一、随机算法的一般性原理(论文文献综述)
李晗曦[1](2021)在《视频中敏感信息识别技术研究与实现》文中进行了进一步梳理随着网络技术飞速发展,人们通过互联网能够便利地获取各种信息并进行互相交流。但由于网络信息的混杂性,人们通过互联网在获取想要的信息同时也会被各种不良信息所干扰。这些不良信息轻则给人们带来财物损失,重则严重影响人们的心智。在这样的环境下,凸显了网络文化监管的必要性,而传统网络文化监管策略在网民规模庞大、网络信息时刻爆炸式增长的现阶段存在明显的不足,为改善这一现状,探求更高效、更智能化的网络文化监管策略尤为迫切。本文正是针对该问题进行了深入的研究,本文基于人工神经网络与视频帧晚期融合的策略设计出了一个直播场景下的视频敏感信息检测模型,在直播场景下证明了该模型具有判断视频中是否含有色情类敏感信息的可行性。为了进一步提升视频敏感信息检测模型的表现性能,本文应用计算复杂性理论中的相关结论对模型进行优化,并通过对比模型优化前后测试数据集上的分类准确率证明其有效性。本文研究的主要内容有以下4个方面:1、研究主流内容审查技术,分析传统内容审查手段的痛点给出技术解决方案,提出将基于深度学习的视频内容识别技术应用于视频内容审查上。2、深入研究人工神经网络技术的相关理论,从网络结构、训练策略等多个角度熟悉人工神经网络的构建方式与训练流程,着重研究人工神经网络在视频内容识别上的应用。3、探索开源机器学习库Py Torch的使用方法,并利用该机器学习库完成人工神经网络的搭建及训练。基于本实验的特点,分析网络模型的训练策略,提出基于迁移学习的训练方案。基于开源图像数据集构建预训练数据集,基于知名网络视频平台采集实验所需的视频数据,对其进行视频帧采样处理,构建可供网络模型进行训练的正式数据集。4、深入研究计算复杂性理论,对训练后模型的准确率进行分析,在明确本文提出的视频敏感信息检测模型针对直播场景存在的敏感信息检测的有效性基础上,将计算复杂性理论相关结论应用于实验构造的网络模型。结果表明优化后的模型在分类准确率上相比优化前具有一定程度的提升。
陈博伦[2](2021)在《切片化自组织网络智能路由与映射研究》文中进行了进一步梳理无线自组织网络(Ad-hoc)作为一种无中心、自组织、自优化的对等多跳式通信网络,具有简单易部署、抗毁性强等优势,已经被广泛应用于军事、民用领域。随着技术变革和产业改革在全球范围内的推进,军事改革也进入了一个全新的发展阶段。云计算作为智能化时代的核心技术之一,率先被美国应用于军事领域,以之为基础提出了“作战云”概念。“作战云”平台期望构建一个能够在作战空间内用于数据分发和信息共享的总体网状网络,其中每个授权用户、平台或节点可以透明地贡献和接收基本信息,并能够在整个军事行动范围内利用这些信息,从网络层面改变当前相对落后的军用网络结构。作为军用网络的重要组成部分,Ad-hoc网络由于网络结构简单,通信资源稀少,通常只能对少量且服务需求相对单一的业务提供服务,无法支撑“作战云”所要求的按需服务和协同组织。因此本文将5G领域中的网络切片技术应用于Ad-hoc网络,提出了切片化自组网的网络架构,使Ad-hoc网络能够利用有限的网络资源,支持更加复杂多样的业务类型,为包括“作战云”在内的未来全新的应用场景提供扎实的网络平台。本文根据网络切片的技术特点提出了切片化自组织网络的网络架构,并深入研究了切片化自组织网络中的切片映射和路由问题,主要研究内容如下:本文首先研究了切片化自组网的网络架构。切片化自组网由编排管理切片、连接性管理切片、切片控制切片和业务切片构成,不同切片根据其功能和业务请求的不同进行灵活地部署和配置。在这种网络架构下,网络中的物理资源被划分到不同切片中进行管理,实现了Ad-hoc网络对网络资源的灵活配置,提高了Ad-hoc网络承载力和服务能力。接着我们研究了切片化自组织网络中的切片映射问题。由于网络拓扑的动态变化,自组织网络在切片化后需要不断对虚拟链路的映射方式进行调整,通过重映射的方式保证切片性能。频繁的重映射会导致巨大的网络开销,为了减少网络开销,本文提出了基于演员-评论家(Actor-Critic,AC)算法的切片重映射算法,并引入图神经网络技术学习网络的拓扑结构,增强算法的泛化性。仿真结果表明,与传统算法相比,该算法在动态拓扑环境中,可以获得更低的重映射开销和更高的映射成功率。接下来我们研究了切片化自组织网中的优化链路状态路由(Optimized Link State Routing,OLSR)协议。作为一种无线自组网常用的路由协议,OLSR同样适用于切片化自组网。本文对该协议中的多节点中继(Multi-Point Relay,MPR)选择问题进行了优化。MPR选择问题是一个NP-完全问题,由于自组织网络具有很高的动态性,现在广泛使用的各类MPR节点选择算法在运行过程中会出现节点选择冗余性和节点选择不公平等缺点。为了解决传统算法存在的问题,我们提出了一种基于深度Q网络(Deep-Q Network,DQN)技术的MPR节点选择算法,仿真实验结果表明,与传统算法相比,该算法减少了节点选择过程中的冗余性和不公平性,此外图神经网络模块的应用也使算法在高动态网络环境中也能获得很好的性能表现。最后我们研究了切片化自组织网络中面向业务需求的服务质量要求(Quality of Service,QoS)路由问题。多性能指标的QoS路由问题是NP-完全问题,我们提出了一种基于Q-learning技术的路由算法(Q-learning Routing Algorithm,QLRA)来近似求解QoS路由问题,并设计了相应的路由优化算法。仿真实验验证了QLRA算法的收敛性,数值结果表明,与自组织网络中常用的自组网按需距离向量路由(Ad hoc On-Demand Distance Vector Routing,AODV)协议相比,QLRA算法能够更好地满足业务的每个QoS性能指标,并获得更高的路由成功率。
郝翔[3](2020)在《基于启发式算法求解背包问题的研究》文中进行了进一步梳理背包问题是一类NP难的组合优化问题,在工程技术、经济管理、交通运输、自然科学等领域有重要价值。由于经典算法在求背包问题中存在时间复杂度高、收敛性能差、限定时间内难以获得精确解等缺点,使得启发式算法得到了发展的契机。演化算法是元启发算法的一个重要的分支,其具有参数简单、通用性强和易于实现等优点,在求解非线性非凸性问题中表现出良好的性能,目前已经成功运用在工业设计、经济预测、生产调度和人工智能等诸多领域。其中GTOA、TGA和MVO是三个近几年提出的新颖的演化算法,并且在数值优化、复杂工程问题和机器学习方面取得了成功。因此,利用上述三个演化算法求解KPS、KPC和D{0-1}KP三个难解背包问题具有较好的研究意义。下面给出本文的主要研究:1.提出了一个便于利用演化算法求解KPS问题的新模型KPSM2,并给出了利用演化算法求解KPS问题的一般框架。在框架中,提出了一个生成KPS潜在解的随机算法RGSA和一个处理KPS不可行解的修复优化算法g ROA。最后给出了一个基于GTOA和随机算法相结合的启发式算法RA-GTOA,并通过求解公开KPS实例验证了算法的性能。2.基于模运算重构TGA三个算子,提出了一个可以直接求解组合优化问题的离散团队博弈算法DTGA。为求解KPC问题,利用修复与优化算法M2-GROA消除不可行解,并在DTGA基础上提出了一个基于单向变异策略的二进制团队博弈算法MOBTGA。通过求解KPC标准测试实例验证了单向变异策略的优越性和算法MOBTGA的高效性。3.基于模运算提出了MVO的两个新模型,引入了能提高算法收敛性能的局部搜索策略和精英策略,提出了一种离散混合多宇宙优化算法DHMVO。为求解D{0-1}KP问题,利用修复与优化算法NROA消除不可行解,并在DHMVO基础上提出了一个求解D{0-1}KP问题的四进制混合多宇宙算法QHMVO。通过与其它9个算法的仿真实验对比验证了算法的性能。
