Stochastic variational hierarchical mixture of sparse Gaussian processes for regression

In this article, we propose a scalable Gaussian process (GP) regression method that combines the advantages of both global and local GP approximations through a two-layer hierarchical model using a variational inference framework. The upper layer consists of a global sparse GP to coarsely model the entire data set, whereas the lower layer comprises a mixture of sparse GP experts which exploit local information to learn a fine-grained model. A two-step variational inference algorithm is developed to learn the global GP, the GP experts and the gating network simultaneously. Stochastic optimization can be employed to allow the application of the model to large-scale problems. Experiments on a wide range of benchmark data sets demonstrate the flexibility, scalability and predictive power of the proposed method.     

机载雷达组网多站测角被动跟踪轨迹优化研究

研究多观测器轨迹优化控制问题,由于多站测角被动跟踪系统运行存在误差,用机载雷达组网的可移动传感器采集信息,可对雷达载体轨迹优化进行研究,利用控制雷达载体的飞行轨迹可有效解决跟踪目标的弱观测性及估计器的稳定性。为了改善传统轨迹优化算法容易陷入早熟收敛和局部最小的问题,提出一种模拟退火(Simulated Annealing,SA)和粒子群优化(Particle Swarm Optimization,PSO)算法的混合优化方法(SA-PSO)。在给出了角度信息的适应度函数表达式基础上,结合模拟退火算法的局部搜索能力和粒子群优化算法的全局搜索能力,提高优化算法的收敛速度、精度以及全局搜索能力。实验证明,改进的混合算法对雷达载体轨迹优化有效,并减小对机动目标的被动跟踪误差。     

A food source-updating information-guided artificial bee colony algorithm

Artificial bee colony algorithm simulates the foraging behavior of honey bees, which has shown good performance in many application problems and large-scale optimization problems. To model the bees foraging behavior more accurately, a food source-updating information-guided artificial bee colony algorithm is proposed in this paper. In this algorithm, some food source-updating information obtained during optimizing time is introduced to redefine the foraging strategies of artificial bees. The proposed algorithm has been tested on a set of test functions with dimension 30, 100, 1000 and compared with some recently proposed related algorithms. The experimental results show that the performance of artificial bee colony algorithm is significantly improved for both rotated problems and large-scale problems. Compared with the related algorithms, the proposed algorithm can achieve better or competitive performance on most test functions and greatly better performance on parts of test functions.

     

基于深度时空Q网络的定向导航自动驾驶运动规划

针对目前基于机器学习的自动驾驶运动规划需要大量样本、没有关联时间信息,以及没有利用全局导航信息等问题,提出一种基于深度时空Q网络的定向导航自动驾驶运动规划算法。首先,为提取自动驾驶的空间图像特征与前后帧的时间信息,基于原始深度Q网络,结合长短期记忆网络,提出一种新的深度时空Q网络;然后,为充分利用自动驾驶的全局导航信息,在提取环境信息的图像中加入指向信号来实现定向导航的目的;最后,基于提出的深度时空Q网络,设计面向自动驾驶运动规划模型的学习策略,实现端到端的运动规划,从输入的序列图像中预测车辆方向盘转角和油门刹车数据。在Carla驾驶模拟器中进行训练和测试的实验结果表明,在四条测试道路中该算法平均偏差均小于0.7 m,且稳定性能优于四种对比算法。该算法具有较好的学习性、稳定性和实时性,能够实现在全局导航路线下的自动驾驶运动规划。     

基于统计指导的飞蛾扑火算法求解大规模优化问题

针对飞蛾扑火算法求解大规模优化问题较差的实际,借鉴差分进化算法中的变异思想,在飞蛾扑火算法中引入缩放因子和视距因子的概念,提出飞蛾直飞模型,并界定围绕历史最优飞蛾和当前随机飞蛾的直飞方式分别为局部寻优和全局寻优;设计3种不同类型的视距因子,从宏观上引导搜索算法启动全局探索和局部开发的时机,分析不同启动时机选择对飞蛾扑火算法在大规模问题上的优化精度影响,提出不同优化问题具有不同启动时机的思想;讨论飞蛾直飞和螺旋式飞行的3种组合策略下的优化效率,验证了所提出算法的较优性能,与现有文献改进算法在大规模优化问题上的改进效果进行对比,数值实验验证了改进算法的优越性和鲁棒性,拓展和丰富了原算法的应用范围.