时延情形下分布式Push-sum次梯度优化算法的研究

针对多个体系统在个体间进行信息交换时发生接收信息滞后,存在通信时延,影响优化算法的收敛速度的问题,提出一种时延情形下的分布式Push-sum次梯度优化算法,该方法在权矩阵不具有正对角线元素时仍适用,并应用系统扩维的方法将有时延优化问题转化为无时延优化问题。在时延和次梯度有界且有向切换网络周期强连通的条件下,证明了所提出的分布式Push-sum次梯度优化算法的收敛性。研究表明:存在通信时延时的算法收敛速度比无时延时的收敛速度要慢,并具有较大的收敛误差。最后,通过数值仿真验证了研究的结论。     

数据丢包情形下分布式无梯度Push-sum算法

针对多个体网络中个体信息交互常会出现数据丢包及个体目标函数次梯度难以计算或不存在的问题,提出数据丢包情形下分布式无梯度Push-sum算法,该算法要求网络的权矩阵为列随机而无需是双随机。通过增加虚拟节点进行系统扩维,从而建立一个有限的非均匀的马尔可夫链,并结合遍历性系数的结论证明了所提算法的收敛性。研究表明:收敛误差值与高斯近似函数的光滑参数、目标函数的Lipschitz常数成正比,从而有效解决了数据丢包及个体目标函数次梯度不存在或难以计算的分布式优化问题。     

基于非光滑分析的凸优化问题分布式量化算法

研究了量化信息通信情况下的多个体网络分布式凸优化算法。个体之间通过固定拓扑无向图交流信息,利用边laplacian矩阵,将个体的状态信息转化为个体间的边状态信息;进而对边的状态信息进行量化,而信息量化导致原成本函数产生了非光滑问题,通过构造合适的Lyapunov函数并引入了非光滑分析求其梯度,证明了在所提优化算法作用下整个网络系统的状态最终一致有界。     

半局部强凸,半局部强伪凸及半局部强拟凸

本文定义了半局部强凸,半局部强伪凸及半局部强拟凸,并讨论了它们的性质。     

基于鸽群优化算法的含分布式电源配电网状态估计

随着配电网中分布式电源比例不断增加,对配电网的运行管理模式提出了更高的要求,为了能够保证配电网运行的可靠性和经济性,针对含分布式电源配电网的特点,基于鸽群优化算法,提出这类配电网的状态估计方法。以配电网中分布式电源和负荷的有功功率为状态变量,以状态变量与量测量差值的平方和最小作为目标函数,以潮流方程作为等式约束,以状态变量上下限值作为不等式约束,构建了含分布式电源配电网状态估计优化模型。采用鸽群优化算法和遗传算法分别求解了所构优化模型的最优解,算例表明,依据磁场、太阳和地标模拟鸽群自主归巢行为的鸽群优化算法,能获得比遗传算法估计精度更高的状态估计结果,可为含分布式电源配电网状态估计提供一个新途径。     

带有可信个体的分布式量化一致性算法

研究量化一致性问题,用定义可信个体的方法,抵抗攻击性个体所产生的干扰影响.考虑切换网络拓扑结构,对个体之间交流的信息采取量化,提出带有可信个体的分布式量化一致性算法,证明一般个体与可信个体最终能达到一致.算法基于切换拓扑结构,提高了研究的应用性,证明所有一般个体与可信个体的状态值能达到一致.     

