一种无线传感器网络能量均衡路由算法

将无线传感器网络路由视作一种不完全信息的序列决策问题,针对传感器网络能耗不均的问题,提出了一种基于强化学习预测的能量均衡路由算法EBRRLP.该算法通过强化学习预测转发节点的行为,并利用ε贪婪策略选择预测值最优的节点发送数据,事后采取委托-代理激励制度抑制转发节点的自私性,维护节点的最大效用.仿真实验结果表明,EBRRLP算法具有较好的预测效果和较高的吞吐量,能有效降低能量损耗并均衡能量负载,其性能优于现有的其他算法.     

平面强化有限单元法的h型网格自适应

自适应有限元中的单元细划会不可避免地引入非规则节点,针对非规则节点的多点约束处理方法存在自由度多、数值稳定性差等缺点,根据强化有限单元法（FEM++）中数学网格和物理网格分离的特点,构造一种能够统一处理任意阶非规则节点的位移模式关联法则——物理模式重构法,并导出相应的有限元列式.修正了常规有限元中的超收敛应力恢复法和ZZ（Zienkiwicz-Zhu）后验误差估计理论,提出强化有限单元法的后验误差估计方法及相应的h型网格自适应策略.物理模式重构法在单元层次上直接将非规则节点的位移用具有独立自由度的数学节点位移线性表达,既保证了单元间的位移连续性,又不需要约束处理的多余自由度,保证了数值稳定性.数值算例表明：强化有限单元法的后验误差估计方法及自适应策略能给出满足精度要求的网格.     

自适应的基于IPDV的网络拓扑推断技术

为了克服基于层析成像的拓扑推断技术中时钟同步及节点间合作的限制,有效减少测量流量,在拓扑推断中提出了自适应的基于时延抖动的拓扑推断算法,该算法不需要节点间的时钟同步和节点间的合作,并且产生的测量流量较少. 从理论上分析了自适应的基于时延抖动推断自适应网络拓扑的可行性和正确性,通过NS2进行了仿真,仿真结果表明,自适应的基于时延抖动推断拓扑结构的效果比基于端到端单向时延推断拓扑的效果好,并且受到的限制少.     

一种极小化交叠的空间索引结构——MOSI-树

以缩小同层节点间交叠为目标,提出了一种空间数据索引结构——MOSI-树.通过定义数据间的序关系对数据空间分割,尽可能使空间位置相邻的数据分配在同一节点中,从而使MOSI-树的同层节点间的交叠有效减少.给出了MOSI-树的建立算法及算法的正确性、可终止性证明及时间复杂度,并给出了节点插入算法.实验结果表明,MOSI-树上同层节点间交叠明显减少.     

基于随机游走的无线传感器网络节点定位方法

为提高无线传感器网络中的节点定位精度,提出一种自适应随机游走模型的节点定位算法.首先将随机游走应用于网络拓扑结构连通性中,构建节点间相对距离模型,并设计自适应算法,提高该模型有效性;然后通过将该模型嵌入经典定位算法distance vector-hop（DV-Hop）中实现系统节点定位工作.仿真和实验结果表明,该算法具有良好的鲁棒性和定位精度,误差比DV-Hop算法减少了20%~30%.     

一种新的基于位置信息的MANET路由协议

针对MANET中频繁拓扑变化而导致链路的稳定性明显下降的问题,提出一种基于位置信息的MANET路由算法,即位置网格路由(LBGR)算法.在该算法中,数据包沿着地理网格的轨迹向前转发,每个中转节点根据它与相邻节点、目的节点的位置关系及下游的网格位置决定下一跳节点.由于利用了网格位置信息,该算法可以适应在节点高速移动和拓扑无法事先预测的变化,从而提高所维护路由的鲁棒性.仿真结果表明,与传统的位置辅助路由算法相比,在消耗网络资源较少的情况下,LBGR算法能够有效地提高端到端数据传输成功率和减少每条路径上的平均跳数.     