刘明谋[4](2020)在《大数据背景下的数据结构复杂性研究:并行与简洁数据结构》文中提出数据结构是计算机科学的基石。在现实中,数据结构支撑了大大小小的计算设备的运作;在教学中,数据结构也是计算机科学入门的基本课程。在当前时代,海量的数据为数据结构提出了更高的需求。我们既想要数据结构算法有着更短的运行时间,也希望数据结构能占用更少的空间。本文从两个侧面研究数据结构。对于较为简单的低维数据结构问题,我们考虑简洁数据结构,即以接近信息论极限的空间来解决该问题。对于较为困难的高维数据结构问题,我们研究如何通过并行计算来以较少的计算资源加速它的运算;我们也尝试为高维数据结构证明时间复杂度下界,来说明其不存在高效的数据结构算法,以逼近“维数灾难”的证明。本文正文分为两个部分。第一部分以低维数据结构问题的简洁数据结构为主题。首先我们为基本的范围最值查询问题证明了复杂度下界。我们为该问题证明了首个复杂度下界,并且该下界证明了当前最前沿算法在常数时间复杂度下的最优性。我们通过彻底重构前人的复杂度下界证明技术,使得我们不再只能证明平均情况的复杂度下界,而是能够证明更高的最坏情况的复杂度下界。然后我们考虑了动态的近似集合成员查询(布隆过滤器)问题。我们考虑了一个具有很强现实意义、有趣但又很少被理论界考虑的设定:动态的数据结构可以使用动态的空间占用,但是其空间占用仅依赖于当前数据集的大小,而不是预先估计的最大大小。一方面,这样的设定可以节约大量的运行空间;另一方面,这样的设定也是实践中“可扩展性”在数据结构上的具体体现。在这样的设定中,我们为动态的近似集合成员查询构造了目前为止在所有意义上的最优的数据结构算法:在空间上,它是唯一一个在n?log u这样的自然情况下能解决该问题的简洁数据结构;在时间上,它的所有更新和查询操作都可以在最坏情况的常数时间内完成。我们的数据结构算法为Pagh、Segev和Wieder(FOCS 2013)提出的开放性问题给出了一个肯定的回答。最后我们考虑了另一个根本性的数据结构问题,字典问题。我们构思了一种全新的思路来处理经典的字典数据结构中会导致空间浪费的“溢出”问题。通过这样的全新策略,在常见的u=poly n的情况下,我们的额外空间开销从≈O(n(log n)2/3)个比特降低到了O(n log...log n)个比特,同时也保证了所有的更新操作和查询操作都可以在最坏情况的常数时间内完成。我们的数据结构算法为Arbitman、Naor和Segev(FOCS 2010)提出的开放性问题给出了一个肯定的回答。第二部分以高维数据结构问题中的最近邻搜索为主题。围绕最近邻搜索,我们重点研究并行的随机化近似最近邻搜索,并在多项式空间中为该问题证明了并行度与内存访问量之间的渐近最优的置换。具体来说,我们分别给出了高效的数据结构算法和证明了复杂度下界。我们的数据结构上界采用了经典的线性维数约简方法再加上多路搜索。我们的复杂度下界证明将数据结构算法构造为一个通信协议,然后采用回合消去的方法证明了通信复杂度下界。然后我们考虑使用当前最前沿的数据结构下界证明技术来为λ-近邻问题证明复杂度下界。我们首先构造了一种刻画了单元采样技术的通信协议,说明通过这样的协议我们可以更简单地应用单元采样技术。接着我们通过一个通信协议的反例说明当前最前沿的单元采样技术在λ-近邻问题上难以成功。最后我们考虑了一种抽象了所有基于哈希的数据结构算法的计算模型,并在该模型中通过更简单直接地应用布尔函数分析的方法简化了前人的对于λ-近邻搜索问题的复杂度下界证明。
于寒[5](2020)在《基于正定矩阵黎曼流形的复杂工业过程故障诊断与性能监测方法研究》文中研究指明随着经济全球化的深入发展和市场竞争压力的日趋加剧,科技的飞速发展使得现代工业过程的自动化程度明显增加,过程内部的设备与工况也变得愈加复杂。随之而来的不确定性以及系统存在的各种扰动,均会导致故障或非正常工况的出现。就复杂工业过程而言,由于其机理模型难以获得,数据驱动的故障诊断与性能监测对整个过程的安全、可靠和经济运行起着至关重要的作用。传统基于多元统计分析方法的数据驱动故障诊断中,对系统的假设与限制较多,对乘性故障难以识别,并且对于非线性问题和动态系统未能有良好的解决方案。有鉴于此,本文考虑了复杂系统不确定性、多模态以及反馈控制下动态系统性能监测等问题,深入开展了基于数据驱动的复杂工业过程故障诊断与性能监测方法研究工作。第一,分析基于主流多元统计分析故障检测方法的研究现状,总结针对静态系统、多模态系统、非线性系统、动态系统下的现有故障诊断与性能监测方法的优势和局限性,并得出该研究领域内尚未解决的关键问题:1)复杂工业过程采样数据的均值和方差非恒定、概率密度函数难获取、故障种类复杂;2)复杂工业过程的噪声干扰大、不确定性高,对数据影响分布不均匀,微小故障难识别;3)复杂工业过程的多模态中,不确定性、故障与模态难以区分,以及非线性情况下的故障检测计算量大、机理不明确;4)复杂工业过程中,非稳态下的动态系统故障检测与性能监测尚无良好解决方案,以及反馈控制下的控制性能监测问题。针对这些问题,本文将逐一进行解决。第二,针对复杂工业过程采样数据的均值和方差非恒定、概率密度函数难获取、故障种类复杂问题,提出了一种基于黎曼度量的故障诊断框架方案及基础方法。这是黎曼度量在处理故障检测问题中的首次应用。利用黎曼距离构建性能指标,采用黎曼中心来涵盖所有正常(无故障)操作条件,包括了过程的不确定性。并通过相对黎曼中心的距离来计算判断故障的发生。此外,简要讨论了提出的指标在故障检测能力和故障与不确定性比率方面的性能分析。相较于传统方法,所提出的指标与对应算法可以有效检测乘性故障,并区分不确定性与故障发生。第三,针对复杂工业过程的噪声干扰大、不确定性高,对数据影响分布不均匀,使得微小故障难以识别问题,提出了一种改进的基于黎曼度量的静态系统故障检测方案,并基于测地线辅助随机算法设计了阈值设置策略。首先提出基于加权矩阵的加权黎曼距离,并根据设计的黎曼方差矩阵,通过其逆矩阵作为加权矩阵来实现数据矩阵的归一化,实现了归一化黎曼距离,并基于归一化黎曼距离设计开发了改进的基于黎曼度量的故障检测算法。另一方面,针对正定矩阵流形上的阈值设置,提出了借助随机算法的基于测地线的阈值设定方案。针对基于归一化黎曼距离的监控指标,提出了对应的随机算法辅助的基于测地线的阈值设置算法。有效解决了不确定性下的微小故障检测问题。第四,针对复杂工业过程存在的多模态问题,不确定性、故障与模态难以区分问题,首先提出了基于黎曼度量的K均值聚类算法,并设计了相应的多模态故障检测算法。更好的实现了对于多模态系统中不确定性、故障与模态的区分,同时实现了故障隔离与分类。此外,针对复杂工业过程非线性强、建模困难、参数复杂、计算量大的问题,提出了基于即时学习黎曼度量的故障监测方法。通过在线找寻局部黎曼中心,实现了非线性系统的近似线性化,解决了非线性系统故障检测中的参数设计复杂、计算量大的问题,实现了黎曼度量下的非线性系统处理。第五,针对复杂工业过程中的动态特性提出了基于黎曼度量的动态系统性能监测方法。通过反馈控制下的动态系统性能指标建立,实现了基于李雅普诺夫方程正定矩阵解的动态系统性能监测方法。通过输入输出数据可辨识出状态反馈下性能指标中的一个正定矩阵,其为李雅普诺夫方程解,表征了系统的动态变化。并通过黎曼距离对该正定矩阵是否变化进行监测,以达到监测动态系统性能的目的。本文提出的其他基于黎曼度量的故障诊断方法也可在动态系统中得到延伸与应用。
