基于PnP-ADMM的离散体结构拓扑优化

基于PnP-ADMM算法框架,提出了一种基于PnP-ADMM框架的离散变拓扑优化改进算法,旨在求解柔度更小的最优解。通过将PnP-ADMM框架推导目标函数和各约束的对应离散子变量的迭代式,采用敏度过滤的方法消除棋盘格,同时,应用移动限制策略逼近目标约束下的最优结构布局。通过MBB梁和悬臂梁算例实验,该方法计算得到的结构柔度与DVTOPCRA算法相比有明显下降,验证了该方法的可行性和有效性,为求解离散体结构最小化柔度提供了一种新的方法。

一种使用Bi-ADMM优化深度学习模型的方案

ADMM算法被广泛应用于传统机器学习模型优化领域,它解决了某些深度学习的优化问题。该算法在优化深度学习模型方面的表现已经超过了大多数基于梯度的优化算法,而Bi-ADMM算法比ADMM算法的收敛速度更快、更稳定。文章提出了一种优化深度学习模型方案dlBi-ADMM算法,并用该算法来训练深度学习模型。首先,文章采用加速近端梯度算法优化耦合变量来降低矩阵求逆运算的复杂度;然后,详细给出每个变量的优化子问题的具体函数;最后,通过实验证明文章所提dlBiADMM算法优化的结果比dlADMM优化的结果更能提高模型的精度,且dlBi-ADMM算法比dlADMM算法在时间效率上表现更好。

基于改进模块化指数的有源配电网电压分布式控制策略

传统高渗透率光伏配电网分区方法不能充分利用区内资源,经济性低。为此,提出考虑电压灵敏度和区内平均灵敏度的性能指标,采用改进的逐步反向贪婪算法得到最优分区结果;再以分布式光伏有功缩减和网损最小为目标,建立分区分布式电压优化控制模型。该模型为非凸模型,通过增广拉格朗日函数进行适当变换,基于交替方向乘子法进行全局优化控制,并采用CPLEX商业求解器对所建模型进行求解。最后,用改进的IEEE-33节点系统进行算例验证。结果表明:所提出的分区方法充分考虑了区内自治能力,减少了资源的浪费,在提高经济性的同时,也能保证配电网安全稳定运行。

改进ADMM-TV算法重建CT图像

将ADMM算法与TV算法结合,并在原始ADMM-TV算法的基础上进行了改进,提出基于ADMM-TV的改进算法,该改进算法能够在迭代过程中自适应地选取到更优的λ值,从而提高ADMM算法进行稀疏重建的成像质量。最后进行phantom图像的仿真实验,并将原始算法与改进算法在相同实验环境下进行对比,结果表明,改进算法能够实现更好的重建效果,并且能够有效提高图像信噪比,同时具有一定的抗噪能力。

考虑特高压直流输电影响的省间电力现货市场协调交易方法

针对直流输电对跨省潮流模型的影响,提出了一种考虑特高压直流输电影响的省间电力现货市场(以下简称“省间市场”)协调交易方法。将省间市场展开过程拆分为省内代理报价曲线模型和省间市场协调交易模型,采用交-直流解耦的方法进行省间及省内的潮流计算。省内代理报价曲线模型以省内机组发电量/负荷需求为决策变量,通过区域等效模型得到省内机组/负荷参与省间市场的代理报价曲线。省间市场协调交易模型以省间市场交易值为决策变量实现省间市场出清,通过ADMM(交替方向乘子法)实现协调交易的分布式转化,避免交易过程中泄露省内机组信息和网络拓扑信息。算例表明,该方法实现了省间市场综合收益最大化,保障了信息隐私安全。

线性测量误差回归模型下Sparse Group Lasso方法研究

双重稀疏结构的线性回归模型是一种描述解释变量组间和组内同时具有稀疏性的统计模型,我们常用Sparse Group Lasso对此模型进行变量选择.然而在很多应用中,解释变量很难做到精确测量,从而我们在应用Sparse Group Lasso方法时需要考虑测量误差的影响.针对这一问题,本文提出了一种具有双重稀疏结构的线性测量误差回归模型的Sparse Group Lasso变量选择方法(MESGL).该方法先利用半正定投影算子对观测数据的误差进行修正,然后借助ADMM算法对修正后的数据进行恢复,最后利用Sparse Group Lasso方法进行变量选择和参数估计.在一些正则条件下,我们建立了参数估计量的非渐近Oracle不等式,并且通过随机模拟分析验证了MESGL方法在变量选择和参数估计上取得的良好效果.

