基于跳跃因子模型的不规则分布蓝色任务法

跳跃因子模型是处理系统超载的一种有效方法 它能够降低系统负载 ,并使系统缓慢降级 Deeply Red算法是一种简单的基于跳跃因子模型的任务请求丢弃方法 ,然而由于Deeply Red算法未考虑任务特性和CPU资源利用率 ,其性能较差 为了克服Deeply Red的缺点 ,提出不规则分布蓝色任务法 :静态不规则分布蓝色任务法 (SUDB)和动态不规则分布蓝色任务法 (DUDB) SUDB和DUDB算法都是通过降低高优先级任务对低优先级任务的干扰时间 ,来提高任务集的可调度性 模拟结果表明 ,SUDB和DUDB算法性能要优于Deeply

基于已实现跳跃GARCH模型的波动率预测研究

金融资产价格的波动性、不确定性与金融市场的内在风险紧密相关,同时也是影响风险度量与资产定价精确性的核心因子,准确预测波动率已成为金融学界研究的热门话题之一。文章通过选取上证综合指数日收盘价和五分钟高频数据作为研究对象,在已实现GARCH模型(realized GARCH model)基础上引入高频数据构建的已实现方差(realized variance,RV)与已实现双幂次变差(bipower variation,BV)之差作为跳跃因子,植入方差方程中,构建已实现跳跃GARCH模型(realized jump GARCH model)。实证研究表明,引入跳跃因子的模型在样本内拟合和样本外预测方面,较标准的已实现GARCH模型,均有明显的改进。

基于Sin混沌空翻反向学习鼠群算法的路径规划

对于移动机器人路径规划问题,鼠群优化算法存在求解效率和精度低下等不足,为克服此不足,提出Sin混沌空翻反向学习鼠群优化算法。受空翻动作启发提出一种新颖的空翻反向学习策略,将其引入算法搏斗行为中对种群进行空翻反向学习,提高算法全局寻优能力;同时,引入Sin混沌空翻反向学习机制丰富算法初始种群,保证算法初期寻优效率与精度;进一步,在算法追逐行为中,嵌入非线性跳跃衰减波动因子实现算法全局勘探与局部开发之间的动态平衡,增强算法局部和全局寻优能力。实验结果表明,所提出的算法寻优性能优于其他算法,且能快速稳定获得最小路径长度,具有较好的实际实用性。

无量纲参数滚动轴承长相关故障趋势预测

以滚动轴承为研究对象,将无量纲参数-跳跃性因子作为振动信号中的趋势预测特征值,采用短相关随机模型(ARIMA)和长相关分数阶差分的FARIMA模型分别对跳跃性因子进行预测,提出适合长短相关性序列的MIXARMA自适应预测模型,根据Hurst指数自动选择适合的预测模型。经R/S方法检验,跳跃性因子更适合长相关序列预测,对于旋转机械设备状态评估和决策分析有重要意义。