方伟[6](2020)在《基于差分隐私改进的保护自由空间数据发布方法的研究与实现》文中提出随着科技的进步与发展,大数据时代已经来临,人们获得了来自于大数据分析和应用所带来的便利的同时,因其带来的新的隐私威胁随之而来。其中位置隐私,因为其与用户的行为和当前的生活轨迹等具有很强的关联性,学术界针对位置隐私的保护研究愈发热烈。不少学者提出保护位置隐私的相关算法,然而在大数据时代下,攻击者具有极大背景知识的可能性越来越大,大部分基于匿名机制的隐私保护算法面对背景知识的攻击都显得力不从心。位置隐私安全正面临着巨大的威胁。差分隐私保护是一种针对背景知识攻击的强隐私性保护算法。目前针对自由空间数据集的差分隐私保护研究中,主要包含两种索引结构,分别是树形索引结构和网格索引结构,树形索引结构和网格索引结构都具有其独特的优势。但两种索引结构对于均衡查询效率和查询精度都存在着不足,然而大数据分析及应用对于隐私性,查询效率,查询精度都有迫切的需求。此外,网格索引结构在分布不均匀地情况下还存在着索引空间浪费的问题。基于此,本文研究了一种考虑自由空间数据分布特性的结合树形索引和网格索引优势的混合四分树索引和网格索引的混合索引结构Grid Index Based Quad Tree(简称GIBQT)。此外,针对网格索引划分在数据分布不均匀情况下网格索引的空间浪费问题,给出了优化网格索引方案Merge Grid Index(简称MGI)。通过三组不同分布特征的数据集进行了仿真实验,证明了GIBQT索引在查询效率和查询精度的均衡性上具有独特优势,同时也验证了MGI方案在解决稀疏网格导致的空间浪费问题上的有效性。本文的主要贡献有以下几点:(1)研究的GIBQT索引兼顾查询精度与查询效率。(2)给出的MGI方案,可以在分布不均匀的情况下,在保证查询精度的情况下,有效地解决网格索引空间浪费。(3)实现了一个提供满足GIBQT的差分隐私保护发布数据集生成的软件系统,该系统可以让用户自己通过调配参数,根据自身需求生成满足差分隐私保护的发布数据集。
王力凯[7](2020)在《基于性能的建筑体量设计生成及优化系统》文中研究指明为了进一步挖掘计算机智能技术在辅助建筑设计,尤其是改善建筑性能方面的潜力,近年来许多研究者和建筑师开始关注“运算设计优化”(computational design optimization)技术对面向性能的建筑设计的辅助作用。其中针对建筑体量设计,不少研究者通过将参数化建模(parametric modelling)、优化算法(optimization algorithms)和性能模拟工具(performance simulations)三者结合,搭建了整合建筑体量设计生成、分析和优化过程的“设计优化运行流程”(design optimization workflows),这为基于性能的建筑体量设计生产及优化提供了可行的技术路径和方法基础。采用这种技术路径的设计方法被称之为“基于性能的设计优化”(performance-based design optimization)。虽然一些研究结果显示,这种新的设计方法在建筑性能改善方面可以发挥一定的效用,但在实际应用中,基于这类新技术的优化系统的适用性一般较低,是一种高投入、低回报的计算机辅助建筑设计技术。一方面,建筑师在使用基于性能的设计优化时需要付出大量的时间和精力进行设计优化运行流程搭建及操作工作。另一方面,优化过程及优化结果的信息反馈仅能提供十分有限的设计信息,无法为建筑师的设计构思和深化推敲提供有效的参考和支持。因此,本研究将聚焦于上述两个问题,即如何整合优化系统的使用流程,以及如何提高设计优化输出结果的多样性。相应地,本研究在相关领域研究进展的基础上,以实现一种更符合建筑师在方案阶段设计可能性探索需求的计算机辅助设计方法,及其支持该设计方法必要的工具为目标,提出了一个集成化的建筑体量设计生成及优化系统(Performance-based Building Massing Design Generation and Optimization System,简称PBMDGO系统),并以此进一步探索建筑体量设计在建筑性能改善方面的潜力。在开发PBMDGO系统的同时,本研究也探索了应对现有技术和方法局限性的解决策略和技术工具。本研究在常规设计优化运行流程(生成-分析-优化)的基础上进行了再设计,并在Rhino-Grasshopper平台下开发了面向一般性建筑体量性能设计优化问题的通用系统,即PBMDGO系统。基于再设计的运行流程的PBMDGO系统,一方面简化了优化运行流程的搭建和操作工作,另一方面增强了优化过程及优化结果的设计信息反馈程度。为实现上述系统功能,研究继续针对再设计的运行流程中的设计生成器(即建筑体量设计生成模型),以及优化问题求解器(即优化算法)进行了适用性改造、重新开发和算法实现,并实现一个基于体量削减(“减法”)和体量叠加(“加法”)的建筑体量生成模型,以及一个兼顾“探索+挖掘”性的“多岛稳态遗传算法”(Steady-state Island Evolutionary Algorithm,SSIEA)。基于上述的生成模型和SSIEA算法,建筑师可以结合其他第三方性能模拟工具快速搭建面向设计优化运行流程,即不同性能目标的定制PBMDGO系统。为了考察PBMDGO系统在辅助建筑师进行设计优化和设计探索方面的效用,研究基于PBMDGO系统对不同设计条件和性能优化目标的设计问题进行了对比设计优化试验。结果显示,PBMDGO系统能够通过设计优化过程为针对不同性能目标和设计条件下的设计问题提供具有任务针对性的优化结果。此外,相较于其他设计优化运行流程,例如基于简单建筑体量生成模型或自由形态生成模型等,PBMDGO系统输出的基于正交几何的设计变体具有更清晰可辨的体量形态信息。另一方面,相较于基于多目标帕累托优化(multi-objective Pareto optimization)输出的混合了多种性能因素的设计优化结果,基于单目标的PBMDGO系统提供的优化结果则具有明确的性能指向性。PBMDGO系统回应了建筑师在方案阶段设计探索和设计优化的动态需求,能够为建筑师从“发散性探索”到“收敛性挖掘”的设计综合(design synthesis)过程提供反映建筑性能改善和建筑体量形态特征的设计信息反馈,同时也在一定程度上避免了由人的主观经验带来的设计固着(design fixation),进而帮助建筑师实现一种“性能信息驱动的设计”(performance-informed/aware design)。因此,本研究提出的基于性能的建筑设计生成及优化过程,关注的并非是单向的设计辅助或者设计控制,而是更深层次的双向设计协作。从这点出发,PBMDGO系统也可以被视为一个独立和外化于“人类设计师”(human designers),但同时又能与人类设计师(建筑师)协同进行设计工作的“机器设计师”(machine designers)。在这样的“人-机协同设计过程”(human-machine co-evolution design synthesis process)中,建筑师的设计综合能力将得到质的提升。在当前不断增强的数字化和智能化条件下,本研究提供了一种面向建筑性能的新设计方法,这将进一步推动“性能驱动的建筑”(performance-driven architectural design)的设计范式进程。本文正文共约118000字,图表233幅,代码约8300行。
