马尔可夫链用于仓储建模与仿真

该文从马尔可夫吸收链概率矩阵元素的多步转移情况出发,很简明地推导了马尔可夫吸收链的变化规则,明确了吸收链基矩阵与非吸收子阵的关系以及吸收概率矩阵与吸收链基矩阵的关系,然后根据仓储状态的马尔可夫性质建立了仓储数学模型,研制了计算机仿真软件,在软件平台上,只要给出库存初始参数和出库随机分布就可以清楚地看到库存量动态变化过程,并预测达到库满或库空所需时间,从而使仓库管理更趋科学。     

随机平稳策略下半Markov决策过程的仿真优化算法

基于性能势理论和等价Markov过程方法,研究了一类半Markov决策过程(SMDP)在参数化随机平稳策略下的仿真优化算法,并简要分析了算法的收敛性．通过SMDP的等价Markov过程,定义了一个一致化Markov链,然后根据该一致化Markov链的单个样本轨道来估计SMDP的平均代价性能指标关于策略参数的梯度,以寻找最优(或次优)策略．文中给出的算法是利用神经元网络来逼近参数化随机平稳策略,以节省计算机内存,避免了“维数灾”问题,适合于解决大状态空间系统的性能优化问题．最后给出了一个仿真实例来说明算法的应用．     

用马尔科夫链对Linux进程行为的异常检测

用马尔科夫链对序列数据进行分析时,其预报准确率对于序列演变的异常与否相当敏感,而Linux进程可由一系列的系统调用序列来表征。据此,该文用马尔科夫链对Linux进程的系统调用序列进行行为模式提取并作异常检测。同时,还考虑了序列的顺序关系,使得模式有了合理的解释。     

基于马尔科夫链的随机测量矩阵研究

测量矩阵是压缩感知理论中的重要组成部分,其将直接影响原始信号的重构精度.针对常用测量矩阵重构精度较低的问题,构造一种基于马尔科夫链的随机测量矩阵.利用马尔科夫链的随机性生成M个随机数,将随机数按照规则分别映射为-1和1后作为M×M维对角矩阵的元素,采用马尔科夫链生成M×(N-M)个随机数并按照规则分别映射为0和1,构成包含0和1元素的M×(N-M)维矩阵,并将这两部分矩阵相结合形成M×N的测量矩阵.仿真结果表明,该矩阵结构简单,相比常用测量矩阵和基于奇异值分解的Toeplitz结构矩阵重构精度得到明显提升,并且减少了运算量与存储空间.     

马氏链在集成电路功耗估计中的应用

在介绍集成电路功耗的基础上，论述了RT-Level对电路的动态功耗进行分析的方法。这种方法应用随机过程中的马氏链对组合电路中的动态功耗进行分析，属于静态的分析方法，已知输入信号的统计特征和电路的逻辑功能就能够对组合电路的动态功耗进行分析。     

Using Markov Chain Based Estimation of Distribution Algorithm for Model-Based Safety Analysis of Graph Transformation

The ability to assess the reliability of safety-critical systems is one of the most crucial requirements in the design of modern safety-critical systems where even a minor failure can result in loss of life or irreparable damage to the environment. Model checking is an automatic technique that verifies or refutes system properties by exploring all reachable states (state space) of a model. In large and complex systems, it is probable that the state space explosion problem occurs. In exploring the state space of systems modeled by graph transformations, the rule applied on the current state specifies the rule that can perform on the next state. In other words, the allowed rule on the current state depends only on the applied rule on the previous state, not the ones on earlier states. This fact motivates us to use a Markov chain (MC) to capture this type of dependencies and applies the Estimation of Distribution Algorithm (EDA) to improve the quality of the MC. EDA is an evolutionary algorithm directing the search for the optimal solution by learning and sampling probabilistic models through the best individuals of a population at each generation. To show the effectiveness of the proposed approach, we implement it in GROOVE, an open source toolset for designing and model checking graph transformation systems. Experimental results confirm that the proposed approach has a high speed and accuracy in comparison with the existing meta-heuristic and evolutionary techniques in safety analysis of systems specified formally through graph transformations.     

