基于深度强化学习的复杂网络节点影响力排序算法

针对当前节点影响力评估算法准确度较低的情况,提出了一种基于深度强化学习的节点影响力排序算法。该算法从网络拆解的视角看待节点影响力,将节点影响力的排序问题转换为网络拆除策略的优化问题。算法首先利用排序学习训练图神经网络模型的节点特征提取能力,然后使用强化学习对依赖于网络状态的节点断连行为做价值学习,最后使用训练完成的模型预测网络拆除的最佳策略,即节点影响力的最准确排序。仿真实验证明,所提算法在典型真实数据集的CN(Crtical Node)与ND(Network Dismantling)问题上,相较于PageRank算法,准确度分别提升了31.1%与29.0%。同时,该算法具有较低的复杂度,可为网络稳定性分析和网络性能优化提供技术支撑。

石化装置故障诊断技术的发展及应用

针对石化装置的生产及安全管理的特点,介绍了故障诊断技术面临的挑战和各种常用故障诊断方法,并详细叙述了基于符号有向图SDG(Signed Directed Graph)的故障诊断技术的研究进展,介绍了国内外具有代表意义的基于动态仿真的故障诊断研究试验和应用系统,然后介绍了故障诊断系统在石化装置中的应用。最后总结了各种故障诊断技术,指出了这一领域中有待解决的问题和可能的发展方向。

基于图论方法构造神经网络

本文讨论神经网络的构造问题，说明利用图论中的Ｔａｌｌｅｇｅｎｓ定理可训练任何误差反向传播种经网络和稳定的非反传神经网络．