基于时间期望表的DPM预测策略

系统级动态功耗管理(DPM,Dynamic Power Management)策略根据系统状态和负载的变化,动态地调整系统配置,从而能够降低系统功耗。PBALT(Probability Based Adaptive Learning Tree)预测策略以预测正确率为单一评估标准,存在高预测正确率高功耗的问题。本文提出基于空闲时间期望表(IET,Idle Expectation Table)的DPM预测策略IETBP(Idle Expectation Table Based Prediction),通过对空闲时间的分布和状态的误预测能耗的分析,以空闲时间的期望作为预测依据,从而克服了PBALT所存在的问题,并降低了算法复杂度。仿真实验表明与PBALT策略相比,IETBP策略在较低预测正确率的情况下能够更有效地降低部件的功耗。

一种基于时间期望的无线传感器网络路由协议

提出一种时间期望最短的路由协议,该协议基于树簇型体系结构,把数据从源节点到汇聚节点的时间期望作为关键因素来选择最佳路由,同时协议的运行流程图也一并给出。协议在TinyOS-2.x平台上实现,通过与TinyOS的CTP协议的对比实验表明新的协议具有一定可靠性并且在数据时延上表现出较大的优势。

时间期望错位限制下完工时间和的随机重新排序

讨论了工件加工时间服从任意分布,在时间期望错位下的随机重新排序问题,目标是使期望总完工时间最小.根据理论分析的方法,研究了工件的最优加工顺序.结果表明最短期望加工时间优先规则是使目标达到最小的策略,并由该策略得出多项式时间算法或拟多项式时间算法.

一个期望时间为O(N)的递归分组排序

1982年,Akl等人提出桶排序算法；若排序文件中的数据服从概率分布,其密度函数有界,则桶排序的平均工作量为O(N),特殊的,若排序文件中的数据服从均匀分布,则桶排序的平均工作量也为O(N)。但当数据服从正态分布时,由于数据范围无界,桶排序的平均工作量大于O(N)。

一种基于广义期望首达时间的形状距离学习算法

形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GMFPT)的形状距离学习方法.将形状样本集合视作状态空间,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离.通过引入广义期望首达时间,形状距离学习方法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响.将所提出的方法应用到不同形状数据集中进行仿真实验,本文方法比其他方法能够得到更准确的形状检索结果.

一种基于期望传输时间的多径OLSR路由协议

现有多径OLSR协议采用跳数作为路由度量,没有考虑链路中的丢包、带宽等因素。为此,提出一种基于期望传输时间(ETT)的多径OLSR路由协议。计算节点间链路的期望传输次数值和带宽值后进行路由选择,将ETT值作为路由度量。同时,为避免路径上的链路ETT值相差较大影响整条链路的稳定性,设计一种优化评判因子。仿真结果表明,相对ETT_MPOLSR、MPOLSR、OLSR协议,该协议能够提升网络吞吐量,提高分组投递率,降低平均端到端时延。

基于期望首达时间的形状距离学习算法

由于逐对形状匹配不能很好地反映形状间相似度,因此需要引入后期处理步骤提升检索精度.为了得到上下文敏感的形状相似度,本文提出了一种基于期望首达时间(Mean first-passage time,MFPT)的形状距离学习方法.在利用标准形状匹配方法得到距离矩阵的基础上,建立离散时间马尔可夫链对形状流形结构进行分析.将形状样本视作状态,利用不同状态之间完成一次状态转移的平均时间步长,即期望首达时间,表示形状间的距离.期望首达时间能够结合测地距离发掘空间流形结构,并可以通过线性方程进行有效求解.分别对不同数据进行实验分析,本文所提出的方法在相同条件下能够达到更高的形状检索精度.

一致分布点集Delaunay三角化最佳期望时间算法

对文献(Dwyer R A.Higher-dimensional Voronoi diagrams in linear expected time.Discrete&ComputationalGeometry,1991,6(4):342-367)给出的对d≥2维空间站点集合构造Delaunay超三角形算法做了改进,提高了其计算效率,并把站点的分布从限于单位球体扩展成d≥2维空间中任意凸的超多面体.证明了如果站点是独立地从一致分布在凸的超多面体的点集中取出,在线性期望时间内可对站点集实现Delaunay三角化.该证明方法比较直观.虽然这类算法对输入点集有一致分布的要求,但在很多实际应用情况下这种要求常是被满足的,此时使用这类算法便可体现文中算法快速和易于实现的优点.