基于隐马尔可夫链的自适应MODE及应用

不同的控制参数设定和生成策略（交叉和变异）都会对多目标差分进化算法的性能产生显著影响。为实现其控制参数和变异策略的实时自适应调整,提出一种基于隐马尔可夫链的自适应多目标差分进化算法。该算法利用隐马尔可夫模型对种群信息进行分析并得到最优序列,通过最优序列与实际状态序列的对比得出变异缩放因子[F]与交叉概率[CR]的最大似然估计值,从而实现控制参数的自适应调整;同时,通过隐马尔可夫模型得到一组策略链来辅助多目标差分进化算法来选择合适的变异策略。通过与其他9种多目标进化算法在16个测试函数上的对比研究,结果表明所提算法的整体性能优于其他比较算法。最后,将该算法用于求解海铁联运能耗优化问题,所得结果能够为决策者提供多种可行方案。     

Analysis of Software Fault Removal Policies Using a Non-Homogeneous Continuous Time Markov Chain

Software reliability is an important metric that quantifies the quality of a software product and is inversely related to the residual number of faults in the system. Fault removal is a critical process in achieving desired level of quality before software deployment in the field. Conventional software reliability models assume that the time to remove a fault is negligible and that the fault removal process is perfect. In this paper we examine various kinds of fault removal policies, and analyze their effect on the residual number of faults at the end of the testing process, using a non-homogeneous continuous time Markov chain. The fault removal rate is initially assumed to be constant, and it is subsequently extended to cover time and state dependencies. We then extend the non-homogeneous continuous time Markov chain (NHCTMC) framework to include imperfections in the fault removal process. A method to compute the failure intensity of the software in the presence of explicit fault removal is also proposed. The fault removal scenarios can be easily incorporated using the state-space view of the non-homogeneous Poisson process.     

Parallel exact sampling and evaluation of Gaussian Markov random fields

Markov chain Monte Carlo algorithms are computationally expensive for large models. Especially, the so-called one-block Metropolis-Hastings (M-H) algorithm demands large computational resources, and parallel computing seems appealing. A parallel one-block M-H algorithm for latent Gaussian Markov random field (GMRF) models is introduced. Important parts of this algorithm are parallel exact sampling and evaluation of GMRFs. Parallelisation is achieved with parallel algorithms from linear algebra for sparse symmetric positive definite matrices. The parallel GMRF sampler is tested for GMRFs on lattices and irregular graphs, and gives both good speed-up and good scalability. The parallel one-block M-H algorithm is used to make inference for a geostatistical GMRF model with a latent spatial field of 31,500 variables.     

标准粒子群优化算法的马尔科夫链分析

根据粒子群优化（Particle swarm optimization, PSO)算法的差分模型定义粒子状态序列和群体状态序列, 并分析其马尔科夫性质, 证明了粒子及种群的最优状态集的封闭性, 以及计算粒子一步转移概率; 进一步基于全概率公式和马氏链的性质, 推导了群体状态转到最优状态集的转移概率; 根据该转移概率, 对PSO算法的惯性权重ω和加速度因子c进行了讨论和解释, 研究了算法早熟收敛和发散等问题, 最后分析表明标准PSO算法以一定概率收敛到全局最优.     

基于马尔可夫过程模型的服务器集群数据可用性分析

可用性是衡量服务器集群的重要指标,在基于马尔可夫过程的服务器状态转移模型基础上，推出根据单台服务器的可用性计算服务器集群可用性的形式化方法，建立了单服务器可用性、服务单元可用性和整个服务器集群可用性之间的量化关系，进而得到多副本分布集群的数据可用性公式,本文的成果有效支持给定服务结点可用性参数的约束下准确估计服务器集群的可用性，对于从可用性角度辅助用户进行集群设计具有理论价值和实际意义．     

差分进化算法马尔可夫链模型及收敛性分析

差分进化算法是一种基于种群差异的优化算法,主要应用于解决连续空间的优化问题。目前,研究人员主要在算法的改进和应用方面研究差分进化算法,很少从理论角度对其进行研究。为了分析差分进化算法的收敛性,定义优化个体、种群的状态转移,并提出种群的最优状态集合。根据差分进化算法的操作算子计算出个体的状态迁移概率,并证明种群状态序列是有限齐次马尔可夫链,进而建立差分进化算法的马尔可夫链模型;最后,证明差分进化算法无法保证全局收敛。理论研究结果表明,适当保证种群的多样性能够提高差分进化算法的性能。     

供应链仿真系统的数据挖掘

本文针对供应链系统中缺乏数据积累、存在许多不确定因素及数据种类繁多的特点,提出采用建立供应链仿真模型,并通过仿真输出数据进行数据挖掘的思想。该思想帮助决策者既可以分析随机性因素对供应链系统的影响,又可分析影响供应链系统的各种因素的影响程度。     