汪跃[8](2020)在《深度强化学习中的随机算法研究》文中进行了进一步梳理近年来,深度强化学习通过结合强化学习和深度学习技术,已经在许多序列决策问题中成功应用,如围棋,电子游戏,机器人控制,自动对话系统等。强化学习通过将实际中的序列决策问题抽象建模成马尔可夫决策过程,设计算法解决策略评估和策略控制两大类问题。深度学习利用深度神经网络的强大表达能力,可以自动化地抽取实际问题中数据的特征。二者结合而成的深度强化学习因此具有了在复杂实际问题中自我学习,自我提升的能力。在本文中,我们将从三个角度,分别研究强化学习中的策略评估问题,策略控制问题和深度学习中深度神经网络相关的算法性质。其中策略评估问题是整个强化学习问题的基础,主要研究如何高效评估一个给定的策略。有了对于策略好坏的评估,策略控制问题的目标是设计算法找到最优策略,因此也是强化学习解决问题的核心。而深度强化学习近期的成功,一个非常重要的因素就是深度神经网络的发展,高效的神经网络训练算法在其中起到了不可或缺的作用。本文的目的是通过运用数学工具,分析、理解并改进深度强化学习中的随机算法,这将有助于我们有针对性地改进已有算法以及提出更高效的新算法,对于深度强化学习领域具有重要意义。本文的第一个工作主要关注策略评估问题。策略评估问题中基于梯度算法的理论分析在此之前一直局限于一系列强假设下,如数据独立同分布等,导致理论分析与实际并不吻合。针对实际问题中数据非独立同分布的情况,本文首次解决了策略评估问题中常用的基于梯度的时间差分算法(GTD)是否收敛以及收敛速率如何这一公开问题。为了解决这个问题,考虑到强化学习问题的数据天然服从马氏性而非独立同分布,本文引入混合时间等数学工具来刻画数据非独立同分布的属性。之后本文通过为更一般化的鞍点问题设计全新的误差分解公式,首次给出了一般鞍点问题中一阶梯度下降算法在数据非独立同分布时的收敛速率。最后更进一步给出了GTD算法的收敛速率的精确刻画,并从多个角度讨论了影响GTD算法收敛性的因素,从而给现有算法提供了更严格的收敛性保证。本文的第二个工作主要关注策略控制问题中的迁移学习。在策略控制问题中,一个受到广泛关注的领域是如何进行迁移学习,像人类一样利用已经学习到的知识来加速新问题的求解。过去相关的迁移强化学习工作大多没有理论保证算法的有效性,经验性设计的迁移操作会带来潜在的负面影响,并且没有利用强化学习自己的算法特点。本文通过理论分析策略控制问题中一类非常重要的算法,Q学习及其变种形式的收敛性情况,发现了影响收敛速率的关键性因素与Q学习中的目标Q函数密切相关。因此本文提出了一个基于目标Q函数的迁移学习算法,名为迁移目标Q学习。为了避免不合理的迁移操作带来的潜在负面影响,本文根据理论结果,合理设计误差条件,并且证明了在验证误差条件的情况下,本文提出的迁移目标Q学习可以保证迁移操作的有效性。最后,我们在多种序列决策实验环境中验证了算法的实用性和有效性。本文的第三个工作主要关注深度学习中深度神经网络的学习。高度的非线性性给深度神经网络带来强大的数据拟合能力的同时,也使得深度神经网络的学习变得困难。前人的工作中已经证明,部分前馈网络结构的参数空间维度相对冗余,这会给优化带来额外的困难。在深度强化学习中,如循环神经网络、注意力网络等非前馈网络结构也有着大规模的应用。为了将前人工作中局限在前馈网络结构之中的技术和结果实用化,本文更全面地研究了不同类型的常用非前馈神经网络。针对不同的神经网络结构,我们分三步进行我们的工作。首先分析神经网络的路径表示,将神经网络用一种全新的具有正尺度变换不变性的参数表示出来,我们称之为路径。其次,证明所有路径可以由极少一部分独立的路径表达并且设计算法将这些独立的路径构造出来。最后为了将理论结果实用化,我们分别在两种网络结构中设计新参数空间上的优化算法,兼顾了优化算法的有效性和效率,并在多种数据集上验证了算法实际性能。
李孝检[9](2020)在《高速离心压气机几何与流动参数耦合数据挖掘与优化研究》文中指出现代高性能离心压气机追求大流量、高效率、高压比、宽稳定运行范围的设计要求。由于压气机几何结构的复杂性,其内部流场表现出逆压力梯度流动、边界层流动、二次涡流、分离流动、间隙泄漏流、激波效应等复杂流动特征,这些流动特征是制约跨声速离心压气机多目标气动优化的瓶颈。传统优化方法由于对压气机内部流动物理机制挖掘不足,难以全面改善其流动特征和提高气动性能。为了解决高速离心压气机多目标气动优化难题,本文将压气机理论模型数据挖掘、代理模型数据挖掘与自适应采样混合优化算法结合,提出了基于几何与流动参数耦合数据挖掘的压气机全工况多目标气动优化方法。首先,提出了基于理论模型的几何与流动参数耦合数据挖掘方法。推导并建立了离心压气机几何与流动参数耦合普遍关系式,普遍关系式将压气机的关键几何、流动和气动参数统一表述为一系列具有相同无量纲参数的函数。根据普遍关系式绘制了无量纲图谱,由此揭示压气机几何、流动与气动参数之间普遍存在的非线性耦合与制约规律,从理论角度探索了压气机设计空间的可行域与优化极限。为研究非设计工况的气动特征,进一步建立了变工况与设计工况流动参数耦合数学模型,从而实现根据设计工况的参数快速探索非设计工况流动特征及气动性能,并从理论上证明不同工况流动参数耦合规律具有几何不变性。以上模型共同构成压气机全工况的几何、流动和气动参数耦合理论模型,为从物理机理层面对压气机内流进行数据挖掘提供理论支撑。其次,建立了基于代理模型的几何与流动参数耦合数据挖掘方法。提出一种新的自适应采样算法,将自适应采样与Kriging代理模型结合发展了一种自适应采样代理模型,利用数学算例验证了自适应采样代理模型的高效性。进一步建立了基于代理模型的压气机内流数据挖掘方法,其中,数据挖掘算法包括自组织神经网络和方差分析。相较于理论模型数据挖掘,代理模型数据挖掘能够解析局部几何参数与全局流动、气动参数的耦合关系。然后,发展了基于流动特征数据挖掘的压气机全工况多目标气动优化方法。将梯度变异与多目标遗传算法耦合,提出梯度变异混合优化算法,采用高维高非线性数学算例验证了优化算法的全局性和高效性。开展算法关键参数的敏感性分析,证明优化算法同时具有良好的鲁棒性。将自适应采样代理模型与梯度变异混合优化算法耦合,给出了一种适用于压气机多目标优化的自适应采样混合优化算法。将基于理论模型和代理模型的几何与流动参数耦合数据挖掘方法与自适应采样混合优化算法有机结合,形成基于压气机内流数据挖掘的全工况多目标气动优化方法。最后,针对跨声速增压器压气机和Krain叶轮,实施了基于内流数据挖掘的全工况多目标气动优化。经过理论模型数据挖掘,明确了压气机几何、流动与气动参数之间的耦合与制约规律,提取了对流动特征和气动性能起关键作用的设计变量,进而给出反映流动特征和气动性能全面提升更本质的目标函数,得到优化初始设计空间,由此将物理优化问题抽象为数学优化模型。经过代理模型数据挖掘,确定了设计变量与目标函数的非线性耦合与制约关系,得到了设计变量对目标函数的定量贡献率,据此精炼设计空间,简化优化问题。对精炼设计空间采用自适应采样混合优化算法进行优化,得到Pareto最优解集。多角度定性与定量证明了本文提出的优化方法在优化效率、全局性、鲁棒性方面均优于当前主流算法,其中优化效率可提升2-10倍。同时阐释了优化过程中几何、流动和气动参数耦合变化规律,以及气动性能提升背后的流体动力学机理。本文提出的基于几何与流动参数耦合数据挖掘的压气机全工况多目标气动优化方法,为现代高性能压气机的优化提供一种高效的新手段,或将助力于先进航空压气机、增压器压气机、能源动力工业压气机设计技术的发展及本土化。
