【摘 要】
：
供应链网络是一个高度复杂的有向加权网络,研究供应链网络本身的抗毁性对改良供应链网络拓扑结构,提高网络稳定性和鲁棒性有着至关重要的意义.因此本文依据复杂供应链网络中不同的网络攻击方式导致的节点或者连边级联失效现象,提出了一项在有向加权供应链网络下的抗毁性标准.在提出的抗毁性准则中,本文引入了“网络运营度”的概念,并针对有向加权网络的几种级联失效现象下的“网络运营度”的理论机理进行阐述,最后通过实验证明该抗毁性准则相对于其他文章所提出的抗毁性准则有着相对较好的表现,证实了本文提出的抗毁性测度的有效性.
【机 构】
：
临沂大学自动化与电气工程学院,山东临沂276005;曲阜师范大学工学院,山东日照276800;临沂大学自动化与电气工程学院,山东临沂276005
论文部分内容阅读
供应链网络是一个高度复杂的有向加权网络,研究供应链网络本身的抗毁性对改良供应链网络拓扑结构,提高网络稳定性和鲁棒性有着至关重要的意义.因此本文依据复杂供应链网络中不同的网络攻击方式导致的节点或者连边级联失效现象,提出了一项在有向加权供应链网络下的抗毁性标准.在提出的抗毁性准则中,本文引入了“网络运营度”的概念,并针对有向加权网络的几种级联失效现象下的“网络运营度”的理论机理进行阐述,最后通过实验证明该抗毁性准则相对于其他文章所提出的抗毁性准则有着相对较好的表现,证实了本文提出的抗毁性测度的有效性.
其他文献
具有可数状态空间的马尔可夫决策过程(Markov decision process,MDP)在平均准则下,最优(平稳)策略不一定存在.本文研究平均准则可数状态MDP中满足最优不等式的最优策略.不同于消去折扣(因子)方法,利用离散的Dynkin公式推导本文的主要结果.首先给出遍历马氏链的泊松方程和两个零常返马氏链的例子,证明了满足两个方向相反的最优不等式的最优策略存在性.其次,通过两个比较引理和性能差分公式,证明了正常返链和多链最优策略的存在性,并进一步推广到其他情形.特别地,本文通过几个应用举例,说明平均
本文提出了一种基于主动学习的增强模型预测控制方法.该方案克服了大多数基于学习的方法的缺点,即只能被动地利用可获得的系统数据并导致学习缓慢.首先应用高斯过程来评估残差模型的不确定性并构建多步预测模型.然后提出了一个两阶段主动学习策略,通过在优化问题中引入信息增益作为对偶目标来激励系统探测.最后,基于鲁棒不变集定义了安全控制输入集保证了状态约束满足与系统安全性.本文提出的方法在保证系统安全的情况下提高了学习能力和闭环控制性能,实验说明了本文方案的优越性.“,”This paper proposes an ac
量子神经网络结合了量子计算与经典神经网络模型的各自优势,为人工智能领域的未来发展提供了一种全新的思路.本文提出一种基于参数化量子电路的量子卷积神经网络模型,能够针对欧几里得结构数据与非欧几里得结构数据,利用量子系统的计算优势加速经典机器学习任务.在MNIST数据集上的数值仿真结果表明,该模型具有较强的学习能力和良好的泛化性能.
在给定一个子集的条件下,本文研究了在状态翻转控制下布尔控制网络的全局镇定问题.对于节点集的给定子集,状态翻转控制可以将某些节点的值从1(或0)变成0(或1).将翻转控制作为控制之一,本文研究了状态翻转控制下的布尔控制网络.将控制输入和状态翻转控制结合,提出了联合控制对和状态翻转转移矩阵的概念.接着给出了状态翻转控制下布尔控制网络全局稳定的充要条件.镇定核是最小基数的翻转集合,本文提出了一种寻找镇定核的算法.利用可达集的概念,给出了一种判断全局镇定和寻找联合控制对序列的方法.此外,如果系统是一个大型网络,则
对于通讯信道具有丢包的网络化反馈控制系统,运用乘性噪声模型来描述丢包这一信道不确定性,并根据网络化系统的结构特点提出了一种渐近跟踪控制器结构,研究了该结构下系统的均方可镇定性以及均方最优渐近跟踪与均方可镇定性的等价关系.在此基础上,运用随机均方最优控制理论给出了该系统均方最优渐近跟踪设计方法,该方法取决于广义代数黎卡提方程(MARE)的均方镇定解.进一步,本文提出了求解上述均方镇定解的新算法.最后的仿真验证了对于信道具有丢包的网络化反馈系统最优渐近跟踪问题,本文所提方法的有效性和可行性.
