基于约束网络的产品进化设计

为解决约束条件下的产品设计问题,以复杂网络理论及图论为指导,建立了基于约束网络的产品创新设计模型.该模型从设计约束库中筛选相关要素作为约束变量,构建设计约束网络;利用对偶图计算约束网络中心性指标,实现节点重要度排序,进而归纳出设计约束问题并进行求解;最后建立一套基于约束的产品进化设计系统. 以夜光杯为对象进行实例研究,构建相关设计约束网络;分析得到其关键节点,归纳出具体的设计约束问题,并应用动力学模拟、控制点区间约束等方法对其进行求解;开发夜光杯进化设计系统,选取具有代表性的传统夜光杯样本进行形态进化,生成一系列满足约束条件的夜光杯设计方案.结果表明:该模型有效实现了约束网络指导下的产品设计.     

基于复杂网络理论的桁架结构可靠性分析

提出了一种基于复杂网络理论的桁架结构的可靠性分析方法.建立了桁架结构无权无向网络模型,运用复杂网络对其可靠性进行分析,在无权无向网络的基础上,建立更符合桁架结构工作状态的加权有向网络模型,基于结构能量网络并以构件的可靠指标的倒数为权值建立加权有向网络模型,进而计算该加权有向网络模型中各个节点的特征参数,通过量化不同构件可靠指标变化对桁架结构可靠性的影响,结合各个节点参数确定桁架结构中的关键构件.基于此方法可以对桁架结构进行优化设计.     

群智感知中采用节点社会属性的亲密度量化方法

针对群智感知中节点社会关系计算存在的层次关系划分不清、关联因子描述粗糙等问题,提出一种采用社会属性的亲密度量化方法。该方法通过分析影响节点社会关系的多维要素,将节点属性因子划分为静态和动态两个维度。通过构造多维语义分级树和空间索引编码,对节点静态属性进行挖掘和形式化表示。同时,引入交互信息熵,对社会关系的不对称性进行分析和比较,以提高亲密度量化方法的客观性。基于层次分析法实现节点动态属性的二级评判和有效聚合,并通过节点融合度对亲密关系进行二次修正。实验结果表明:与已有方法相比,采用社会属性的亲密度量化方法预测准确率提高了14.67%,该方法能够有效降低群智感知中移动节点的误判概率,提高网络社团识别准确率,为候选服务节点集的选择提供有效依据。     

基于Choquet积分的复杂机电系统可靠性测度及应用

为了分析对复杂机电系统可靠性影响程度大的部件进而保障系统安全运行,首先构建复杂机电系统全局拓扑网络模型研究节点的拓扑属性;依据系统可靠性理论,结合故障维修数据计算网络中节点和边的功能属性;综合考虑部件保持功能属性的能力(节点可靠性属性)、部件间耦合作用关系(连接边可靠性属性)以及节点在全局系统中的拓扑地位(节点拓扑属性),提出基于Choquet积分的可靠性测度,包括功能度、功能接近度和功能介数.以CRHX型高速列车转向架系统为例的研究结果表明,所构建的可靠性测度能够从不同的角度辨识出对转向架系统可靠性影响较大的部件,以适应复杂运行工况下对系统可靠性分析关注侧重点不同的需求.     

基于贝叶斯方法的网络攻击定位和追踪模型

在网络节点之间存在安全依赖关系的前提下,提出了一个基于贝叶斯方法的网络攻击定位和追踪模型.该模型根据网络节点间的安全依赖关系构造安全依赖树.进而采用贝叶斯方法计算各个节点的攻击因子,并据此确定攻击源和攻击路径.     

无线传感器网络的层次化故障模型

为了在无线传感器网络可靠性研究中对故障检测等容错机制进行准确评价和量化分析,有必要进行网络故障模型的研究。该文提出了1种具有高覆盖度特点的网络层次化故障模型。在4种网络故障类型研究基础上利用图论方法提出面向节点层和子网络层的层次化故障模型设计方法,基于复杂网络聚类系数给出1个面向故障模型的单点型关键节点判定定理,并以此为例通过子模型有效性原则对该类模型进行了证明,结果表明该故障模型有效。     

多维约束下指挥网络节点重要度的评估方法

针对一般节点重要度评估方法没有考虑指挥体系网络自身运行机制及与外界交互的问题,从拓扑结构、作战任务、指挥方式、节点属性4个维度研究指挥节点的重要度评估方法。考虑节点在拓扑网络的全局和局部重要性给出结构重要度计算方法,基于任务分解和节点功能子集的形成给出作战任务对节点依赖度计算方法,通过删除节点对指挥质量造成的影响给出指挥方式对节点依赖度计算方法,并给出基于区间数的节点属性重要度的计算方法。最后提出指挥节点的综合评估方法并设计了具体案例,得出节点在四维约束下的重要度定量评估数据。结果表明,同一节点或结构重要度相同的节点在不同任务和指挥方式下综合重要度差异明显,与单一方法相比,提出的综合算法所得数据能更全面反映指挥节点的重要程度,说明该算法具有优越性。     

电网关口外送电交易能力的多目标分层优化研究

研究电网的外送电交易能力的内涵;建立了以系统发电成本最小和关口外送电交易最大为目标并考虑机组约束、网络约束以及节点负荷水平约束等的评估模型;利用分层优化结合粒子群算法求解.该模型第一层以电网的电力系统经济调度为前提,第二层在极小化本系统发电成本的基础上,求取关口最大外送电交易能力.通过IEEE30节点系统仿真计算,表明该方法能有效获取关口外送电交易能力指标.     