王元玥[10](2020)在《线性规划框架下基于遗传算法的资源任务分配问题求解》文中认为资源任务分配问题是对有限的资源进行分配的决策任务,要求以最小的代价获取最大的收益,在现实生活中有广泛的应用价值。过去,对于资源任务分配问题的研究局限于非线性规划模型,而随着算法设计水平的提高,目前已写出其线性规划模型但其求解方法较为复杂。因此本文以资源任务分配问题的线性模型为基础,旨在为该模型设计更简单的高效求解算法,简化对该模型的求解与理解。首先,本文提出在资源任务分配问题求解中采用精确算法与元启发算法相结合的方法,实现了在线性规划模型的基础上使用列枚举方法结合遗传算法对线性模型进行求解。该方法为大规模线性规划模型提供新的求解思路,且方法可行性好,通过该方法能够将本文算例的模型变量大规模缩减。其次,本文为列枚举方法设计两种初始算法,并结合对偶检验与分配上界减少进基列。同时,本文设计基于上界的遗传算法能进一步缩减主模型的列从而求得资源任务分配问题的解,其中根据种群特征设计稀疏存储列的方式减少算法存储量与计算量,采用精英选择策略增强遗传算法的稳定性,设计大变异方法解决遗传算法“早熟”的问题并加快收敛速度,通过收敛性分析证明本文设计的遗传算法具有速度快、收敛性好的特点。最后,整理13篇国内外相关研究的论文算例数据并根据国际标准参数生成全规模算例48例,使用微机测试环境,搭建算法测试系统对每个算例各求10次,统计结果显示算例总体平均误差不超过1%,且超过一半的算例能够进行实时求解。通过与国际文献中求解方法的比较,发现本文的算法精度较大程度优于2017年在国际先进计算机科学与应用杂志上发表的方法,并同时具有时间上的优势。本文设计的使用遗传算法寻找进基列的方法为一种新的求解方法,算法稳定性较好且简单直观,采用国际标准算例生成方法并覆盖所有规模的算例进行测试,发现本算法针对资源任务分配问题的小、中、大规模问题均能求得较高精度的启发解。本文的研究结果不仅为资源任务分配问题开发了一种高效的求解算法,而且为大规模线性规划模型提供了一种新的解决思路。
二、随机算法的一般性原理(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、随机算法的一般性原理(论文提纲范文)
(1)视频中敏感信息识别技术研究与实现(论文提纲范文)
摘要 |
abstract |
第1章 引言 |
1.1 研究背景及意义 |
1.2 审查技术发展现状 |
1.3 视频内容识别发展现状 |
1.4 研究内容 |
1.5 技术路线 |
1.6 内容安排 |
1.7 本章小结 |
第2章 视频内容识别相关理论基础 |
2.1 神经网络 |
2.1.1 神经网络结构 |
2.1.2 神经网络与传统学习模型 |
2.2 深度学习 |
2.2.1 激活函数 |
2.2.2 网络参数初始化 |
2.2.3 批量归一化 |
2.2.4 模型训练 |
2.3 卷积神经网络 |
2.3.1 卷积层 |
2.3.2 池化层 |
2.4 视频内容识别 |
2.4.1 基于特征的视频内容识别 |
2.4.2 基于CNN的视频内容识别 |
2.5 本章小结 |
第3章 视频敏感信息检测模型设计 |
3.1 模型设计 |
3.1.1 模型架构设计 |
3.1.2 卷积层设计 |
3.2 训练策略 |
3.3 模型优化 |
3.3.1 随机算法 |
3.3.2 计算问题与复杂性类 |
3.3.3 复杂性类的关系 |
3.3.4 复杂性类相关结论 |
3.3.5 计算复杂性理论在视频敏感信息检测模型中的应用 |
3.4 本章小结 |
第4章 视频敏感信息检测模型实现 |
4.1 实验环境 |
4.2 实验数据 |
4.2.1 构造预训练数据样本 |
4.2.2 敏感视频样本采集 |
4.2.3 非敏感视频样本采集 |
4.2.4 视频帧提取 |
4.3 模型构建 |
4.4 模型训练 |
4.5 基于计算复杂性理论优化模型 |
4.6 实验结果及分析 |
4.7 本章小结 |
第5章 结论与展望 |
参考文献 |
致谢 |
作者简历及攻读学位期间发表的学术论文与研究成果 |
(2)切片化自组织网络智能路由与映射研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究历史与现状 |
1.2.1 无线自组网路由研究现状 |
1.2.2 网络切片研究现状 |
1.3 主要研究内容及创新点 |
1.3.1 主要研究内容 |
1.3.2 创新点 |
1.4 本论文的结构安排 |
第二章 基于网络切片的无线自组网架构 |
2.1 5G网络切片架构 |
2.2 切片化自组网基础结构设计 |
2.3 切片化自组网运行流程设计 |
2.4 本章小结 |
第三章 切片化自组网链路重映射 |
3.1 引言 |
3.2 系统模型 |
3.2.1 物理网络模型 |
3.2.2 切片(虚拟网络)模型 |
3.3 问题建模 |
3.3.1 核心网中的链路映射 |
3.3.2 切片重映射 |
3.4 问题求解 |
3.4.1 MDP建模 |
3.4.2 图神经网络 |
3.4.3 基于AC算法的模型求解 |
3.5 仿真分析 |
3.5.1 仿真环境和参数设置 |
3.5.2 性能仿真数值结果 |
3.6 本章小结 |
第四章 切片化自组网中的OLSR协议改进 |
4.1 OLSR协议原理 |
4.1.1 OLSR协议基本概念 |
4.1.2 多中继机制MPR |
4.2 问题建模 |
4.2.1 传统MPR选择问题 |
4.2.2 动态拓扑下的MPR选择问题 |
4.2.3 MDP建模 |
4.3 问题求解 |
4.3.1 DQN算法简介 |
4.3.2 MPR集选择算法 |
4.4 数值结果分析 |
4.4.1 数值结果分析 |
4.5 本章小结 |
第五章 切片化自组网QoS路由 |
5.1 引言 |
5.2 问题建模 |
5.3 问题求解 |
5.3.1 Q-learning算法 |
5.3.2 基于Q-learning的 Ad-hoc网络路由 |
5.4 数值结果分析 |
5.4.1 仿真环境和参数设置 |
5.4.2 性能仿真数值结果 |
5.5 本章小结 |
第六章 全文总结与展望 |
6.1 全文总结 |
6.2 后续工作展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(3)基于启发式算法求解背包问题的研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 启发式算法研究现状 |
1.2.2 KPS问题研究现状 |
1.2.3 KPC问题研究现状 |
1.2.4 D{0-1}KP问题研究现状 |
1.3 研究内容及论文结构 |
1.4 本章小结 |
第二章 若干新颖演化算法简介 |
2.1 GTOA算法简介 |
2.1.1 GTOA原理 |
2.1.2 GTOA伪代码 |
2.2 TGA算法简介 |
2.2.1 TGA原理 |
2.2.2 TGA伪代码 |
2.3 MVO算法简介 |
2.3.1 MVO原理 |
2.3.2 MVO伪代码 |
2.4 本章小结 |
第三章 若干背包问题简介 |
3.1 KPS问题的定义与模型 |
3.2 KPC问题的定义与模型 |
3.3 D{0-1}KP的定义与模型 |
3.4 本章小结 |
第四章 基于GTOA与随机算法求解KPS问题 |
4.1 利用启发式算法求解KPS的基本框架 |
4.2 产生潜在解的随机算法 |
4.3 修复与优化算法 |
4.4 基于RA-GTOA求解KPS的伪代码 |
4.5 实验结果与分析 |
4.5.1 实验环境和KPS实例 |
4.5.2 参数设置 |
4.5.3 RA-GTOA与其它算法的比较 |
4.6 本章小结 |
第五章 基于离散TGA算法求解KPC问题 |
5.1 TGA算法的离散化实现 |
5.1.1 DTGA算法 |
5.1.2 DTGA伪代码 |
5.2 单向变异策略 |
5.3 基于MOBTGA求解KPC问题伪代码 |
5.4 实验结果与分析 |
5.4.1 实验环境和KPC实例 |
5.4.2 参数设置 |
5.4.3 MOBTGA与其它算法的比较 |
5.5 本章小结 |
第六章 基于四进制MVO算法求解D{0-1}KP问题 |
6.1 MVO算法的离散化实现 |
6.1.1 DHMVO算法 |
6.1.2 DHMVO伪代码 |
6.2 基于QHMVO求解D{0-1}KP的伪代码 |
6.3 实验结果与分析 |
6.3.1 实验环境和D{0-1}KP实例 |
6.3.2 参数设置 |
6.3.3 QHMVO与其它算法的比较 |
6.4 本章小结 |
第七章 结论 |
参考文献 |
附录A 详细计算结果 |
作者简介 |
攻读硕士学位期间发表的论文和科研成果 |