基于ADMM的TV图像重建算法研究:设计、实现及评估

稀疏重建是当前CT(computed tomography)领域的研究热点,其实质是用稀疏视角下的投影来重建图像,以减少扫描过程中对病患的辐射剂量。随着压缩感知理论的提出,稀疏重建算法已经被广泛应用到了医学CT中。TV(total variation)算法是可以实现稀疏重建的一种有效方法。本文设计了一种基于ADMM(alternating direction method of multipliers)的TV算法,先将非约束的优化问题转换为约束形式,然后引入乘子,最后通过交替方向法实现迭代过程。该方法将复杂的优化问题分解为了若干个具有闭合形式的子优化问题,故迭代速度较快。仿真实验表明,与传统的滤波反投影算法相比,该算法可以实现稀疏角度下的高精度图像重建。同时还初步探讨了平衡因子在不同噪声情形下对重建精度的影响。

基于Retinex和ADMM优化的水下光照不均匀图像增强算法

针对水下光照不均匀及光照较弱引起的成像模糊及失真问题,提出了一种基于Retinex和ADMM优化的水下图像增强方法。提取原始图像Lab空间的L分量作为初始光照图,并基于交替方向乘子法(ADMM)构造增广拉格朗日框架,对初始光照图进行优化获得精准的光照图像,并且通过伽马校正在亮度域对光照图进行进一步校正;结合Retinex理论中物体颜色恒常性的特性,求取物体的反射图像;利用双边滤波器抑制了水下噪声,获得更细致的增强图像。实验结果表明,所提的水下光照不均匀图像增强算法能有效解决因自然光或人工光源引起的光照不均匀及水下弱光照现象,提高了水下图像的质量,相较于其他算法,具有更好的性能。

基于ADMM算法的微电网多目标优化调度

对含有光伏、风机、柴油发电机以及微燃气轮机组成的微电网系统进行研究,建立了基于经济和环境双重目标的微电网优化模型,并使用遗传优化神经网络的方法来预测不可控电源的出力以及负荷的需求,将预测的数据代入模型,并使用交替方向乘子法(ADMM)进行求解。将此优化结果与多目标粒子群算法(MOPSO)以及多目标遗传算法(NSGA-Ⅱ)优化结果进行对比,结果表明,ADMM算法具有更高的收敛精度与收敛速度,所得的解决方案更好,验证了所提模型与算法的合理性。

一种根据ADMM改进的图像去噪方法

针对图像的传输中可能会产生噪声的影响和传输时间开销过大,导致图像的恢复效果较差的问题,基于数学中熵最大的原理,提出了一种基于熵函数的去噪重构算法。将该算法运用交替方向乘子法(alternating direction method of multipliers,ADMM)分而治之的思想提出了一种新的快速去噪算法。通过归一化均方误差(normalized mean square error,NMSE)和峰值信噪比(peak signal to noise ratio,PSNR)等评价标准进行实验仿真,验证所提算法的优越性。实验结果表明:根据上面思路提出的方法具有很好的效果,在去噪方面具有一定的用途。

基于ADMM的低仰角目标二维DOA估计算法

针对面阵米波(VHF)雷达低仰角目标2维DOA估计问题,该文提出一种基于交替乘子法(ADMM)的快速2维DOA估计算法。该方法首先利用均匀面阵条件下方位、俯仰角无耦合的特性,将2维角度估计问题转化为两个1维角度估计问题,通过方位、俯仰维波束合成实现对目标信息提取;其次根据信号模型建立信号空域超完备表达式,利用ADMM方法完成对方位、俯仰角估计。该方法避免了2维联合估计复杂计算量,复杂度大大降低,且运算过程无需特征分解,进一步提高了运算效率。仿真结果表明了该算法的优越性。

