基于网络分析的抑郁症产生与演变预测

抑郁症是现代社会亟需解决的公共健康问题,预防是应对该问题最有效的方式之一。有效预防的关键在于准确识别潜在抑郁症患者,捕捉抑郁状态发生变化的预警信号,及时采取预防措施。抑郁是由多种症状相互作用而成的网络系统,该网络的结构特征和动力特征能为抑郁症发生与演变的预测提供新的理论视角和可测量的指标。以如何预测抑郁症发生与演化的关键问题为切入点,从理论的角度论述症状网络与抑郁的关系,进一步考察抑郁症状网络的拓扑结构特征、临界现象相关指标在预测抑郁发作及突变中的表现力。为增加早期预警信号在抑郁状态预测方面的准确性,未来研究应当构建更系统、全面的网络,通过使用综合的或基于机器学习的预警指标,优化抑郁状态确定方法。

含私有信息的多代理作业车间协商调度算法

在考虑用户互为竞争对手、不愿共享其目标的情况下,用户与车间共同组成调度决策群体,形成代理目标为私有信息的多代理作业车间调度问题。以最大化群体社会福利为优化目标,构建了多代理作业车间调度问题的数学模型。设计了遗传进化-评分决策两阶段协商调度机制,并提出了相应的两阶段协商调度算法。在不披露代理目标的前提下,遗传进化阶段采用帕累托优化排序算法,生成非支配调度方案集;评分决策阶段采用基于效用的线性转换评分算法,实现从非支配方案集中选出社会福利较优的调度方案。大量仿真研究表明,所提遗传进化-评分决策两阶段协商调度算法,其整体性能优于现有协商调度算法,能够产生社会福利更高的调度方案。