致谢 |
(4)大数据背景下的数据结构复杂性研究:并行与简洁数据结构(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 引言 |
1.2 计算模型 |
1.2.1 RAM模型 |
1.2.2 单元侦测模型 |
1.2.3 可扩展数组模型 |
1.2.4 通信模型 |
1.2.5 数据点列表模型 |
1.3 文章结构 |
第一部分 低维问题的简洁数据结构 |
第二章 范围最值查询的简洁数据结构复杂度 |
2.1 引言 |
2.1.1 单元侦测模型 |
2.1.2 相关工作 |
2.1.3 Pǎtra?cu和Viola的技术 |
2.2 我们的技术 |
2.3 范围最值查询的简洁数据结构下界 |
2.3.1 pred-z的下界 |
2.3.2 选出询问Q_(pub) |
2.4 分析输入分布 |
2.5 一个常数冗余的算法 |
2.6 一个推广的时间 -冗余的置换 |
2.7 总结 |
第三章 动态近似集合成员查询的简洁数据结构 |
3.1 引言 |
3.1.1 主要结果 |
3.1.2 相关工作 |
3.1.3 以前的构造 |
3.1.4 我们的技术 |
3.2 预备知识 |
3.2.1 字串记号 |
3.2.2 计算模型 |
3.2.3 随机函数 |
3.2.4 适应性前缀 |
3.3 动态过滤器的数据结构 |
3.3.1 简洁动态过滤器 |
3.3.2 简洁动态字典 |
3.4 前缀匹配数据结构 |
3.5 带有容量的简洁前缀匹配数据结构 |
3.5.1 具体实现和伪代码 |
3.6 没有前置假设的简洁字典 |
3.7 分配-释放模型下的上界 |
3.8 总结 |
第四章 动态字典问题的简洁数据结构 |
4.1 引言 |
4.1.1 我们的贡献 |
4.1.2 相关工作 |
4.1.3 我们的技术 |
4.2 预备知识 |
4.2.1 记号 |
4.2.2 随机函数 |
4.2.3 结构化数组 |
4.2.4 溢出不等式 |
4.2.5 适应性前缀 |
4.2.6 计算模型 |
4.3 主字典 |
4.4 子字典 |
4.5 零件字典 |
4.6 辅助数据结构 |
4.7 总结 |
第二部分 高维问题的并行数据结构 |
第五章 并行化的随机近似最近邻搜索 |
5.1 引言 |
5.2 预备知识 |
5.3 k轮的近似最近邻搜索 |
5.3.1 一个简单的k轮ANNS协议 |
5.3.2 一个适用于较大的k的k轮ANNS协议 |
5.3.3 一次单元侦测的 λ-ANN协议 |
5.4 复杂度下界 |
5.4.1 从最长前缀匹配问题归约 |
5.4.2 通信协议的回合消去 |
5.4.3 下界的证明 |
5.5 总结 |
第六章 单元采样技术的通信复杂度解释及其屏障 |
6.1 引言 |
6.1.1 相关工作 |
6.1.2 文章结构 |
6.2 单元采样方法 |
6.2.1 确定性的情况 |
6.2.2 随机的情况 |
6.2.3 通信协议解释 |
6.3 当单元采样方法遇到近邻搜索问题 |
6.3.1 近邻搜索问题在平均情况下的高效通信协议 |
6.3.2 矩形的存在性 |
6.3.3 单元采样方法的屏障和在近邻问题上的失败 |
6.4 总结 |
第七章 基于哈希的近似近邻搜索问题的复杂度下界 |
7.1 引言 |
7.2 预备知识 |
7.2.1 布尔函数分析 |
7.2.2 模型描述 |
7.3 对称的情况 |
7.3.1 模型 |
7.3.2 困难的输入分布 |
7.3.3 在随机分布D下的性质 |
7.3.4 复杂度下界 |
7.4 非对称的情况 |
7.4.1 模型 |
7.4.2 困难的输入分布 |
7.4.3 复杂度下界 |
7.5 总结 |
第八章 总结与展望 |
8.1 工作总结 |
8.2 研究展望 |
致谢 |
参考文献 |
附录A 文中部分专业名词所用中英翻译对照表 |
攻读博士学位期间的科研成果 |
(5)基于正定矩阵黎曼流形的复杂工业过程故障诊断与性能监测方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究的目的和与意义 |
1.2 故障诊断与性能监测方法及研究现状 |
1.2.1 针对静态系统的数据驱动故障诊断方法 |
1.2.2 针对非线性系统的数据驱动故障诊断方法 |
1.2.3 针对动态系统的故障诊断与性能监测方法 |
1.2.4 存在的问题 |
1.3 基于黎曼流形的应用研究现状 |
1.3.1 统计流形的应用研究现状 |
1.3.2 线性空间流形的应用研究现状 |
1.3.3 正定矩阵流形的应用研究现状 |
1.3.4 基于正定矩阵黎曼流形的故障诊断研究可行性分析 |
1.4 本文的主要研究内容和章节安排 |
第2章 基于正定矩阵黎曼度量的故障诊断框架与方法 |
2.1 引言 |
2.2 预备知识 |
2.2.1 正定矩阵黎曼流形上的黎曼距离 |
2.2.2 正定矩阵黎曼流形上的黎曼中心 |
2.3 基于正定矩阵黎曼度量的故障诊断框架与基本算法 |
2.3.1 算法动机 |
2.3.2 基于黎曼度量的离线(学习)算法 |
2.3.3 基于黎曼度量的在线检测算法 |
2.3.4 阈值设定算法 |
2.3.5 故障隔离策略 |
2.4 故障检测性能分析 |
2.4.1 故障敏感性分析 |
2.4.2 不确定性与故障比率 |
2.4.3 与传统方法的对比讨论 |
2.5 仿真分析 |
2.5.1 数值仿真分析 |
2.5.2 田纳西-伊斯曼工业过程仿真分析 |
2.6 本章小结 |
第3章 基于正定矩阵黎曼流形的改进故障诊断方法 |
3.1 引言 |
3.2 预备知识 |
3.2.1 正定矩阵黎曼流形上的切线向量与测地线 |
3.2.2 随机算法介绍 |
3.3 加权黎曼距离及其故障检测算法 |
3.3.1 加权黎曼距离及黎曼中心化 |
3.3.2 基于改进黎曼指标的离线(学习)算法 |
3.3.3 基于改进黎曼指标的在线检测算法 |
3.4 基于测地线的随机算法辅助阈值设定方法 |
3.4.1 基于测地线的随机算法辅助阈值设定方法 |
3.4.2 基于改进黎曼指标的随机算法辅助阈值设定算法 |
3.5 仿真分析 |
3.5.1 数值仿真分析 |
3.5.2 田纳西-伊斯曼工业过程仿真分析 |
3.6 本章小结 |
第4章 基于正定矩阵黎曼流形的非线性系统故障诊断方法 |
4.1 引言 |
4.2 预备知识 |
4.2.1 K均值聚类方法 |
4.2.2 即时学习方法策略 |
4.3 基于黎曼K均值的多模态系统故障检测与故障隔离算法 |
4.3.1 基于黎曼K均值的多模态系统故障检测算法 |
4.3.2 基于黎曼K均值的故障隔离/分类算法 |
4.4 基于即时学习黎曼距离的故障检测方法 |
4.4.1 基于即时学习的故障检测方法 |
4.4.2 基于即时学习黎曼距离的故障检测方法 |
4.5 仿真分析 |
4.5.1 连续搅拌加热釜系统仿真分析 |
4.5.2 田纳西-伊斯曼工业过程仿真分析 |
4.6 本章小结 |
第5章 基于正定矩阵黎曼度量的动态系统性能监测方法 |
5.1 引言 |
5.2 预备知识 |
5.2.1 系统与控制器的互质分解及其实现 |
5.2.2 系统的稳定核表示与稳定像表示 |
5.2.3 基于性能的动态系统监测 |
5.3 基于正定矩阵的动态系统性能监测 |
5.4 基于正定矩阵黎曼度量的动态系统性能监测方法 |
5.4.1 基于黎曼距离的动态系统性能监测方法 |
5.4.2 基于黎曼度量的动态系统性能监测方法延伸 |
5.5 仿真分析 |
5.5.1 数值仿真分析 |
5.5.2 三容水箱系统仿真分析 |
5.6 本章小结 |
结论 |
参考文献 |
附录A 本文涉及的英文缩写及其对应的释义 |