基于会话的结合全局潜在信息的图神经网络推荐模型

针对当前各种基于会话推荐的模型存在对物品间全局关系的获取和使用不足的问题,提出了基于会话的结合全局潜在信息的图神经网络推荐模型。该模型根据全部会话序列构建会话图与全局图,并在全局图中引入了序列中各节点间的间距信息,以及序列节点的相邻节点彼此之间的贡献度,通过模型训练获取最后的会话表征预测下一个交互行为。实验结果表明：在结合图神经网络的推荐算法中充分挖掘全局潜在信息可以有效提高推荐算法的准确率,这一改进对提高基于会话的图神经网络模型的性能有一定指导意义。     

分布式并行数据库系统中任务分配算法的设计

在分析传统任务分配算法的基础上,设计了一种改进的混合启动自适应任务分配算法。该算法根据系统总体负载变化自适应地选择启动策略,考虑任务对资源的需求和系统中的数据分布,有效地选择节点进行探询,使任务分配的开销最小化。在分布式并行数据库系统DPSQL中的使用表明,该算法比传统算法提供更高的任务执行效率和更好的系统稳定性。     

基于学习自动机与萤火虫算法的链路预测

为了探索便携交换网络的演化规律,研究其网络行为预测中的链路预测问题.便携交换网络具有节点移动性、节点间间歇性连接、高延迟等特点,其链路预测面临的挑战是节点相遇的机会性和拓扑的时变性,获得其高质量链路预测的关键是如何较全面地获取节点的属性.作者提出基于学习自动机和萤火虫算法的链路预测方法(link prediction ...     

基于等距随机游走图的三维动态曲面对准

为了提高三维动态曲面在噪声和遮挡下的对准精度,提出时空等距随机游走图算法. 该算法根据相邻两帧采样点的乘积空间定义图节点,通过时空相邻性进行节点裁剪处理. 以测地距离定义图边约束,将等距映射转化为图稳定性节点选择的随机游走问题. 通过马尔可夫链理论,计算得到最终的对应结果. 通过对不同动态曲面数据库的实验分析表明,该算法针对具有明显噪声和空洞的三维动态曲面能够得到一致性对准关系,性能优于已有算法.     

下肢助力外骨骼机器人自适应阻抗控制研究

当前用于人体运动增强的下肢助力外骨骼系统获得越来越多的关注。获取高精度跟随控制是下肢助力外骨骼机器人研制的主要挑战。针对当前基于位置的控制算法需要复杂的外骨骼动力学模型的问题,该文提出了基于增强学习的变参数阻抗控制算法。首先介绍了HUALEX助力外骨骼系统并对HUALEX建立简单动力学模型。基于此,提出一种基于增强学习的自适应阻抗控制算法,验证了阻抗参数对控制效果的影响,并通过仿真实验验证了该算法的有效性。     

Adaptive learning with guaranteed stability for discrete-time recurrent neural networks

To avoid unstable learning, a stable adaptive learning algorithm was proposed for discrete-time recurrent neural networks. Unlike the dynamic gradient methods, such as the backpropagation through time and the real time recurrent learning, the weights of the recurrent neural networks were updated online in terms of Lyapunov stability theory in the proposed learning algorithm, so the learning stability was guaranteed. With the inversion of the activation function of the recurrent neural networks, the proposed learning algorithm can be easily implemented for solving varying nonlinear adaptive learning problems and fast convergence of the adaptive learning process can be achieved. Simulation experiments in pattern recognition show that only 5 iterations are needed for the storage of a 15×15 binary image pattern and only 9 iterations are needed for the perfect realization of an analog vector by an equilibrium state with the proposed learning algorithm.     

基于自适应分簇机制的ZigBee路由优化算法

ZigBee协议虽然采用AODVjr和Cluster-Tree两种算法的结合体作为自身的路由算法（ZBR）,但这种路由算法并没有结合到各自算法的优点,对于提高网络的性能是有限的.为此,提出了一种结合AODVjr和Cluster-Tree优点的分簇路由算法--ACZBR算法,该算法在簇内使用Cluster-Tree算法,在簇间使用AODVjr算法.同时,为了避免簇首节点由于能量过度消耗而成为死亡节点,该算法采用了簇首自适应切换策略,从而保证网络的性能.仿真结果表明,该算法对于ZBR算法在网络生存时间、丢包率、时延等方面都有明显的改善.     

