动态上下文环境下的实时分布式多媒体系统框架

伴随着多媒体采集和处理设备成本的不断降低,以及处理目标的不断复杂化,多媒体信息系统正朝着大规模数据分析和管理系统靠拢,因此如何有效支持实时分布式多媒体信息所需的实时采集、压缩、传输、处理、描述、反馈与存档,以及后期的浏览与检索,已经成为多媒体计算研究的重要问题。为了有效支持实时分布式多媒体信息的实时采集、传输、处理、描述、存档等的需要,在分析动态上下文环境下实时分布式多媒体系统对底层采集、压缩和传输以及信息的表达和存储的普遍需求的基础上,提出并实现了一个通用的实时分布式媒体信息处理框架,以便为实时分布多媒体系统提供基础服务支持。该框架包括软件平台和信息系统两部分。前者用于将逻辑功能与物理设备隔离开来,完成实时采集、压缩、传输和解压等功能;后者通过统一信息表达格式,将数据与特定的采集处理模块隔离开来,同时还提供了信息管理的功能,以便于用户后期检索。这两部分共同将多媒体系统所需要的实时采集、处理、压缩、描述、反馈与存档以及离线浏览与检索等服务融入一致、统一的框架中。基于该框架的会议系统的相关实验表明,该框架具有良好的开放性、可配置性和可扩展性。     

Multipurpose批处理过程短期调度的滚动时域方法*

提出了一种利用滚动时域方法进行Ｍｕｌｔｉｐｕｒｐｏｓｅ批处理过程短期调度的方法，这种方法不仅可以大大缩短计算时间，而且可以考虑在生产过程中发生的动态变化，仿真计算结果证明了本方法有的效和实用性。     

传感器网络中的分布式滚动时域状态估计

利用分布式滚动时域方法对无线传感器网络的状态估计问题进行研究,给出了基于量化测量值的滚动时域估计算法。在无线传感器网络的环境下处理分布式状态估计问题时,减少通信的成本是非常重要的一个环节,需要将观测值量化后再传送。以往的滚动时域估计方法无法处理量化观测值的状态估计问题,而本文的方法考虑了最严格的观测值量化情况即传感器只发送一个比特至融合中心的状态估计问题。与其它传感器网络中的状态估计方法相比,该方法减少了每一步的计算量。仿真结果验证了该算法的有效性。     

基于滚动时域优化的机场起降动态调度

为了减少作战时军用飞机实际起降时刻与计划起降时刻产生的偏差,提出一种基于滚动时域优化原理的动态机场起降调度策略,分析军用飞机起降过程中的时间窗口约束和尾流间隔约束。对进入每个预测窗口内的飞机队列,以加权提前/延误时间和最小作为目标函数,将军用飞机起降调度模型转换为带到达时间的单机加权E/T调度模型。设计一种针对自然数域的离散粒子群算法,并应用该算法进行模型求解。通过仿真实验确定了算法的参数,仿真结果说明了模型和算法的有效性。     

基于动态博弈的双边现货出清方法

为解决单边现货价格向用户传导能力差、新能源消纳比例低的问题,本文提出一种基于动态博弈的双边现货出清方法,建立新能源发电站与用户的双边现货交易数据清洗模型,对调控负荷预测、可调容量等数据进行清洗;通过新能源发电站与用户之间的动态博弈分析,采用自寻优的方式,生成双边现货交易的最佳出清机制;在国内某区域应用本方法,并将本方法与多变量控制现货出清进行比较。运行结果表明,所提出的方法新能源效率水平高于多变量控制现货出清方法。     

在动态网络下实现分布式共享存储

共享内存系统是普通单机程序开发人员熟悉的开发范式,通过简单的使用读、写命令,就能确保将我们需要的值在内存中进行输入和读取。数据的一致性等问题,在单机系统中,开发人员根本不需要考虑。然而在分布式环境下,由于数据出现多个副本,且副本的数量有可能动态增加或减少,要实现同样的功能,又要保证读写性能,就需要新的算法和实现。     

动态优化的分布式组播路由算法

为了在真实的网络环境中寻找一棵延迟受限、耗费最小的组播转发树,以便更好地支持组播通信,提出了一个可以动态优化的分布式组播路由算法,该算法利用蚁群思想解决上述组播路由问题.由于不同代的蚂蚁之间可以通过信息素来实现间接通信,而信息素又是一种可以反映环境变化的媒介质,因此,该算法能够根据网络环境的变化及时做出调整.结合实际的网络拓扑,进行仿真实验,实验结果表明,通过蚂蚁一代代的进化,算法可以找到一棵满足延迟约束并且耗费尽可能小的组播树.     