切换布尔网络是一种典型的网络化控制系统,在基因调控、信息安全、人工智能、电路设计等领域具有重要应用.本文基于牵制控制方法,研究切换布尔网络在任意切换下的分布式集合镇定问题.首先,利用矩阵半张量积方法,得到切换布尔网络的代数形式.其次,基于代数形式,提出构造性的算法来实现切换布尔网络在牵制控制的作用下任意切换集合镇定,并设计出状态反馈牵制控制器.再次,利用逻辑矩阵分解技术和分布式控制方法,设计任意切换下切换布尔网络的分布式集合镇定控制器,并提出分布式控制器存在的充分条件.文中给出3个例子来说明所获得结果的有
量子神经网络由于结合了量子计算和神经网络的优点,近年来受到了广泛的关注.然而由于目前量子计算资源受限(如量子比特数、量子逻辑门的保真度等)以及贫瘠高原现象(量子神经网络优化过程中解空间变得平坦时出现的训练困难)的存在,量子神经网络当前还难以大规模训练.针对上述问题,本文面向量子–经典混合神经网络模型提出了一种基于无监督学习的特征提取方法.所采用的无监督学习方法结合了量子自编码器和K-medoids聚类方法,可用于多层次结构的特征学习.该方法创新地利用了K-mediods方法对训练得到的量子自编码器进行聚类
本文研究了干扰影响下演化博弈的稳定与镇定问题.首先,文章给出了干扰博弈、控制–干扰博弈以及鲁棒Nash均衡等概念,并在此基础上提出了干扰演化博弈与控制–干扰演化博弈鲁棒稳定与镇定的定义.其次,利用矩阵半张量积工具,得到了干扰演化博弈与控制–干扰演化博弈的代数状态空间表示,将鲁棒稳定与镇定问题转化为一个辅助系统的集合稳定与集合镇定问题.紧接着,文章建立了干扰演化博弈与控制–干扰演化博弈鲁棒稳定与镇定的充分必要条件,并进一步设计了状态反馈控制器.最后,通过两个例子验证了所得结论的有效性.
本文研究了基于事件驱动控制的混杂动态博弈系统的纳什均衡分析问题.首先,分析了事件驱动机制对混杂动态博弈过程的影响,进而,在进行状态空间描述的基础上,给出了混杂动态博弈的纳什均衡的定义,并建立了对应博弈系统的策略型模型.其次,结合Lanchester方程,分别讨论了两类混杂动态博弈系统的均衡问题,包括事件驱动策略设计和固定的情况,获得了均衡解存在的必要条件.最后,通过数值模拟进行了应用分析,验证了所取得结果的合理性和科学性,并总结了混杂动态博弈研究的未来工作.
众所周知,生产调度问题属组合优化问题,一般来说不存在求得精确最优解的多项式算法.因此,对于大规模调度问题,人们应用启发式算法和元启发式算法以企求得满意解.在实际的应用中,许多工业过程需要满足严格的工艺约束.对于这类过程的调度问题,很难应用启发式算法和元启发式算法,因为这些方法难于保证所求得调度的可行性.为了解决这一问题,本文以半导体芯片制造中组合设备的调度问题作为例子,介绍了一种基于离散事件系统控制理论的生产调度新方法.利用Petri网建模,任何违反约束的状态均被描述为非法状态,而使非法状态出现的调度则是