基于对称交替方向乘子法的单列车最优运行控制

作为高铁系统研究的重点问题之一,列车运行控制在降低列车运行能耗以及提升铁路运营效率等方面具有重要的意义。针对单列车在多个站点间的运行控制问题,提出一种基于对称交替方向乘子法的单列车最优运行控制方案。以旅客乘坐舒适度、列车运行能耗以及列车准点到站作为优化目标,将列车运行动力学方程、站点发车时间、列车运行速度和列车牵引力限制等作为约束条件,构建了列车最优运行控制模型。在对称交替方向乘子法的框架下,将原最优控制问题转化成为2个独立的子问题,并引入交替求解的机制,获得原问题的最优解。数值仿真表明对称交替方向乘子法相比交替方向乘子法能够在较少迭代步数内求解获得列车的最优控制序列,验证了算法的有效性。     

放松邻近步长的线性化逐块交替方向乘子法

交替方向乘子法(ADMM)是求解线性约束凸优化问题的算法之一,其只有在两块变量时才有收敛性保证.为处理多块问题可将多块变量分为两组,组间采用Gauss-Seidel格式(及时利用新信息),组内采用Jacobi格式(使用老的信息),该算法的子问题求解较为困难.韩德仁等对子问题目标函数线性化并增加邻近点项来简化计算,但该算法的邻近点项因子选取受每组变量约束矩阵的最大特征值限制,使得收敛速度较慢,现提出新参数条件的线性化逐块ADMM算法,改进韩德仁等算法中的邻近因子,在保持每步计算量不变的前提下使算法收敛速度大大加快.     

基于交替方向乘子法与深度强化学习算法的资源分配

为了研究在有限信道状态信息下,密集型网络的资源分配问题,提出了交替方向乘子法结合深度强化学习算法的模型驱动学习框架。该框架区别于数据驱动框架,能够根据具体问题进行一对一建模。针对资源分配的问题建模内容包括：将基站选择、功率和子载波分配用交替方向乘子法进行交替优化;用深度强化学习算法优化权重,求解目标函数,提高算法性能;框架利用有效信道状态信息而非多余信息,降低了通信开销;加强对最低用户服务质量要求参数的约束,可以在保证用户的体验下最大化小区频谱效率。仿真结果表明,该模型驱动学习框架在较少的迭代次数下即可收敛。     

基于交替方向乘子法的图像盲复原

为了克服正则化理论的全变分图像盲复原模型中出现的运行效率低、效果不好等问题,提出一种基于交替方向乘子法的盲复原迭代算法。该算法通过交替迭代的方式,将复原图像与点扩散函数交替估计,同时不必更新惩罚项从而提高了运行速度和复原的质量。计算同时加入了对点扩散函数的归一化和阈值约束条件以及对图像的正定性条件。数值试验中,对不同模糊类型的图像进行了盲复原处理,并与已有的其他盲复原方法进行了比较。从主观评价能够发现,提出的算法能够改进图像的质量,提高其分辨率;通过客观指标比较,峰值信噪比(peak signal to noise ratio, PSNR)最大能够提高1.2 dB,结构相似度(structural similarity index, SSIM)最大提高1%,计算时间最大节约一半左右。     

基于动态步长交替方向乘子法正则化极限学习机

为解决交替方向乘子法（alternating direction method of multipliers, ADMM）正则化极限学习机（regularized extreme learning machine, RELM）迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记为VAR-ADMM-RELM．该算法在ADMM算法的基础上采用动态衰减步长进行迭代,并同时使用L1和L2正则化对模型复杂度进行约束,解得具有稀疏性和鲁棒性的极限学习机输出权重．在UCI和MedMNIST数据集中对VAR-ADMM-RELM、极限学习机（extreme learning machine, ELM）、正则化极限学习机（regularized ELM, RELM）和基于ADMM的L1正则化ELM(ADMMRELM)进行拟合、分类和回归对比实验．结果表明,VAR-ADMM-RELM算法的平均分类准确率和平均回归预测精度分别比ELM算法提升了1.94%和2.49%,较标准ADMM算法可以取得3～5倍的速度提升,且对异常值干扰具有更好的鲁棒性和泛化能力,在高维度多样本...     