信度函数在复杂网络节点重要性评价中的应用

针对复杂网络中重要节点的识别问题,提出了一种基于信度函数复杂网络中识别节点重要度的方法;回顾了信度函数、复杂网络相关理论知识及节点重要度相关算法,建立了基于信度函数的节点重要度识别模型;通过建立辨识框架,把节点相关属性转换为信度函数,利用证据理论组合规则进行融合,得到节点的综合属性信度函数值并将其转换为单一数值,进而提到节点的排序结果;实例分析表明,所建立模型有效克服了相关单一节点重要度算法的局限性问题,具有合理性与有效性,可进一步推广。     

大地电磁主轴各向异性二维理论模型反演分析

地下介质普遍存在各向异性,为反应地下真实地质情况,需建立各向异性模型进行研究。本文主要进行主轴各向异性大地电磁二维反演研究,采用有限单元法作为正演模拟方法,将正演响应结果与前人计算结果进行对比分析,验证了算法的正确性,并对不同方向上电阻率响应灵敏度进行分析。采用非线性共轭梯度法进行反演研究,该方法不需要直接计算雅克比矩阵,相对于其他反演方法节省了计算时间,计算效率高;目标函数的建立对于不同方向上的电阻率采用不同的正则化参数来进行约束。通过复杂的各向异性体模型进行反演,结果显示对于不同方向上电阻率的恢复以及异常体位置的圈定都取得了较好的效果,说明了反演算法的有效性。     

贝叶斯网络的对地攻击无人机自主能力评估

作战任务条件下评估对地攻击无人机自主能力，是无人机作战使用亟待解决的关键问题之一。针对对地攻击无人机作战流程与特点，选取感知探测、规划决策、作战执行、安全管理和学习进化5个紧密贴合其作战运用特点的自主能力影响因素，构建面向全任务过程的对地攻击无人机自主能力评估指标体系。基于贝叶斯网络建立自主能力评估模型，利用改进熵权法确定根节点的先验概率，并运用贝叶斯软件Netica进行实例仿真。针对对地攻击无人机任务前、任务中和任务后的自主能力，利用因果推理、截断分析推理和影响因素推理3种推理模式进行仿真验证及推理分析，根据仿真验证结果给出了各个阶段自主能力的动态调整建议。     

高温熔融金属作业安全完整性评价

为了保证冶金行业高温熔融金属作业的安全性，将IEC 61508 标准提出的安全相关系统安全完整性的概念拓展到高温熔融金属作业系统，提出了基于贝叶斯网络Noisy-or模型的高温熔融金属作业安全完整性评价方法.建立了包括人的因素、物的因素、环境因素和管理因素的高温熔融金属作业安全完整性评价模型.贝叶斯网络各根节点的先验概率采用模糊理论的模糊数来确定.为了减少计算量及不确定性，利用Noisy-or模型确定条件概率，并考虑了各中间节点对作业安全完整性的协同影响作用.结果表明，评价模型因果推理可确定高温熔融金属作业的安全完整性等级，诊断推理也可确定其敏感因素，为制定安全措施提供指导意见.     

大数据中网络节点拓扑不稳定性的评估模型设计

大数据中网络节点拓扑结构复杂且具有明显的不稳定性,当前网络节点拓扑不稳定性评估模型大多依据社会网络分析方法理论,从不同角度表示具有不同拓扑结构特性的网络元件,获取的评估结果不充分、不可靠。为此,提出一种新的大数据中网络节点拓扑不稳定性评估模型,通过节点收缩法对大数据中网络节点重要性进行评估。针对大数据中网络节点拓扑不稳定性的评估,结合风险函数丰富熵的内涵,将事件的风险函数在效用系数空间中的平均值看作网络的效用风险熵,依据得到的效用风险熵对效用风险熵权重进行计算。将节点收缩法和效用风险熵权重结合在一起,重新考虑权重的影响,给出新的大数据中网络凝聚度,得到大数据中网络节点拓扑不稳定性评估模型。实验结果表明,所提方法评估可靠性很高。     

基于粒子群优化算法的高速网络可变结构节点位置控制

针对网络节点位置控制中网络容量较低、 控制过程节点能量消耗较大等问题, 提出一种基于粒子群优化算法的高速网络可变结构节点位置控制方法. 该方法结合粒子群优化算法与Metropolis接受准则, 找到各网络节点对应的粒子位置, 对初始位置权重进行自适应调节, 得出粒子最优值并建立高速网络可变结构节点位置控制模型, 以实现可变结构节点位置控制. 仿真实验与当前方法进行对比测试的结果表明, 该网络节点位置控制方法在250个节点位置控制实验过程中, 能量消耗可控制在30 kJ内, 控制效率较高.     