基于ADMM的光储电动公交充电站分布式优化策略

随着电动公交数量的迅猛增加以及光伏能源的大力发展,建设光储充电站成为了更好的方案。针对电动公交大规模接入的同时提高光伏储能的回报率和减少充电站的成本问题,建立了以公交充电成本最低和光储联合收益最高为目标的光储电动公交充电站优化模型,引入交替方向乘子算法(ADMM)将集中优化问题转换为以公交车和光储为主体的子优化问题求解,减少了计算复杂度。通过真实数据进行仿真,结果表明所提模型在减少充电成本的同时可以有效地最大化光储的回报率,相比集中式优化算法收敛更加迅速。

基于ADMM的分布式有序充电调度算法

随着电动汽车数量不断增加,大量电动汽车的无序充电行为会导致电网过载和电池寿命损耗。虽然当前已有很多研究关注电动汽车的有序充电行为,但如何在大规模有序充电过程中实现最大化车主便捷性同时减少电池寿命损耗尚未被研究。研究关注充电便捷性和减少电池损坏的充电服务调度优化对充电站充电服务质量和用户满意度提升具有重要意义。笔者提出一个实时充电服务调度策略来协调大量电动汽车的充电行为,以实现最大化车主便捷性同时降低电池损耗。为减少充电过程中信息直接交换造成隐私泄露,同时降低算法计算复杂度,基于交替方向多乘子(ADMM,alternating direction method of multipliers)的分布式算法被提出。大量实验表明所提算法比已有算法有显著提升,能减少33.0%的电池寿命损耗和18.3%的电费支出。

基于MIMO阵列的综合射频系统鲁棒波形设计算法研究

基于多输入多输出(MIMO)阵列的综合射频(MFRF)系统通过优化多波形,可以在不同角度辐射不同的信号,进而同时实现多种功能。然而,当存在角度误差时,综合射频系统所合成的信号会出现畸变,这将导致系统性能下降。该文主要考虑存在角度误差时,对综合射频系统鲁棒波形设计算法进行研究。首先,提出基于最小最大化(Min-Max)框架的MIMO阵列多波形优化问题。同时,为减少非线性功放引起的波形失真,对发射波形施加了峰均比(PAPR)约束。为求解此问题,该文提出了基于交替方向乘子法(ADMM)和Majorization-Minimization(MM)方法的波形优化算法。仿真实验结果表明,当存在角度误差时,所提算法能够获得更好的性能。

基于ADMM的L1/2稀疏迭代分布式算法研究与应用

随着互联网、物联网、传感器网络等信息技术的迅猛发展,各个应用领域的数据呈爆炸性增长,特别是电力行业,每时每刻都会产生大量的数据。在大数据时代,如何高效准确地从大规模数据集中获取有价值的知识引起学术界和工业界的日益关注。迫切需要高效的机器学习和数据挖掘技术对海量数据进行分析和处理。同时,并行计算、高性能计算和分布式计算等丰富的计算资源为大规模机器学习算法研究提供强有力的计算平台。分布式机器学习作为机器学习最重要的研究领域之一,受到广泛关注。基于此,围绕ADMM分布式算法研究工作展开,在此基础上针对L1/2稀疏迭代算法进行分布式优化。

阵元失效下基于核范数和SCAD惩罚的MIMO雷达DOA估计

阵元失效下多输入多输出(Multiple-Input Multiple-Output,MIMO)雷达虚拟阵列协方差矩阵出现大批整行整列元素缺失,破坏原有内在完整结构,导致波达方向(Direction of Arrival,DOA)估计性能下降。为此,提出一种联合核范数和SCAD(Smoothly Clipped Absolute Deviation)惩罚的完整协方差矩阵重构方法,以利于阵元失效下MIMO雷达DOA的有效估计。首先对待恢复的协方差矩阵建立核范数和SCAD惩罚双先验约束模型,并利用等正弦空间稀疏化方式划分粗网格空间,在可容忍的模型误差内能大大降低运算复杂度;然后利用ALM-ADMM(Augmented Lagrange Multipliers-Alternating Direction Method of Multipliers)算法对双先验约束模型进行求解,从而恢复协方差矩阵中大量整行整列的缺失数据;最后通过RD-ESPRIT(Reduced Dimensional ESPRIT)算法进行目标DOA估计。仿真结果验证该方法能快速恢复虚拟协方差矩阵中的缺失数据,从而有效提高阵元失效下MIMO雷达的DOA估计性能。