云计算基于随机进化博弈动态的资源优化配置

云资源优化分配研究中,用户策略难免存在失误,以用户完全理性为前提的资源分配方法在实际环境下会出现失效。分析非完全理性的云用户种群下的资源分配过程及其策略演化过程,提出一种随机动态模型求解有限云种群中的资源分配进化博弈问题。模型克服用户完全理性的限制,利用带有频率依赖选择的Moran过程,在重复博弈过程中寻找云用户策略的入侵指数和固定指数策略选择偏好的条件。根据经济学云环境的特征,建立云用户的固定效用矩阵,量化策略选择动态。数值仿真结果证明,为了最大化自身效用,不同大小云种群中的个体策略会向着不同策略方向演化,资源在有限理性用户之间可以实现优化分配,且最优分配策略最终会处于稳定状态。     

预设时间下的分布式优化和纳什均衡点求解

本文研究了预设时间下的分布式优化和纳什均衡点求解问题. 假设每个智能体只能通过局部的信息更新 自身的状态, 设计了一类预设时间下的分布式协议. 该协议可以在任意预设的时间内实现收敛, 并且不需要依赖智 能体的初始状态和系统参数. 当目标函数是强凸函数时, 通过选取一个适当的Lyapunov函数, 利用代数图论和凸分 析理论等工具严格的证明了多智能体系统在预设时间下能够收敛到优化问题的最优解和非合作博弈问题的纳什均 衡点. 最后, 通过仿真算例进一步验证了本文所设计协议的有效性.     

预测控制优化变量的集结策略

为减少预测控制的在线计算量，提出了对优化变量进行集结的优化策略，通过一个集结矩阵将原优化变量与集结后的变量联系起来，从而为多种预测控制算法建立一个统一的框架，分析了现有的几种典型优化策略的集结表述，说明了所提出的集结优化框架具有一定的普适性，并在此框架下提出一种新的具有输出衰减形式的集结优化算法。     

Numerical optimization method for HJI equations derived from robust receding horizon control schemes and controller design

This paper addresses how to numerically solve the Hamilton-Jacobin-Isaac(HJI)equations derived from the robust receding horizon control schemes.The developed numerical method,the finite dierence scheme with sigmoidal transformation,is a stable and convergent algorithm for HJI equations.A boundary value iteration procedure is developed to increase the calculation accuracy with less time consumption.The obtained value function can be applied to the robust receding horizon controller design of some kind of uncertain nonlinear systems.In the controller design,the finite time horizon is extended into the infinite time horizon and the controller can be implemented in real time.It can avoid the on-line repeated optimization and the dependence on the feasibility of the initial state which are encountered in the traditional robust receding horizon control schemes.     

鲁棒后退时域控制中HJI方程的数值解法及控制器设计

本文讨论了由不确定非线性系统鲁棒后退时域控制(robust receding horizon control,RRHC)策略导出的Hamilton-Jacobin-Isaac(HJI)方程的求解,提出了一种新的带反曲变换的有限差分算法计算值函数,所提出算法对HJI方程的求解是一种稳定且收敛的算法.同时提出基于边界值迭代的加速过程,加速优化问题的求解,在花费更少计算时间的前提下,提高计算精度.所求得的值函数可直接应用于一类不确定非线性系统鲁棒后退时域控制器的设计,在控制器设计中,传统鲁棒后退时域控制策略中的有限时域被扩展到无限时域,求得的控制器可实时实现,避免对初始点可解性的依赖以及反复在线优化问题.     