分布式无人机网络覆盖优化算法

针对非均匀目标区域中的热点区域覆盖优化场景,提出一种分布式无人机网络覆盖优化算法。首先对满足网络连通性的最少无人机节点数目和热点区域覆盖范围进行估计,其次融入热点区域信息改进布谷鸟算法位置更新方程并重构优化目标函数,然后对发现概率参数进行自适应调整,最终实现热点区域覆盖率的重点优化。在仿真实验分析中,在相同仿真环境下与标准布谷鸟算法和其他经典算法进行对比,结果表明所提算法的热点区域覆盖率较其他算法提升了约4%,迭代次数减少了约30次,证明了该算法收敛速度快、耗时少,能够更加有效地提高热点区域的覆盖率。     

一类非凸-强凹极小极大问题的零阶优化算法

极小极大问题是博弈论和机器学习中的一类重要问题。目前已有大量基于目标函数的梯度和Hessian阵信息的优化算法来求解这类问题。但在有些应用中,目标函数的梯度或Hessian阵信息往往是计算昂贵或难以获取的。为此,针对一类非凸-强凹极小极大问题,在极小极大三次正则化牛顿算法的框架下,通过基于Stein恒等式的高斯平滑化方法来近似梯度与Hessian阵信息,进而提出一类零阶极小极大三次正则化牛顿算法。分析算法的收敛性,并得到算法达到一个二阶平稳点时的迭代复杂度为O（ε-3/2）,其中ε是算法终止所达到的精度。数值仿真实验结果表明：在相同的精度下,所提出的算法在CPU运行时间上优于极小极大三次正则化牛顿算法。     

多目标跟踪下的分布式MIMO雷达资源联合优化算法

针对现有分布式MIMO雷达资源联合分配多集中于发射端阵元与功率的分配,未同时考虑接收阵元的优化,且缺乏对任意雷达布阵形势下系统跟踪能力和资源需求量估算等问题,提出多目标跟踪下的分布式MIMO雷达资源联合优化算法。首先,计算多目标位置误差的最大值,以最小化该最大值为目标函数;其次,在发射和接收阵元总数量有限、发射总功率给定的条件下,建立收发阵元选取与功率分配联合的资源优化模型;然后,结合启发式搜索算法和连续参数凸近似算法,采用循环最小化的方式对该问题进行求解;最后,在给定大小的实验环境中,对目标运动轨迹确定和随机两种场景进行实验。实验结果表明,系统发射总功率一定时,选取的发射阵元个数要明显少于接收阵元个数。相比于现有MIMO雷达资源分配研究,所提算法能够估算出在任意雷达布阵形势下系统的最低目标跟踪精度、个数和相应的最少资源需求量,对雷达系统的结构设计和资源储备具有一定的参考价值。     

时延情形下的分布式随机无梯度优化算法

由于多个体系统在信息交流的过程中存在通信时延,系统会出现接收信息滞后的情况,从而影响优化算法的收敛速度。为了解决时延对优化算法产生的影响,提出了时延情形下的多个体系统分布式随机无梯度优化算法。假定系统中每个个体仅知道其自身的局部目标函数,利用系统中个体间交互时延信息来寻求这些局部目标函数之和的最小值,通过系统扩维将有时延的优化问题转化为无时延的优化问题。由于个体的局部目标函数有可能非凸故其次梯度不一定存在或很难计算,因而采用分布式随机无梯度方法。理论分析表明只要个体间的通信时延有上界,所提算法依然收敛。     

本体稀疏向量凸优化学习算法

随着大数据时代的到来,本体模型所要处理的数据量越来越庞大.在这一背景下,本体稀疏学习算法越来越受到重视.文中利用稀疏向量学习得到本体函数,用凸优化模型得到本体稀疏向量.使用平衡函数构建平衡项,给出凸集的选取方法,并通过迭代策略得到平衡函数的表达式.最后,两个仿真验证实验表明算法是有效的.     

复合凸优化问题的稳定强对偶

先建立复合凸优化问题的对偶问题, 然后利用共轭函数上图的性质引入一些新的更弱的约束品性, 并借助这些约束品性刻画了复合凸优化问题的稳
定强对偶和强对偶.     

