任一时间面向任务联盟结构生成算法

联盟形成是多Agent系统中的一个关键问题。目前,大多数学者都在CFG下研究联盟结构生成问题。然而,在很多实际应用中,联盟的形成往往是为了完成任务集中某些任务。但是,在CFG中并没有把联盟和任务一起考虑。显然,加入任务后,问题将变得更复杂。Dang等人已经证明,这是个NP难问题,并且要建立最坏情况下的限界K（n,m）,搜索索面向任务联盟结构集合L1、L2（除{（A,Φ）,（Φ,T）}）是必要且充分的,接着提出一个限界具有保证的任一时间算法。本文深刻分析了面向任务联盟结构间的关系,引入更小的搜索粒度（面向任务势结构）,提出一种新的任一时间搜索算法;在搜索完最小搜索之后,进一步搜索CTS集合CTS（n,m,b）对应的部分面向任务联盟结构,渐进给出越来越低的限界,大大改进了Dang等人的工作。     

Spark云计算平台下的结构物理参数辨识

结构物理参数辨识是结构损伤识别的一个关键问题。针对结构物理参数辨识精度不高、海量数据处理计算效率低下和在单机环境下运算资源不足的问题,提出一种云平台下改进并行化多粒子群协同优化算法(IPMPSCO)的结构物理参数辨识方法。在云计算平台下,引入Apache Spark云计算平台的弹性分布式数据集RDD,对传统多粒子群协同优化算法(MPSCO)的结构物理参数辨识进行分布式并行化改进。为了验证所提方法的准确性和处理海量数据的能力,在8节点的云计算集群上对一个30层框架数值试验和一个7层钢框架试验进行结构物理参数辨识。结果表明,所提方法具有良好的精度和稳定性,在执行效率上优于单机,且具有较好的并行能力。     

基于势结构的任一时间联盟结构生成算法

联盟形成是多Agent系统中的一个关键问题.人们寻求能极大化联盟值总和的联盟结构,但通常情况下可能的联盟结构的数目太大,以致不允许进行穷尽搜索而找出最优解.Sandholm等人已经证明,要建立最坏情况下的限界K(n),搜索联盟结构图的最底两层是必要且是充分的.Dang等人给出的算法是所见到的第1个不以层为单位的搜索算法,对于较小的限界明显地优于Sandholm等人给出的算法.深刻分析了联盟结构间的关系,采用更小的搜索粒度(势结构),提出基于势结构的任一时间算法,在搜索最底两层及顶层后,进一步搜索势结构集合CCS(n,6)对应的未搜索过的联盟结构,渐进地给出越来越低的限界,大大改进了Sandholm等人(快1035倍,当n=100,K=2)和Dang等人(快1018倍,当n=100,K=3)的工作.     

资源约束下基于离散粒子群算法求解多Agent资源结盟博弈问题

针对资源结盟博弈(CRGs,Coalitional Resource Games)中自治Agent结盟问题,每个Agent占有的资源不足以满足其目标要求,Agent通过建市联盟可以相互合作.各自实现目标.求解CRGs稳定联盟及其可达目标集的问题是一个NP-完全问题,由于可能的联盟数目随着Agent数日呈指数增长,需要设计高效的搜索算法.通过引入离散粒子群算法解决CRGs中自治Agent结盟问题.     

基于声呐成像的水下桩墩表观病害深度学习与智能检测

声呐成像检测水下桩墩表观病害时，其图像与光学图像的病害特征存在较大差异，病害的位置和类型需要人工识别且易出错。为解决这个问题，提出基于声呐成像的水下桩墩表观病害深度学习与智能检测方法。首先对水下实桥桩墩以及试验模型进行声呐扫描获取大量图像，并分析声呐图像中的病害特征；然后对Faster R-CNN框架下VGG16网络模型进行改进，采用水平、垂直等线性变换实现原始声呐图像的数据增强，对深度学习模型进行近似联合优化训练，用一定概率保证率的矩形识别框实现水下桩墩多类病害的分类定位；最后选取150幅未参与训练的声呐图像进行识别，验证所提出方法的有效性，并通过混淆矩阵、精确率、召回率、准确率以及F1值等评价指标对识别方法性能进行研究。研究结果发现，桩墩孔洞、剥落和位移等病害以及无病害类型的识别结果的总体准确率为88.3%，F1值分别为90.1%、84.9%、78.7%和94.6%，平均F1值为87%。这说明该方法在水下桩墩表观病害识别、定位以及自动化处理方面是可行、有效的，为桥梁水下桩墩表观病害的图像处理、智能化检测与桥梁安全评估提供技术支撑。     

福建省建筑能耗统计数据库设计研究

介绍福建省建筑能耗数据库设计过程中数据库管理工具选择、需求分析、逻辑结构设计等内容。本数据库可由建筑业主或管理员手工录入建筑的基本信息和能耗数据,并具备一定的统计分析能力。简要展示了在数据库基础上研究开发的"福建省建筑能耗及节能信息管理系统"。     

基于云计算的框架结构参数并行辨识算法

大型复杂结构健康监测（Structural Health Monitoring,SHM）系统的安装产生了海量监测数据,传统结构分析与数据处理技术使得监测数据得不到实时分析处理,导致不能及时评估结构工作状态并进行危险预警。为了解决这一问题,该文对传统多粒子群协同优化（Multi-Particle Swarm Coevolution Optimization,MPSCO）算法进行分布式并行化改进,开发了基于云计算的PMPSCO算法。在此基础上,提出了基于PMPSCO算法的框架结构物理参数辨识方法,并在MATLAB分布式云计算平台上对一个15层框架数值试验和一个7层钢框架实验室试验进行结构物理参数辨识,探讨了接入不同分布式并行节点数时该算法的加速关系。辨识结果表明:PMPSCO算法具有良好的精度、稳定性和拓展性,可通过增加接入的分布式并行节点数灵活提高算法运算速度,以满足结构监测数据实时处理的要求。