导读:本文包含了在线算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:在线,算法,梯度,多核,竞争,分枝,滑雪板。
在线算法论文文献综述
郭赛男,刘辉冉,马冉[1]（2018）在《D-SWPT在线算法竞争比的简易证明方法》一文中研究指出竞争比反映了算法构造的调度偏离最优调度的最大程度,是衡量一个算法优劣的重要指标.针对经典在线调度问题1|online,r_j|∑w_jC_j,着名学者Anderson和Potts在2004年给出了在线算法D-SWPT,并证明了其竞争比为2.然而,其证明过于复杂冗长.对此问题,作者提出一个新的简单易学的证明方法,证明了在线算法D-SWPT的竞争比为2.(本文来源于《洛阳师范学院学报》期刊2018年11期）
何怀文,肖涛,程东,彭政,傅瑜[2]（2018）在《碳感知的绿色云数据中心能源优化在线算法》一文中研究指出使用绿色能源的云数据中心需要满足服务水平协议(service layer agreement,SLA)和长期平均碳排放约束下的能源成本最小化问题,针对该问题,本文进行了深入研究和分析。通过将问题形式化为受约束的随机优化问题,利用Lyapunov优化理论,提出一个不需要预测未来数据的碳感知能源成本优化在线算法,并进一步证明该在线算法可以获得接近离线最优算法的次优解。基于真实数据的仿真实验结果表明:该算法比基准算法具有更好的性能,并且能通过调整控制参数接近离线的最优解。(本文来源于《电子科技大学学报》期刊2018年04期）
冯唐松[3]（2018）在《自动驾驶列车的节能优化在线算法研究》一文中研究指出在城市轨道交通迅速发展的时代背景下,如何减少城轨交通系统的能耗吸引了越来越多的注意力,而列车牵引能耗是系统总能耗中最主要的一部分,因此很多学者提出各种方法来优化广泛应用于城轨交通的列车自动运行(Automatic Train Operation,ATO)系统。然而现有的研究中尚有一些问题没有解决,即当传统的离线优化应用于实际动态变化的列车模型时,实际运行结果与仿真结果有一定的偏差,很难得到期望的节能效果。对此,本文提出一种可以适应模型动态变化的在线节能优化算法。本文的核心内容是提出基于神经网络预测控制,并应用于在线节能优化列车自动运行。该方法是以列车运行过程中实时采集的数据为基础,在线辨识列车模型,并基于改进的预测模型进行在线滚动优化得到最优控制序列,故此方法可以充分考虑模型的变化。本文将从预测模型、滚动优化和参考曲线等几个方面详细分析预测控制应用于列车自动运行的方法。(1)以实时采集的列车数据为基础,文中采取神经网络方法在线辨识列车模型,作为预测未来状态的预测模型。详细分析比较了用于辨识的误差反向传播(Back Propagation,BP)神经网络算法和径向基(Radial Basis Function,RBF)神经网络算法,并提出了实现在线辨识的两种改进措施。(2)将滚动优化转化为求解预测时域内带约束的性能目标函数最小化问题,建立包含着准时性、舒适性和节能性的性能目标函数,分析该优化问题的结构和特性,选择适合的求解方法,求解得到控制时域内最优的控制序列。(3)给出BP神经网络和RBF神经网络辨识列车模型的仿真,分析两个网络预测模型的非线性逼近能力和预测能力,比较两个模型中更适合作为预测模型的特性。(4)分别给出本文的在线节能优化算法和传统离线节能优化算法的仿真案例,体现了两种算法的有效性。更进一步,将两种算法应用于晴天、雨天两种变化环境下的列车模型,比较两种算法在模型动态变化情况下表现出的性能。仿真结果表明,RBF神经网络的收敛速度更快,预测能力更强,更适合作为预测控制的预测模型。同时在动态模型情况下仿真比较可以证明,本文提出的在线优化对动态模型的适应性更强,可以得到更优的节能效果。(本文来源于《北京交通大学》期刊2018-03-19）
戴琳琳[4]（2017）在《在线算法滑雪板租赁问题在客票系统中的应用》一文中研究指出介绍滑雪板租赁问题的决策算法及符合该类问题模型的应用场景,客票系统中的站车交互系统无线交互协议符合此类问题的应用场景,实现了相关算法,并取得了较好效果。(本文来源于《铁路计算机应用》期刊2017年10期）
周昊,蒋义伟,王玉艳[5]（2017）在《带两个服务等级的叁台机最优在线算法》一文中研究指出研究了带服务等级约束的叁台平行机在线排序问题.每台机器和每个工件的服务等级为1或者2,工件只能在等级不高于它的机器上加工,即等级为1的工件只能在等级为1的机器上加工,等级为2的工件可在所有机器上加工.每个工件的加工时间为一个单位,目标是极小化所有工件的总完工时间.考虑两种情形:当一台机器等级为1,两台机器等级为2时,给出了竞争比为17/14的最优在线算法;当两台机器等级为1,一台机器等级为2时,给出了竞争比为43/36的最优在线算法.(本文来源于《高校应用数学学报A辑》期刊2017年02期）