基于ADMM-GBS的智能电网多供电商多用户实时定价策略

多供电商是智能电网未来发展趋势之一。考虑为有多供电商多用户的智能电网系统构建社会福利最大化模型,在用户配备蓄电池和可再生能源发电装置的条件下,为用户的分类电器,设置影响启停状态的心理电价,同时增加每日总电费约束,对实时定价策略进行了研究,提出了一种基于ADMM-GBS的分布式实时定价算法。将原问题进行两次解耦,通过求解底层子问题,进而实现外层目标函数的优化。系统仿真结果,验证了所构建模型合理性,并证实了所提实时定价算法在多供应商多用户情形下的可行性与有效性。

高维惩罚分位数回归及优化算法

针对具有异常值或离群点的高维数据线性回归模型,提出了一种基于误差函数正则化的惩罚分位数回归的新方法,与经典的L1惩罚方法相比,新方法具有更好的稳健性以及更小的估计偏差和预测误差;为解决分位数损失函数非光滑性与误差函数非凸性所带来的计算挑战,结合迭代再加权L1算法以及ADMM算法,提出了一种有效的IRW-ADMM算法,并对回归系数进行了求解.模拟结果表明,与已有的惩罚分位数回归方法相比,新方法在参数估计和变量选择等方面均具有更好的表现.将新方法应用于核黄素基因数据分析,以证实其有效性和可行性.

基于异质线性模型的缺失数据亚组分析

基于异质线性模型,研究了响应变量存在缺失情形的亚组分析.首先利用Logistic回归模型估计响应变量的缺失概率;然后建立异质截距参数的fused LASSO凹对偶惩罚逆概率加权二次损失函数,通过ADMM算法极小化该损失函数获得参数的估计,并使得属于同一潜在亚组个体的截距参数估计相同,从而达到了亚组识别和参数估计的目的;最后通过数值模拟和实例分析说明了本文提出的亚组分析方法的有效性.

基于遗传-启发算法的微动目标认知ISAR成像资源调度

认知逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)将认知雷达理论与ISAR成像技术相结合,利用目标与环境的离线先验知识及在线感知结果,提升ISAR在复杂环境下的成像能力.与传统单脉冲雷达相比较,相控阵ISAR可实现波束的快速扫描,因此具备多目标观测能力.在实际空间微动目标成像场景中,相控阵ISAR很可能存在多波束多目标情况.为实现系统效能的充分发挥,需要在系统能量、时间资源有限条件下实现成像任务有效调度.然而,面向成像任务的资源调度方法主要针对刚体目标,其约束条件及调度模型并不适用于微动目标,并且存在求解方法稳定性差、调度成功率不高等问题.此外,微动目标运动形式复杂,回波非平稳性很强,且方位缺损时难以聚焦成像.因此,迫切需要针对微动目标的特性,研究有效的ISAR资源调度和高分辨成像方法.针对上述问题,本文提出基于遗传-启发算法的微动目标认知ISAR成像资源调度方法 .该方法首先根据微动目标认知结果计算其成像所需的雷达资源及综合优先级;接着基于脉冲交错技术,在时间、能量双重约束下建立微动多目标资源调度模型.在此基础上,本文提出了基于遗传-启发算法的最优调度求解方法 .进一步,针对资源调度导致微动目标回波缺损,难以聚焦成像的问题,本文提出了基于交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)的距离-瞬时多普勒(Range-Instantaneous Doppler,RID)成像方法,从而实现成功调度任务对应微动目标回波的高分辨聚焦成像.实验结果表明,相比于现有资源调度方法,本文所提方法调度结果更为稳定,调度成功率更高,并可实现回波缺损时的微动目标聚焦成像.