基于Markov与PageRank算法的Web日志仿真器

获取可靠的Web访问会话数据是Web使用挖掘（WUM）的重要前提,而很多时候这种数据不容易得到。据此,采用数学建模的方法,设计并实现了一个Web日志仿真器（SSPM．Session Simulator based on PageRank and Markov）。SSPM用Markov链过程模拟用户访问过程,将用户Web访问过程抽象为Markov链,以PagcRank算法计算页面重要度,并以此计算Markov初始状态和转移矩阵,获取用户仿真日志。还介绍了SSPM的验证方法。     

基于过程优化的供应链过程语义建模方法

根据供应链过程的特点,将MIT过程手册中提出的语法模型同企业流程再造中常用的动态供应链建模方法相结合,以过程优化与流程再造为目标,提出了一种供应链过程语义建模方法。此方法可直接应用于供应链过程优化仿真系统的过程描述。将此建模方法应用到汽车行业供应链过程的描述与优化中,结果表明,此方法能够有效地描述汽车行业供应链过程,同EPC方法相比较,此方法更能充分展示资源与供应链过程的有效配置,从而更易于进行供应链过程优化与流程再造。同时,运用此建模方法构建的供应链过程模型能清晰地描述出供应链中的物流、资金流和信息流,因此能够更有针对性地对供应链上的资源进行有效管理。     

面向可用性的软件认知过程建模与模式检查方法

软件可用性检查是满足用户体验，提高软件质量的重要方法之一。本文提出了使用Markov随机过程模型建立了用户交互过程认知模型的基本方法，并在此基础上给出了一个严格的可用性模式检查过程和方法，帮助软件开发者重构用户交互过程，为改善软件系统的可用性特征提供了一种有效的手段。实践证明，该模型对不同类型用户具有很强的区分能力，能够有效地体现用户操作的概率特征，改善了传统可用性方法过分依赖可用性专家个人能力的缺陷，对于各种不同类型的软件系统具有较好的通用性特征。     

Fully Bayesian Field Slam Using Gaussian Markov Random Fields

This paper presents a fully Bayesian way to solve the simultaneous localization and spatial prediction problem using a Gaussian Markov random field (GMRF) model. The objective is to simultaneously localize robotic sensors and predict a spatial field of interest using sequentially collected noisy observations by robotic sensors. The set of observations consists of the observed noisy positions of robotic sensing vehicles and noisy measurements of a spatial field. To be flexible, the spatial field of interest is modeled by a GMRF with uncertain hyperparameters. We derive an approximate Bayesian solution to the problem of computing the predictive inferences of the GMRF and the localization, taking into account observations, uncertain hyperparameters, measurement noise, kinematics of robotic sensors, and uncertain localization. The effectiveness of the proposed algorithm is illustrated by simulation results as well as by experiment results. The experiment results successfully show the flexibility and adaptability of our fully Bayesian approach in a data‐driven fashion.     

油页岩干馏过程的流程模拟与多目标优化

为了进一步提高非常规物质-油页岩的产油率,降低油页岩干馏过程中的能量消耗,通过研究油页岩干馏过程的分离阶段,找出了影响产出率和能耗的因素,优化得出了页岩油产量和能耗的最优解集。首先应用化工软件ASPEN PLUS建立了油页岩干馏过程的静态模型,用灵敏度分析模块分析了分离阶段的温度/压力对产品产量和分离能耗的影响;其次基于多元回归方法,建立了多目标优化模型;最后用NSGA-II算法进行了多目标优化,得到优化解集。结果表明,在当前阶段页岩油的产量和分离能耗没有处于最优状态;对于该分离阶段,在同样的能耗下可通过改变相应的操作参数来实现产品产量的最大化。     

基于随机Petri网的集束装备模型及马尔可夫链分析

为了分析集束装备的性能,采用随机Petri网建模方法描述装备串行加工过程.采用自底向上方式,首先建立集束装备各组成模块的基本模型,然后根据实际的加工过程构造出整个装备的随机Petri网模型.给出了模型的马尔可夫链分析过程,进一步推导出装备的吞吐率和加工腔体的利用率.结果表明,该模型不仅可以表现集束装备的并发性,而且能表示出设备操作时间的随机性.该方法能够有效地描述和分析集束装备的加工过程.     

随机Petri网模型到马尔可夫链的转换规则与实现

随机Petri网是一种系统设计和分析工具,它可以对系统进行定性分析和定量分析。为了有效利用随机Petri网进行性能的定量分析,根据随机Petri网模型转换为马尔可夫链的算法,总结并实现了它们之间的转换规则。该转换规则在变迁实施的过程中引入演变规则和合并规则,将随机Petri网模型转换为马尔可夫链。可以利用产生的马尔可夫链对随机Petri网模型的多项性能指标进行定量分析。实验结果表明,转换规则是正确、可行的。