基于期望-超额出行时间的道路系统最优均衡模型

为研究随机事件扰动下出行者的择路行为对交通分配的影响,同时考虑供需条件的随机变化,以期望-超额出行时间为出行者择路依据,利用边际成本收费原理,推导了边际成本收费值计算公式,建立用等价变分不等式表示的系统最优交通分配模型,并利用自适应投影收缩算法进行求解.算例表明:当OD需求系数为1.0、路段能力退化系数为0.5时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算为择路依据时增加了11.27%和3.58%;当出行时间可靠度为0.9时,路径1边际成本收费值分别比使用期望出行时间和出行时间预算作为择路依据时增加了20.22%和4.30%.

期望时间下的移动机器人目标搜索路径规划

不确定环境下移动机器人目标搜索问题中,目标在观测点被发现的概率常被设为理想的均匀分布,其路径优化指标通常为最短距离,但最短距离路径不等同于最优期望时间路径.针对此问题,本文提出了一种以期望时间为优化指标的概率多目标搜索算法.针对观测点的访问顺序不同会导致期望时间不同的现象,采用分层式路径优化策略.首先,构造一个新的非均匀目标分布概率测算模型;然后,在上层序列规划中,采用改进的改良圈算法生成期望观测点序列;最后,在下层特征地图的观测点间可行路径规划中,采用改进的快速随机生成树算法(GBC-RRT).实验结果表明:本文所提方法可显著缩短移动机器人目标搜索的期望时间,且能在目标不确定、非均匀分布的工作空间中得到最优期望时间的搜索路径.

潜艇规避被动声纳浮标阵方法及期望驶离时间

基于对反潜巡逻机布放被动声纳浮标阵的研究,对方形阵的布放建立了模型。利用该模型研究了我潜艇规避被动浮标声纳阵的方法。通过计算,得出潜艇驶离被动声纳浮标阵搜索范围的期望时间,用选取的声纳浮标阵间距和潜艇规避速度对结果进行分析,为潜艇的下一步行动提供辅助决策。

依赖邻居的Parrondo博弈模型吸收时间的数学期望计算

帕隆多悖论是博弈论中的一个悖论定律,该定律以发现者西班牙科学家Parrondo的名字命名。考虑由N个个体组成的种群,每个个体占据一定的空间,对任一个体i,其空间范围内的所有邻居组成其生存的社会小生境。个体i对小生境的依赖及小生境对个体i的整体牵制,在模型中设置为B博弈。文中设置模数M为4,那么16个初始状态,当任意初始状态不断地进行B博弈时,最终都会被两个状态所吸收,文中计算任意初始状态被这两个吸收状态吸收的时间(即被吸收的步数)。

Double图的撞击时间的期望值

令G为简单连通图,DG为其double图,称图G的随机游走从点u首次到达点v所需步数的期望值为点u到点v的撞击时间的期望值。本文给出了DG和G中任意两点撞击时间的期望值之间的关系。

随机序贯分布和期望时间

随机序贯分析广泛应用于自然科学、社会科学和工程技术,涉及概率推断、统计推断、秩序检验和预测等。研究与分析随机过程定性和定量数据,通过博弈论方法和随机序贯结构分析,证明和总结序贯出现期望时间结构和方差公式。建立几个随机模型,基于不确定数据或随机波动可转化为0~1时间序列,得出并求解更新方程、递推方程或差分方程,然后,由序贯期望时间结构得出序贯出现时间的生成函数和循环方程的一般规则。运用几种合适和有效的计算方法推导一些典型随机序贯出现时间的概率、分布及期望。分析了现代概率论的一些重要问题和典型应用例子。最后,定义并求出贝努利试验产生的连续序贯数的分布与矩等。

基于期望-超额行程时间与有限理性的城市交通分配模型

为完善现有交通分配方法,综合考虑路网与出行者两方面不确定性因素对随机出行行为的影响,建立基于代理的城市路网交通分配模型。首先,采用期望-超额行程时间反映路网行程时间的客观不确定性,并构建通行能力随机退化条件下的出行成本函数。随后,引入出行者对路径成本的感知更新过程,采用有限理性理论描述出行者的主观不确定性,并结合Logit公式确定路径决策算法。接着,采用轮盘赌随机算法生成出行者每日出行选择,完成城市交通分配模型构建。最后,将所建立的模型分别应用于双路径网络、九点网络与Sioux-Falls网络,分析模型优势及参数变化对路网性能的影响。研究结果表明:路网达到稳定所需的天数随路网退化程度、出行者对成本差异的敏感程度和经验学习能力的提高而变长;稳定状态下的路网总成本随路网退化程度、出行者对行程时间可靠度要求的升高而变大;追求个人行程时间的可靠性会导致稳定状态下的路网总成本升高,可靠度越高,所需的缓冲时间越多;路网退化越剧烈,这种“升高”越明显,因为超额时间也在增大;相比于用户均衡(UE)模型、有限理性(BR)模型和期望-超额行程时间(METT)模型,所建模型兼顾主客观不确定性,能有效克服传统模型低估较长路径上流量的状况,分配结果更加贴合实际;该模型适用于城市大型交通路网的交通分配,其不确定性参数可通过相关交通管理政策的制定而改变,从而实现缓解交通拥堵、提升路网整体运行效率的目的。