附录B 田纳西-伊斯曼工业过程的变量与故障说明 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
(6)基于差分隐私改进的保护自由空间数据发布方法的研究与实现(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 基于树形索引的差分隐私保护研究 |
1.2.2 基于网格索引的差分隐私保护研究 |
1.3 研究目的 |
1.4 预期目标 |
1.5 论文基本框架 |
第二章 相关知识 |
2.1 差分隐私保护的相关知识 |
2.1.1 差分隐私的基本知识 |
2.1.2 差分隐私的性质 |
2.2 查询误差和数据可用性度量 |
2.2.1 网格空间查询误差和可用性度量 |
2.2.2 树形结构的查询误差和可用性分析 |
2.3 隐私预算分配策略 |
2.4 本章小结 |
第三章 改进的满足差分隐私的发布方法 |
3.1 改进思想简述 |
3.2 查询方法与参数设定 |
3.2.1 查询函数的选取 |
3.2.2 四分树索引和网格索引的查询方法 |
3.2.3 关于隐私预算分配和四分树最大高度的设定 |
3.3 改进索引GIBQT与MGI的生成算法 |
3.3.1 改进索引GIBQT的生成算法 |
3.3.2 改进索引MGI的生成算法 |
3.4 GIBQT和 MGI的隐私性证明 |
3.4.1 混合索引结构GIBQT的隐私性证明 |
3.4.2 优化网格索引MGI的隐私性证明 |
3.5 本章小结 |
第四章 软件系统的设计与实现 |
4.1 软件系统的运行环境和系统需求 |
4.2 服务端设计与实现 |
4.2.1 服务端编程语言及开发环境的选取 |
4.2.2 系统业务逻辑和业务流程 |
4.3 数据库表单设计 |
4.4 客户端设计与实现 |
4.4.1 客户端框架和编程语言的选取 |
4.4.2 客户端主要模块页面展示 |
4.5 本章小结 |
第五章 仿真实验 |
5.1 实验设计 |
5.1.1 查询范围的选取 |
5.1.2 度量指标和实验环境 |
5.2 仿真实验与结果分析 |
5.2.1 第1组仿真实验 |
5.2.2 第2组仿真实验 |
5.2.3 第3组仿真实验 |
5.3 本章小结 |
第六章 总结与展望 |
6.1 本文总结 |
6.2 未来的展望 |
参考文献 |
致谢 |
作者简介 |
学位论文数据集 |
(7)基于性能的建筑体量设计生成及优化系统(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景及问题缘起 |
1.1.1 建筑性能与建筑体量设计 |
1.1.2 基于性能的建筑设计 |
1.1.3 基于性能的设计优化技术 |
1.2 研究问题及目标 |
1.3 研究内容及方法 |
1.4 相关概念界定 |
1.5 研究意义 |
1.6 研究路径及论文框架 |
1.6.1 研究路径 |
1.6.2 论文框架 |
第2章 文献综述 |
2.1 基于性能的设计优化技术 |
2.1.1 技术搭建平台 |
2.1.2 在建筑体量设计中的应用 |
2.2 建筑设计的参数化建模 |
2.2.1 可视化参数化建模技术 |
2.2.2 复杂参数化建模策略 |
2.3 建筑设计与优化算法 |
2.3.1 辅助建筑设计的优化算法 |
2.3.2 优化结果与设计信息反馈 |
2.4 本章小结 |
第3章 PBMDGO系统的搭建 |
3.1 系统的运行流程再设计 |
3.1.1 系统概述 |
3.1.2 运行流程的适用性改造 |
3.1.3 生成器模块设计(建筑体量生成方法) |
3.1.4 求解器模块设计(优化算法寻优方法) |
3.2 系统的搭建工具 |
3.2.1 交互界面设计 |
3.2.2 建筑体量生成组件 |
3.2.3 优化算法组件 |
3.2.4 辅助工具组件 |
3.3 本章小结 |
第4章 基于体量削减/叠加原则的设计生成器 |
4.1 “减法”算法 |
4.1.1 算法概述 |
4.1.2 算法实现及用户交互 |
4.1.3 体量设计策略的控制方法 |
4.2 “加法”算法 |
4.2.1 算法概述 |
4.2.2 算法实现及用户交互 |
4.2.3 体量设计策略的控制方法 |
4.3 本章小结 |
第5章 “探索+挖掘”性的优化问题求解器 |
5.1 SSIEA算法 |
5.1.1 工作流程 |
5.1.2 算法实现 |
5.1.3 进化操作 |
5.1.4 多岛模型 |
5.1.5 稳态替换策略 |
5.1.6 拉丁超立方采样 |
5.2 算法性能测试分析 |
5.2.1 测试问题 |
5.2.2 对比算法 |
5.2.3 对比指标 |
5.2.4 实验结果 |
5.3 算法比较分析 |
5.4 本章小结 |
第6章 PBMDGO系统的应用测试 |
6.1 系统搭建及操作示例 |
6.1.1 系统运行流程的搭建 |
6.1.2 优化前的参数设置 |
6.1.3 优化运行过程 |
6.1.4 优化结果分析 |
6.2 不同设计条件下效用测试 |
6.2.1 设计任务及试验设置 |
6.2.2 测试问题1优化结果 |
6.2.3 测试问题2优化结果 |
6.3 优化结果的综合分析 |
6.4 本章小结 |
第7章 讨论 |
7.1 PBMDGO系统的适用性特征 |
7.1.1 前置式应用流程 |
7.1.2 可复用的设计优化工具 |
7.2 设计知识与生成技术 |
7.2.1 设计知识的再现(元模型) |
7.2.2 设计知识的传递(信息反馈) |
7.3 设计综合与算法寻优 |
7.4 PBMDGO系统的局限性 |
1 )优化对象的建筑类型 |
2 )优化结果的形态自由度 |
3 )信息反馈的精度控制 |
4 )性能目标的种类及优先级 |
7.5 后续研究 |
7.5.1 设计优化系统应用流程的标准化 |
7.5.2 体量形态生成算法的适应度 |
7.5.3 SSIEA算法性能的再挖掘 |
7.5.4 优化结果的空间重构及其可视化 |
第8章 总结 |
致谢 |
主要参考文献 |
插图和附表清单 |
攻读学位期间发表的学术论文目录 |
(8)深度强化学习中的随机算法研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景 |
1.2 研究现状 |
1.2.1 强化学习中的策略评估问题 |
1.2.2 强化学习中的策略控制问题 |
1.2.3 深度神经网络的学习算法 |
1.3 本文的结构安排 |
2 策略评估问题中的随机算法 |
2.1 背景及问题 |
2.2 基于梯度的时间差分算法与鞍点问题 |
2.3 一般鞍点问题的收敛性分析 |
2.3.1 相关假设与条件 |
2.3.2 混合时间的引入 |
2.3.3 主要定理及讨论 |
2.4 基于梯度的时间差分算法的收敛性分析 |
2.5 数值实验 |
2.5.1 实验数据和模型 |
2.5.2 实验结果和分析 |
2.6 详细证明 |
2.6.1 定理的证明 |
2.6.2 引理的证明 |
2.6.3 讨论 |
2.7 小结 |
3 策略控制问题中的迁移学习算法 |
3.1 背景及问题 |
3.2 迁移目标Q学习 |
3.3 Q学习中的收敛性分析 |
3.3.1 迁移目标Q函数对收敛速率的影响 |
3.3.2 两个重要误差的收敛性分析 |
3.3.3 迁移目标Q学习算法收敛性结果 |
3.4 关于误差条件的讨论 |
3.5 实验 |
3.5.1 实验环境介绍 |
3.5.2 实验结果分析 |
3.6 小结 |
4 深度神经网络优化中的随机算法 |
4.1 背景与问题 |
4.2 循环神经网络上的的路径空间 |
4.2.1 循环神经网络介绍 |
4.2.2 循环神经网络的路径表示 |
4.2.3 循环神经网络的基路径 |
4.2.4 算法 |
