基于NW型小世界人工神经网络的污水出水水质预测

为了预测污水处理出水水质,针对污水处理过程具有多变量、非线性、时变性、严重滞后的特点,提出了基于NW型小世界人工神经网络的污水处理出水水质预测模型;首先根据污水处理系统确定模型输入输出变量个数,然后建立了多层前向小世界神经网络模型,并对网络模型的隐层结构进行了优化研究;借助污水处理过程的历史数据进行了仿真研究,结果表明:和同规模的多层前向人工神经网络相比,小世界神经网络对污水出水水质预测具有较高精度和收敛速度,为污水出水水质的实时预测提供了一种有效的新方法。

基于小世界网络的Hopfield联想记忆模型

针对基于Watts-Strogatz小世界网络的联想记忆(WSAM)模型中存在的信息丢失和产生孤立节点的问题,引入Newman-Watts小世界网络,提出了基于NW小世界网络的联想记忆(NWAM)模型,并给出生成方法以及相应的理论算法。与WSAM相比,该模型节点连接数有少量增加,而网络性能却得到极大的改善。对比实验结果表明,在重连概率和全局连接度相同的情况下,NWAM对加噪模式回想的能力要高于WSAM;在噪音干扰不断增加的情况下,NWAM抗噪联想性能始终优于WSAM。最终,利用NWAM模型对加入噪音的交通图像进行识别时,获得了比WSAM更好的识别效果,表现出良好的容错性和对含噪信息的鲁棒处理能力。

复杂动力网络的单变量替换互耦合同步

通过单变量替换使两个混沌系统达到混沌同步.以Lorenz系统为例进行研究,发现在一定的耦合强度范围内,该方法使Lorenz系统迅速实现了混沌的精确同步,同步误差趋于零.应用单变量替换互耦合混沌同步方法对复杂动力网络进行研究,对NW小世界网络模型进行数值模拟,发现此方法使网络各个节点很快达到同步,且同步状态具有鲁棒性.

复杂网络上多智能体系统的一致性研究

如何有效提高多智能体系统的一致性收敛速度是一致性问题中的一个重要研究内容。一致性收敛速度可通过拉普拉斯矩阵的最小非零特征值来衡量,文中通过计算机仿真发现,对于不同的复杂网络模型,影响其一致性收敛速度的因素也不同。提高网络一致性收敛速度的具体方法是:在最近邻耦合网络中,减少节点数N或增大耦合数K;在NW小世界网络中,增加节点数N或者增大随机化加边概率p,因为收敛速度与二者具有良好的线性关系;在Waxman随机图网络中,增加节点数N或增大其模型中的参数α和β,当β增大时,收敛速度整体上呈线性增长,但会出现较小的波动。该研究结果对优化多智能体网络的一致性收敛速度有一定的指导作用。

基于增广链修复的最大流求解算法

NW小世界网络及BA无标度网络是现实中常见的两种网络,这两种网络中任意两点之间有极大可能存在多条路径,若舍弃饱和增广链并重新寻找增广链,则效率不高,因此针对网络的这一特性提出了一种增广链修复的最大流求解算法。该算法沿最短增广链调整流量后,保留路径上残余的非饱和弧,并用贪心法则选择合适的中继节点修复断开的增广链,提高增广链使用效率。通过对NW小世界网络和BA无标度网络建模仿真,得到并验证了所提算法在这两种网络上的运行速度数倍于Ford-Fulkerson算法且其空间复杂度仅有Dinic算法的一半,因此所提算法能够高效处理更大规模网络流问题,以适应日益膨胀的通信网络和交通运输网络。