进化规划算法的时间复杂度分析

进化规划算法是求解连续优化问题的一类进化算法,是进化计算的一个重要分支.在进化规划算法的理论研究上,已有学者证明了其收敛性.然而,进化规划算法的时间复杂度分析是进化计算领域一大难题,目前相关的研究成果很少.基于吸收态Markov过程模型,以期望收敛时间作为研究进化规划算法时间复杂度的指标,提出了进化规划算法期望收敛时间的估算方法,并以此作为算法时间复杂度分析的理论依据.最后分析了Gauss变异进化规划算法的期望收敛时间,作为提出理论的应用举例.

随机时间依赖交通网络自适应路径选择

根据路段旅行时间具有随机性、时间依赖性等特点,将路段在不同时刻的旅行时间定义为离散随机变量;建立了随机的时间依赖网络的自适应路径模型,给出用多项式表示时间复杂性的算法,获得基于最小期望时间的所有节点到给定终点的自适应路径.出行者可以根据到达某节点的具体时刻选择下一步的最优路径.通过算例验证了算法的可行性.

多用户类型弹性需求随机期望-超额用户平衡模型

为准确描述随机路网环境下出行者规避行程时间不确定风险的择路行为,推导了通勤者需求量服从对数正态分布和路段通行能力服从贝塔分布条件下计算期望-超额行程时间的计算公式,并在考虑出行者对行程时间的估计误差和路网服务水平对交通需求影响的基础上,建立了用等价变分不等式表示的多用户弹性随机期望-超额用户平衡模型.算例结果表明:随着需求水平波动程度和路段通行能力退化程度的加剧,当需求方差-均值比从0.5增至2.0、贝塔分布参数(l和m)从90和10变为10和10时,通勤者和非通勤者期望最小理解期望-超额行程时间分别增加了48.5%和99.2%.

路径选择准则对随机供需路网运行效率的影响

为研究不同路径选择准则对随机供需路网运行效率的影响,在假定需求服从对数正态分布、容量服从Beta分布的前提下,构建了三种路径选择准则:期望行程时间最短、行程时间预算最短以及超预算期望行程时间最短。基于这三种准则,分别构建了相应的交通分配变分不等式模型,并设计了求解算法。从交通周转角度出发,提出了路网运行效率的测算方法。通过算例分析,探讨了三种路径选择准则以及路段容量降级程度、需求结构、需求总量和行程时间可靠度对路网运行效率的影响。研究结果表明:期望行程时间最短择路准则下的路网运行效率最高,而超预算期望行程时间最短准则下的路网运行效率最低;无论采用哪种择路准则,路网运行效率均随路段容量降级程度的增加而显著下降;当路段容量降级程度与需求的“均值-方差比”一定时,在三种路径选择准则下,均存在一种特定的需求结构与总量,使运行效率达到最大值;在行程时间预算和超预算期望行程时间最短准则下,路网运行效率随行程时间可靠度的增加而显著下降。

基于走行时间鲁棒可靠性的随机交通均衡问题

在基于走行时间可靠性的交通均衡问题中,普遍存在假设是引起走行时间变异的O-D(Origin-Destination)需求或路段通行能力的概率分布是精确已知的。然而,现实中这些概率分布很难精确获得.本文放松这个假设而仅要求知道O-D需求的前m阶矩(这里m是和路段费用函数的形式相关的正整数),通过运用最坏风险价值和最坏条件风险价值指标定义鲁棒分位走行时间和鲁棒超过期望走行时间,并证明在一般分布下两种出行时间是等价的.基于此定义,通过整合出行者的感知误差,提出了鲁棒分位随机用户均衡(鲁棒超过期望随机交通均衡)模型,模型被表示为一个变分不等式,并证明了解的存在性,然后运用一种启发式算法求解该模型.数值算例显现了模型在应用上的特性及算法上的有效性.