库存路径调度问题的随机次梯度拉格朗日算法

为有效提高库存路径问题在供应链中的配送效益,建立了以最小化库存成本、运输成本和缺货损失成本为目标的库存路径规划模型,并针对此模型设计了一种随机次梯度拉格朗日松弛算法。在算法求解过程中,每次迭代采用随机因子调节次梯度来获得更好的拉格朗日乘子更新方向,以加快求解速度。最后通过算例表明:与传统次梯度算法和智能优化算法相比,所提算法能够在较短时间内得到较好的下界值和对偶间隙,随着数据规模的增大,其优越性越好。

一种非光滑强凸函数的随机次梯度镜面下降算法

镜面下降法(MD)在机器学习问题中已有些实际应用,针对大规模数据的处理和非光滑损失凸优化问题,本文将迭代平均与随机次梯度镜面下降方法相结合,得到了一种改进的方法,通过对问题域的特殊处理,利用它们的结构,提出一种加权平均的随机次梯度镜面下降算法。在这个加权平均过程中,平均迭代不用于构造算法,而是作为算法的副产品出现,其中平均权重由算法使用的步长确定。该算法有很好的收敛性。对于强凸函数,我们证明了该算法的最佳收敛速度达到? ?? ?? ?o 1k。

一个求概率约束规划的随机拟次梯度算法

概率约束规划是经常费到的一类规划，但其约束函数含有概率，在一般场合下，很难求出，随机拟次梯度法无须计算约束值与导数值，只要构造出约束函数目标函数的随机拟次梯度即可，本文给出了一个求解概率约束规划的随机拟次梯度算法，并证明了有关的定量及性质。

不可微最优化问题的随机增量次梯度方法

在Hilbert空间中不可微最优化问题的增量次梯度方法收敛性的基础上,研究随机的增量次梯度方法,这种方法每次迭代过程中,子迭代的搜索方向是随机给出的.本文主要研究的是具有缩减步长的随机增量次梯度方法的收敛性,证明这种方法产生的迭代点列拟Fejér收敛;迭代点列所对应的函数列收敛以及迭代点列弱收敛到某种形式的最优解集.

约束非光滑极小化的随机拟次梯度法

用随机拟次梯度法处理非随机非光滑问题是极小化领域的新方法．本文利用Ｌａｇｒａｎｇｅ对偶理论把一般混合约束问题归化为非约束凸规划问题，并用随机次梯度法求解后者，相应的算法有合理的停机准则，并在适当条件下几乎处处收敛．

基于算力-能量全分布式在线共享的5G网络负荷管理策略

5G与边缘计算等信息基础设施海量部署造成运营商用电成本上升,需推动边缘网络与电网的能量互动以节能降本。现有研究重点关注边缘网络参与日前经济调度,未考虑可再生能源和网络流量双重随机性造成的网络能量供需不平衡问题。针对强随机环境下的网络负荷管理问题,提出面向虚拟化边缘网络的能量实时管理策略。首先,以网络用能成本最小化为目标,构建联合网络资源管理、储能充放电与能量共享模型。其次,针对未来网络信息未知无法直接求解的问题,提出基于随机对偶次梯度法的在线管理策略。然后,针对资源共享涉及运营商隐私问题,提出全分布式的计算资源与能量协同共享算法。最后,仿真验证表明,所提在线算法在无需先验知识的前提下有效减少了5G边缘网络的用能成本。

面向分布式光伏状态实时感知的边缘缓存与计算策略

针对分布式光伏部署分散、电力通信网难以支撑光伏业务数据实时接入与处理的问题,提出基于双层边缘计算的分布式光伏数据在线处理策略。首先,构建数据接入、边缘缓存与计算模型,并构建长期网络服务开销最小化的目标函数。其次,针对分布式光伏数据规模随机性强、优化函数难以直接求解问题,提出基于随机对偶次梯度法的在线任务卸载与代码缓存策略,通过将多时隙耦合问题解耦为单时隙独立问题,以在线得到近似最优解。最后,算例验证所提策略的数据处理速率优化性能。

认知无线视觉传感网络机会传输的分布式跨层优化

为了充分利用空闲授权无线电频段和增强视觉信息的端到端传输质量,研究了认知无线视觉传感网络机会传输的跨层设计问题.在分析信道随机性和网络模型的基础上,把跨层设计问题表达为一个视觉信息峰值信噪比和网络平均传输时延的权衡优化问题.通过对该问题进行对偶分解和基于随机次梯度的求解方法,提出了一个分布式跨层传输优化算法.该算法不需要预先知道可用授权频段的静态概率分布,而通过节点在每个时隙中进行独立计算和局部信息交换使得上层视觉感知信息的压缩速率与底层链路机会传输自适应匹配,达到权衡优化问题的最优解,因此可以作为认知无线视觉传感网络的实用传输协议.仿真结果表明,该分布式算法能够快速收敛,并能获得与集中式最优化算法相似的性能.

直接优化AUC进行网络链接预测

快速扩展的互联网形成了具有高维、稀疏和冗余特性的复杂网络.因此需要有效的技术从这些复杂网络数据中提取出最为重要的信息进行链接预测,以便为用户服务.本文提出一种基于AUC(Area under Curve)优化的链接预测算法.在该算法中,将AUC作为优化的目标函数,将链接预测问题转化为二分分类问题.将顶点之间是否存在链接作为它所在的类的标号.通过优化AUC来进行二分分类,使用铰链函数按随机次梯度下降算法迭代更新权重矩阵.最后在一些来自不同领域的真实网络上对本算法进行了测试.实验结果表明,本算法与其他算法的结果相比可以实现更高质量的预测.

基于MapReduce和Bagging的并行组合支持向量机

为提高大规模支持向量机的运算效率,提出一种基于MapReduce和Bagging的并行组合支持向量机训练算法。该算法包括两个MapReduce流程:(1)分布式并行训练,利用标准SVM算法进行多任务并行的分块训练,保留所有的支持向量,迅速缩减数据集;(2)集成式并行训练,采用Bagging集成算法的思想,结合随机次梯度SVM算法对剩余的支持向量训练,以提高算法的分类精度。实验结果表明,并行组合支持向量机训练算法在保持较高分类精度的基础上,能提高算法运行效率及数据处理能力,能很好地应用于大规模数据集的SVM训练。