具有通信时延和有向网络的多智能体分布式优化

本文对非平衡有向拓扑下一阶多智能体系统的分布式优化问题进行研究.研究的智能体在与邻居的通信过程中都有一个变化的时延.本文的目标是找到使得目标函数f(x)=(NΣi=1)fi(xi)最小的智能体的状态.提出了一种基于有向图的拉普拉斯矩阵的零特征值对应的左特征向量和智能体的局部信息的控制器.在这项研究中,去掉了fi(xi)...     

基于局部并行搜索的分布式约束优化算法框架

针对当前局部搜索算法在求解大规模、高密度的分布式约束优化问题（DCOP）时,求解困难且难以跳出局部最优取得进一步优化等问题,提出一种基于局部并行搜索的分布式约束优化算法框架（LPOS）,算法中agent通过自身的取值并行地搜索局部所有邻居取值来进一步扩大对解空间的搜索,从而避免算法过早陷入局部最优。为了保证算法的收敛性与稳定性,设计了一种自适应平衡因子K来平衡算法对解的开发和继承能力,并在理论层面证明了并行搜索优化算法可以扩大对解空间的搜索,自适应平衡因子K可以实现平衡目的。综合实验结果表明,基于该算法框架的算法在求解低密度和高密度DCOP时性能都优于目前最新的算法。特别是在求解高密度DCOP中有显著的提升。     

非光滑聚合博弈纳什均衡的分布式连续时间算法

本文研究多智能体聚合博弈的分布式算法设计.其中,个体的成本函数具有非光滑性.提出一个连续时间分布式算法,使得每个个体仅利用本地数据及局部的信息交互就能达到纳什均衡.利用李雅普诺夫方法,证明了算法的收敛性.在此基础上,进一步研究了带有耦合不等式约束博弈的广义纳什均衡求解.仿真结果验证了方法的有效性.     

微粒群优化动态神经网络模型结构分析

微粒群算法由于进化机制中的随机不确定性,其稳定性很难进行分析,所以对微粒群的研究多是根据经验的实际优化模型求解.针对该问题,利用鲁棒不确定性理论,将算法分解为时不变和不确定时变的结构,减少原有参数固定的假设条件,从而对引入动态惯性权重的微粒群算法的渐近稳定性进行分析.在此基础之上,采用李雅普诺夫方法,得到基于微粒群参数优化的动态神经网络收敛的充分条件,自适应调整微粒速度的上下限,为组合模型的实际应用提供参数选择的理论基础.最后,通过仿真实例验证了所给出微粒群算法稳定性条件和基于微粒群优化的动态神经网络收敛条件的有效性.     

动态电源管理的在线优化技术

研究离散事件动态系统中的一类随机离散动态系统—–半Markov决策过程,在动态电源管理问题中的应用.动态电源管理问题存在于很多便携式电子设备中,其主要目的是根据电子设备的状态通过电源管理策略选择关闭或休眠一些元器件,从而实现节省电子设备功耗,延长电池使用时间的目的.首先讨论了动态电源管理问题的建模,给出了一种带有禁止时间的在线优化方法,该方法通过设备自身运行数据,自主地学习并改进电源的动态管理策略,从而使每台电子设备具有个性化的动态电源管理方式,其优化过程可以在设备充电时完成,不需要通过云传输和云计算,避免了隐私数据的泄漏.最后通过仿真实验验证了算法的有效性.     

动态环境的人工免疫网络多Agent优化策略

基于生物免疫网络的核心思想及多Agent技术,提出了动态环境下的人工免疫网络多Agent优化策略（Dmaopt—aiNet）．该策略以搜索动态环境中的全局最优解为目标,引入了邻域克隆选择、邻域竞争和协作操作,并同时对Agent自信度状态作自动调整,在优化策略中采用了双重Agent网络结构、双重变异及动态环境检测策略．理论分析了Dmaopt—aiNet算法具有全局收敛性,实验结果表明该算法对高维动态优化问题具有较突出的优越性,能准确定位动态环境下的最优解,具有较好的搜索效果和效率．