Ad Hoc网络Q学习稳定蚁群路由算法

针对Ad Hoc网络路由协议存在的对动态拓扑适应性差和链路不稳定问题,提出了一种Q学习稳定蚁群路由算法(SACRQ),该算法综合了蚁群优化和Q学习算法的思想,将信息素映射为Q学习算法的Q值,增强节点对动态环境的学习能力．在路由选择方面,使用自适应伪随机比率选择下一跳节点,避免算法陷入局部最优或是停滞;提出了新的链路稳定度来衡量链路的鲁棒性,结合鲁棒性和信息素强度两种因素选择下一跳链路．该算法增加了链路的鲁棒性,对Ad Hoc网络动态拓扑适应性强．仿真结果表明,SACRQ的路由发现数量、平均端对端延迟、冲突数量和每次路由发现吞吐量4种指标均优于ARA和AODV．     

非线性神经网络自适应控制及其在导弹中的应用

研究了用神经网络控制未知动态特性的非线性系统。基于神经网络学习系统的反向动态特性，调整控制网络的参数，使控制系统具有自适应的特性。网络学习采用误差反向传播算法，仅需要对象的输入输出值。对含有非线性环节的系统，该方法取得较好的效果。     

基于强化学习的机器人曲面恒力跟踪研究

针对机器人末端执行器和曲面工件接触时难以得到恒定接触力的问题,建立机器人末端执行器与曲面工件的接触模型.构建曲面接触力坐标系与机器人传感器测量坐标系之间的关系,利用基于概率动力学模型的强化学习（PILCO）算法对模型输出参数与接触状态的关系进行学习,对部分接触状态进行预测,强化学习根据预测的状态优化机器人位移输入参数,得到期望跟踪力信号. 实验中,将强化学习的输入状态改为一段时间内的状态平均值以减少接触状态下信号的干扰. 实验结果表明,利用PILCO算法在迭代8次后能够得到较稳定的力,相比于模糊迭代算法收敛速度较快,力误差绝对值的平均值减少了29%.     

应用深度强化学习的压边力优化控制

为改善板料拉深制造的成品质量,采用深度强化学习的方法进行拉深过程的压边力优化控制. 提出一种基于深度强化学习与有限元仿真集成的压边力控制模型,结合深度神经网络的感知能力与强化学习的决策能力,进行压边力控制策略的学习优化. 基于深度强化学习的压边力优化算法,利用深度神经网络处理巨大的状态空间,避免了系统动力学的拟合,并且使用一种新的网络结构来构建策略网络,将压边力策略划分为全局与局部两部分,提高了压边力策略的控制效果. 将压边力的理论知识用于初始化回放经验池,提高了深度强化学习算法在压边力控制任务中的学习效率. 实验结果表明,与传统深度强化学习算法相比,所提出的压边力控制模型能够更有效地进行压边力控制策略优化,成品在内部应力、成品厚度以及材料利用率3个质量评价指标的综合表现优于传统深度强化学习算法. 将深度强化学习中的策略网络划分为线性部分与非线性部分,并结合理论压边力知识来初始化回放经验,能够提高深度强化学习在压边力优化控制中的控制效果,提高算法的学习效率.     

海上自组网中基于侦听的MAC协议退避算法

无人艇通常以编队协同的方式进行作业,并通过自组网进行数据交换.因海浪等因素影响,海上自组网的信道传输损耗通常处于动态变化中,现有MAC协议的退避算法在动态海上环境下无法区分分组碰撞和分组丢失,会出现可靠性和稳定性下降的问题.为此,本文提出一种基于信道监听的自适应最小竞争窗口退避算法,该算法通过感知邻近竞争节点数目来估计信道状态,降低信道冲突概率和重传次数,提升了网络整体的可靠性和稳定性.仿真结果表明,与经典BEB算法相比,改进算法的吞吐量和公平性分别最大提高28.67%和62.00%,端到端延时和丢包率分别最大降低2.84%和15.10%.