基于交错方向乘子法的并行GPS信号捕获算法

信号捕获是GPS基带信号处理的核心组成部分,是影响GPS接收模块功耗和成本的重要因素。传统捕获算法处理数据量大、消耗资源多,该文利用压缩感知理论完成GPS信号捕获,将数据量降低到半码片捕获精度要求的门限之下,同时提出高效的并行捕获算法以降低运算量。具体而言,首先利用C/A码构造正交基,建立GPS信号捕获的压缩感知模型;其次,将该压缩感知问题纳入交错方向乘子法(ADMM)的框架,提出一种高效的并行捕获算法。在该算法中,压缩感知问题被分解成多个相对独立的子问题并行迭代求解,并且迭代的每一步都有简单的闭合解,因此运算量很低。仿真结果验证了该算法的正确性和有效性。     

结构型单调变分不等式的新邻近点交替方向法

对于带有分离结构的单调变分不等式,利用邻近点交替方向法的迭代点产生了一个下降方向,然后确定了沿着该下降方向的步长。通过重新构造下降步中的下降方向,选择相关的最优步长,提出了一种新的邻近点交替方向法。在适当的假设条件下,证明了算法的收敛性。     

基于Lagrange乘子法的一种新型改进粒子群优化算法

社会和生产实践中抽象出来的模型一般为非线性约束优化,而约束优化一般很难直接求解.首先,我们通过引进增广lagrange乘子法,将约束优化转化为有界约束优化,然后引入粒子群优化算法来进行求解,并且我们提出来一种嵌入了最速下降法的改进粒子群优化算法,以此来解决标准粒子群算法中收敛速度慢和精度低的问题,提高了搜索的效率,特别是局部搜索的效率.改进算法有效地结合了粒子群优化算法比较强的全局搜索能力和最速下降法的精细快速的局部搜索能力,相比于标准粒子群优化算法,克服了收敛速度慢的特点.数值实验表明,通过改进的粒子群优化算法可以找到所求优化问题的全局最优解.     

基于ＡＤＭＭ 的拉普拉斯约束表示型聚类算法

作为数据挖掘领域的关键技术,子空间分割对在联合子域内所分布的输入数据进行潜在的流 型聚类．谱聚类因具备出色的性能被作为子空间分割算法中的首选,其性能主要依赖于由输入样本 构造的关联矩阵．在平滑聚类算法的基础上结合拉普拉斯矩阵学习机制,提出一种用联合样本系数 以及关联矩阵学习的新型聚类模型．同时,为快速获取清晰的对角块结构,对目标函数增加低秩正 则项约束,并通过交替方向最小乘子法进行模型优化求解．所提方法称为基于ＡＤＭＭ（Ａｌｔｅｒｎａｔｉｎｇ ｄｉｒｅｃｔｉｏｎ　ｍｉｎｉｍｉｚｉｎｇ　ｍｕｌｔｉｐｌｉｅｒ）的拉普拉斯约束表示型聚类算法（Ｌａｐｌａｃｉａｎ　ｒｅｇｕｌａｒｉｚｅｒ　ｃｌｕｓｔｅｒｉｎｇ, ＬＲＣ）．通过实证结果表明：所提方法具有更高的聚类效果和更快的运行效率,综合性能优于 相关的聚类方法．     

基于网损迭代的含风电机组日内安全经济调度滚动修正模型

随着风电并网容量的逐渐增大,其自身的随机性和波动性给电网带来了较大的消纳难度和安全性问题,同时在调度模型中网损的忽略可能导致机组发电出力不足。针对上述问题,建立了基于网损迭代的日内经济调度滚动修正模型。滚动调度修正过程根据最新预测信息,并结合之前时段制定的调度计划进行相应调整。网损迭代过程考虑网损分布,然后进行经济调度,每次迭代过程进行交流潮流计算,支路潮流安全性校核,并更新系统网损。此外,针对调度阶段不收敛和支路潮流越限情况,制定了松弛机组出力限值和添加附加约束的调节策略。最后,通过算例仿真验证了本文模型的有效性和正确性。