4.3 基于注意力网络的神经网络结构上的路径空间 |
4.3.1 基于注意力网络的神经网络结构介绍 |
4.3.2 注意力网络的路径表示 |
4.3.3 注意力网络的基路径 |
4.3.4 算法 |
4.4 实验 |
4.4.1 实验数据和模型 |
4.4.2 实验结果展示与分析 |
4.5 小结 |
5 总结与展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(9)高速离心压气机几何与流动参数耦合数据挖掘与优化研究(论文提纲范文)
摘要 |
ABSTRACT |
字母注释表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 压气机数据挖掘优化方法研究进展 |
1.2.1 优化方法总体发展趋势 |
1.2.2 数据挖掘 |
1.2.3 优化算法 |
1.2.4 代理模型与采样算法 |
1.2.5 目前研究存在的问题 |
1.3 本文主要工作 |
第二章 压气机数值模拟方法 |
2.1 控制方程 |
2.1.1 连续方程 |
2.1.2 动量方程 |
2.1.3 能量方程 |
2.1.4 基本方程组统一形式 |
2.1.5 气体状态方程与输运特性 |
2.2 湍流模型 |
2.2.1 雷诺平均与涡粘假设 |
2.2.2 Spalart-Allmaras湍流模型 |
2.3 网格拓扑与数值求解方法 |
2.3.1 网格拓扑结构 |
2.3.2 控制方程离散方法 |
2.3.3 数值模拟加速技术 |
2.4 数值模拟方法验证 |
2.4.1 增压器压气机 |
2.4.2 Krain叶轮 |
2.5 本章小结 |
第三章 基于理论模型的几何与流动参数耦合数据挖掘 |
3.1 几何与流动参数耦合普遍关系式 |
3.1.1 流量函数 |
3.1.2 叶轮无量纲进口直径 |
3.1.3 功系数偏移量 |
3.1.4 叶轮无量纲出口宽度 |
3.1.5 几何与流动参数耦合关系图谱 |
3.1.6 叶轮与扩压器匹配模型 |
3.1.7 耦合普遍关系式统一形式 |
3.2 变工况与设计工况流动参数耦合模型 |
3.2.1 流量系数关系 |
3.2.2 效率关系 |
3.2.3 压比关系 |
3.2.4 模型验证 |
3.3 本章小结 |
第四章 基于代理模型的几何与流动参数耦合数据挖掘 |
4.1 自适应采样代理模型 |
4.1.1 Kriging代理模型 |
4.1.2 自适应采样代理模型 |
4.1.3 模型验证 |
4.2 数据挖掘方法 |
4.2.1 自组织神经网络 |
4.2.2 方差分析 |
4.3 本章小结 |
第五章 基于流动特征数据挖掘的压气机优化 |
5.1 梯度变异混合优化算法 |
5.1.1 NSGA-Ⅱ算法 |
5.1.2 梯度变异混合优化算法 |
5.1.3 算法验证 |
5.1.4 算法参数敏感性分析 |
5.2 离心压气机优化方法 |
5.2.1 自适应采样混合优化算法 |
5.2.2 基于内流数据挖掘的优化方法 |
5.3 跨声速离心压气机气动优化 |
5.3.1 增压器压气机优化 |
5.3.2 Krain叶轮优化 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 全文总结 |
6.2 本文创新点 |
6.3 展望 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
(10)线性规划框架下基于遗传算法的资源任务分配问题求解(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 研究综述 |
1.2.1 精确算法研究现状 |
1.2.2 近似算法研究现状 |
1.3 研究现状总结 |
1.3.1 问题分类总结 |
1.3.2 算法总结 |
1.4 本文的章节内容安排及结构框架 |
2 资源-任务分配问题模型及求解方法研究 |
2.1 符号和定义 |
2.2 传统非线性模型 |
2.2.1 考虑资源种类的模型 |
2.2.2 不考虑资源种类的模型 |
2.2.3 基于非线性模型的求解 |
2.3 线性模型 |
2.4 线性模型的精确求解方法-列枚举 |
2.4.1 列枚举 |
2.4.2 对偶检验 |
2.4.3 列枚举实例 |
2.5 减少枚举列的方法 |
2.5.1 动态攻击界 |
2.5.2 遮蔽 |
2.6 本章小结 |
3 资源-任务分配问题的求解框架与初始解生成算法研究 |
3.1 初始主模型的建立 |
3.1.1 随机算法初始解 |
3.1.2 多层运输算法初始解 |
3.1.3 初始算法选择 |
3.2 主模型的求解 |
3.3 资源上界的设计 |
3.4 进基列的选择 |
3.4.1 上界为1的进基操作 |
3.4.2 上界大于1的进基操作 |
3.5 本章小结 |
4 考虑资源分配上界的遗传算法设计 |
4.1 进基列的种群编码 |
4.1.1 二进制编码 |
4.1.2 二进制编码的稀疏存储形式 |
4.1.3 初始种群的生成 |
4.2 适应度函数的设计 |
4.2.1 目标函数 |
4.2.2 适应度函数的转换 |
4.3 选择算子 |
4.3.1 轮盘赌选择 |
4.3.2 精英保留策略 |
4.3.3 选择算子的设计 |
4.4 交叉算子 |
4.5 变异算子 |
4.5.1 基本位变异 |
4.5.2 大变异操作 |
4.6 界检验 |
4.7 遗传算法参数设计 |
4.8 遗传算法收敛性分析 |
4.9 本章小结 |
5 算法测试与分析 |
5.1 算例特征 |
5.1.1 算例规模 |
5.1.2 武器目标比 |
5.2 算例来源 |
5.2.1 算例结构 |
5.2.2 算例生成方法 |
5.2.3 数据集描述 |
5.3 测试环境 |
5.4 测试性能指标 |
5.4.1 算法运行时间 |
5.4.2 算法精度 |
5.5 测试系统 |
5.6 测试性能表现 |
5.6.1 算法运行时间分析 |
5.6.2 算法精度分析 |
5.6.3 算法综合表现 |
5.7 与前沿国际期刊文献数据对比 |
5.8 本章小结 |
6 总结与展望 |
6.1 全文总结 |
6.2 研究展望 |
参考文献 |
附录A [列枚举初始解生成算法核心代码] |
附录B [遗传算法核心代码] |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
四、随机算法的一般性原理(论文参考文献)
- [1]视频中敏感信息识别技术研究与实现[D]. 李晗曦. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(08)
- [2]切片化自组织网络智能路由与映射研究[D]. 陈博伦. 电子科技大学, 2021(01)
- [3]基于启发式算法求解背包问题的研究[D]. 郝翔. 河北地质大学, 2020(05)
- [4]大数据背景下的数据结构复杂性研究:并行与简洁数据结构[D]. 刘明谋. 南京大学, 2020(12)
- [5]基于正定矩阵黎曼流形的复杂工业过程故障诊断与性能监测方法研究[D]. 于寒. 哈尔滨工业大学, 2020(02)
- [6]基于差分隐私改进的保护自由空间数据发布方法的研究与实现[D]. 方伟. 浙江工业大学, 2020(02)
- [7]基于性能的建筑体量设计生成及优化系统[D]. 王力凯. 南京大学, 2020
- [8]深度强化学习中的随机算法研究[D]. 汪跃. 北京交通大学, 2020(03)
- [9]高速离心压气机几何与流动参数耦合数据挖掘与优化研究[D]. 李孝检. 天津大学, 2020(01)
- [10]线性规划框架下基于遗传算法的资源任务分配问题求解[D]. 王元玥. 北京交通大学, 2020(03)