矢量量化的抗噪声优化算法

矢量量化是低速率语音和图像编码传输的有效手段,但是矢量量化系统很容易受信道误码的影响。通常对信道误码可以用纠错码来解决,但是这需要增加系统的传输码率。该文提出了一种不增加传输码率的矢量量化抗噪声优化算法,即对矢量量化码本的索引值分配进行优化,使得优化后所有Hamming距离为1的二进制码本索引值对应的码矢量的距离尽量小,从而在不增加传输码率的条件下有效地控制信道误码引起的信号失真。软件模拟显示在随机误码的情况下此算法是很有效的,并且成功地应用于低速率声码器算法中,使得声码器在10-2的随机误码的情况下仍然具有良好的性能。     

基于渐进性能分析的最优分布式量化检测算法

针对无线传感器网络中对发送功率和传输带宽限制的问题,提出基于规则量化(RQ)和不规则量化(NRQ)的一比特分布式检测算法。该检测方案在传感器节点处引入量化器,整个系统采用并行结构,由N个带有量化器的传感器节点组成。融合中心处采用广义似然比检验(GLRT)作为融合准则,并根据接收到的二进制信息作出全局判决。通过仿真实验对所提出的检测方案性能进行验证,并与未量化的检测方案进行比较。仿真结果表明:最优量化阈值提升了融合中心的检测概率,在理想信道和差错信道(BSC)下,基于不规则量化方案的检测系统性能明显优于基于规则量化方案的检测系统。     

关于极端凸非常凸和强凸空间

对Ｂａｎａｃｈ空间引进了极端凸的概念，讨论了这种新的凸性与其它凸性之间的关系，讨论了非常凸和强凸空间，得到了一些新结果。     

强E-凸集,强E-凸函数和强E-凸规划

在E-凸集与E-凸函数定义的基础上,通过将E-凸集和E-凸函数的定义加强而得到强E-凸集与强E-凸函数的定义.它们的一些特征被讨论.虽然这种定义的条件比E-凸集和E-凸函数的条件更强.但通过这种定义,E-凸规划的条件被减弱了,从而扩大了E-凸规划的实用范围.     

一种基于凸优化的WSN障碍环境下定位算法

针对传统DV hop算法定位精度较低及定位环境中物体阻碍信息传播导致节点定位失效的问题, 提出一种适用于障碍环境下的高精度定位改进算法. 首先引入一个考虑定位节点的最小跳数误差修正值, 通过该值筛选参与定位的锚节点, 进而优化锚节点的平均跳距; 然后利用三角函数结合两锚节点间的准确距离共同计算未知节点到锚节点的距离; 最后通过对未知节点的位置进行凸优化计算, 使得节点间的数据传播具有最优路径, 优化定位过程, 提高定位精度. 仿真实验结果表明, 改进算法不仅解决了在无线传感器网络障碍环境下难定位的问题, 还可有效提高未知节点的定位精度.     

强凸与非常凸的推广

本文得到 :ω强凸 (ω非常凸 )和ω强光滑 (ω非常光滑 )互为对偶 ;X是强凸 (非常凸、强光滑、非常光滑 )的新特征 ;X是自反的新特征     

基于值的分布式查询优化算法

针对目前查询优化算法的缺陷,充分考虑了实际数据库系统中属性值的非均匀分布性和属性值之间的相关性对查询优化的影响,提出了一种基于值的查询优化模型,阐述了其科学性、合理性.给出了解决该优化问题的遗传算法,选取种群规模50、保留比例0.1、变异概率0.001的参数对算法性能进行了实验分析,结果证明该算法有一定的效果.     

分布式数据查询优化算法的研究

分布式数据查询是分布式数据库管理系统的核心,而查询优化算法又是查询处理中的关键技术.分布式数据库管理系统的研究始于20世纪70年代中期,在30多年的发展中,取得了丰硕的成果.但由于分布式数据的分散性,使分布式数据查询比集中式数据查询复杂得多.本文对基于关系代数优化的算法进行了探讨和研究,并应用于实例,取得了较好的优化效果.