融合信任机制和HBMO算法的WSN能耗均衡分簇方法

针对无线传感器网络(WSN)中的能耗和安全问题,提出一种融合蜜蜂交配优化(HBMO)算法和轻量级信任机制的WSN分簇方法(LWT-HBM).首先,将WSN分成若干个小区,通过HBMO算法选择各自最优的簇头;然后,构建分簇结构,根据簇头和基站的距离设置簇的大小.在簇头能量消耗殆尽前,会利用HBMO选择替代簇头,以此均衡网络能源.在选择簇头的同时,融入轻量级信任机制,根据直接信任和间接信任值来评估节点的可信任度,避免恶意节点被选择为簇头.同时给出了一种精确能耗模型用来计算系统的整体能耗.通过实验将此方法与LEACH和TBCMA方法进行比较,结果表明LWT-HBM方法具有更低的能耗,有效的延长了网络寿命.     

基于注意力网络特征的社区发现算法

现实世界中许多网络都是根据社区结构紧密组织起来的, 发现社区对于了解复杂网络的结构及其关系有很大的帮助, 文中提出了一种基于注意力网络特征的社区发现(community discovery algorithm based on attention network features, CANF)算法, 利用标记节点频率和反示例节点频率度量初始网络标记特征, 并且引入注意力机制, 对示例节点的每个邻居节点更好地分配权重, 将初始权重与分配权重相结合, 使初始度量的网络特征获取更多与目标有关的细节信息。文中通过分配的注意力网络特征进行复杂网络预处理以及社区博弈归并, 于真实网络中进行验证, 实验结果表明, CANF算法在准确度、模块度以及运行时间方面优于其他社区发现算法。     

基于粗糙集与贝叶斯网络的推理和诊断模型

基于粗糙集知识约简、规则提取的优势和贝叶斯网络强大的推理能力,对决策表进行约简和提取决策规则获取节点关系、节点概率分布等信息,以获取的信息为基础建立贝叶斯网络模型.然后通过贝叶斯网络实现进行高效快速的推理和诊断.实例分析表明,该方法是可行有效的.     

基于大数据的分布式中压配电网空间负荷分配方法研究

分布式中压配电网空间负荷分配涉及的数据量较大,当前分配方法通常为经验法或简单类比法,分配结果不可靠,无法达到用户要求。为此,提出一种新的基于大数据的分布式中压配电网空间负荷分配方法,在GIS平台上完成对空间信息的提取,将经数字化处理后的配电网空间地图分割为若干层,针对各子空间求出用户密度因素。对规则条件进行判断,选择能够使规则产生最佳效应的规则推理,针对能够被添加至当前规则集合中的所有节点,求出启发式函数的值,对全部路径节点信息素浓度进行更新,以获取配电网电力负荷元胞转换规则,确定各空间适于发展各类负荷的程度。以大数据为基础,通过全局最优分配法实现分布式中压配电网空间负荷分配。实验结果表明,所提方法分配结果佳,能够满足用户要求。     

基于粒子群优化算法的高速网络可变结构节点位置控制

针对网络节点位置控制中网络容量较低、 控制过程节点能量消耗较大等问题, 提出一种基于粒子群优化算法的高速网络可变结构节点位置控制方法. 该方法结合粒子群优化算法与Metropolis接受准则, 找到各网络节点对应的粒子位置, 对初始位置权重进行自适应调节, 得出粒子最优值并建立高速网络可变结构节点位置控制模型, 以实现可变结构节点位置控制. 仿真实验与当前方法进行对比测试的结果表明, 该网络节点位置控制方法在250个节点位置控制实验过程中, 能量消耗可控制在30 kJ内, 控制效率较高.     

Application of uncertainty reasoning based on cloud model in time series prediction

Time series prediction has been successfully used in several application areas, such as meteoro-logical forecasting, market prediction, network traffic forecasting, etc. , and a number of techniques have been developed for modeling and predicting time series. In the traditional exponential smoothing method, a fixed weight is assigned to data history, and the trend changes of time series are ignored. In this paper, an uncertainty reasoning method, based on cloud model, is employed in time series prediction, which uses cloud logic controller to adjust the smoothing coefficient of the simple exponential smoothing method dynamically to fit the current trend of the time series. The validity of this solution was proved by experiments on various data sets.