周谧[6]（2017）在《非均衡随机梯度下降SVM在线算法》一文中研究指出随机梯度下降方法(SGD)已被应用于大规模支持向量机训练,随机梯度下降方法在训练时采取随机选点的方式,对于非均衡分类问题,必然导致多数类点被抽取到的概率要远远大于少数类点,这就造成了种种计算上的不平衡。为了处理大规模非均衡数据分类问题,提出了加权随机梯度下降的SVM在线算法,对于多数类中的样例被赋予较小的权值,而少数类中的样例被赋予较大的权值,然后利用加权随机梯度下降算法对SVM原问题进行求解,减少了超平面向少数类的偏移,较好地解决了大规模学习中非均衡数据的分类问题。同时,通过采用二分对数损失函数、不同的加权方式以及采用小批量梯度下降算法,从而在精度以及稳定性上使算法对非均衡数据的分类效果得到提升。(本文来源于《河北大学》期刊2017-06-01）
农庆琴,苗利辉[7]（2017）在《工件加工时间非增的并行分批排序问题的最优在线算法》一文中研究指出研究以最小化最大完工时间为目标、批容量有界的并行分批在线排序问题。相应排序模型中有n个相互独立的工件要在一台批处理机上加工,每个工件Jj(1≤j≤n)具有一到达时间rj和加工时间p_j,工件的加工时间非增,即对于任意2个工件Ji和Jj,如果r_i≤r_j,则p_i≥p_j。批处理机每次可同时加工至多B B<(n)个工件。同一批中的工件同时开工,同时完工,任一工件的信息(包括它的到达时间、加工时间)需等到它到达时系统才能获取,研究任务是设计一个在线算法对工件进行合理地分批和排序以使得最大完工时间达到最小。首先证明该在线排序问题不存在竞争比小于1+α(其中α~2+α=1)的在线算法,然后设计一在线算法,证明它的竞争比等于1+α,从而证明它的最优性。(本文来源于《中国海洋大学学报(自然科学版)》期刊2017年01期）
鲁淑霞,周谧,金钊[8]（2017）在《非均衡加权随机梯度下降SVM在线算法》一文中研究指出随机梯度下降(stochastic gradient descent,SGD)方法已被应用于大规模支持向量机(support vector machine,SVM)训练,其在训练时采取随机选点的方式,对于非均衡分类问题,导致多数类点被抽取到的概率要远远大于少数类点,造成了计算上的不平衡。为了处理大规模非均衡数据分类问题,提出了加权随机梯度下降的SVM在线算法,对于多数类中的样例被赋予较小的权值,而少数类中的样例被赋予较大的权值,然后利用加权随机梯度下降算法对SVM原问题进行求解,减少了超平面向少数类的偏移,较好地解决了大规模学习中非均衡数据的分类问题。(本文来源于《计算机科学与探索》期刊2017年10期）
田西兰,郭法滨[9]（2016）在《一种并行在线算法在弹道目标识别中的应用研究》一文中研究指出本文针对非合作性弹道目标识别样本规模小、计算实时性需求高的特点,提出一种并行在线识别算法。该算法基于多核学习的不同核矩阵权重的自适应学习实现对不同飞行阶段目标特征的自选择,并进一步利用增量学习实现算法的在线化应用。进一步地,针对不同的飞行阶段人工干预参与学习的目标特征选择。仿真试验结果表明,该算法可用于弹道目标的头体分辨,计算效率高,准确率满足工程需求。(本文来源于《数字技术与应用》期刊2016年10期）
刘斌,夏龙清,李俊,伍家驹,李德伟[10]（2014）在《并网逆变多目标约束预测控制器设计及在线算法》一文中研究指出针对叁相并网逆变系统采用LCL滤波装置产生的控制及效率问题,该文通过对滤波器数学模型的推导、分析及转换,设计了一种在静止坐标系下受约束多目标优化的离散型电流模型预测控制器,使得对系统电流的跟踪效果及效率优化能在控制器中体现。然而对于受约束控制的优化问题,由于传统优化方法的复杂性和计算的庞大性,该文提出一种结合预测控制模型的修正分枝定界方法。该方法寻求叁电平27个控制矢量中符合系统前后两拍输入矢量切换原则的控制序列,并综合考虑包含系统跟踪性、开关损耗及大电流条件切换损耗的预测性能指标值极小,达到系统最优控制。该策略解决了LCL滤波器易产生谐振的控制问题,保证系统的稳定性和跟踪性,降低系统损耗,并在一定程度上减少开关次数,相对其他受约束控制降低了处理器运算负担。仿真和实验结果很好的证明所提出的控制策略的正确性和有效性。(本文来源于《中国电机工程学报》期刊2014年30期）
在线算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
使用绿色能源的云数据中心需要满足服务水平协议(service layer agreement,SLA)和长期平均碳排放约束下的能源成本最小化问题,针对该问题,本文进行了深入研究和分析。通过将问题形式化为受约束的随机优化问题,利用Lyapunov优化理论,提出一个不需要预测未来数据的碳感知能源成本优化在线算法,并进一步证明该在线算法可以获得接近离线最优算法的次优解。基于真实数据的仿真实验结果表明:该算法比基准算法具有更好的性能,并且能通过调整控制参数接近离线的最优解。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
在线算法论文参考文献
[1].郭赛男,刘辉冉,马冉.D-SWPT在线算法竞争比的简易证明方法[J].洛阳师范学院学报.2018
[2].何怀文,肖涛,程东,彭政,傅瑜.碳感知的绿色云数据中心能源优化在线算法[J].电子科技大学学报.2018
[3].冯唐松.自动驾驶列车的节能优化在线算法研究[D].北京交通大学.2018
[4].戴琳琳.在线算法滑雪板租赁问题在客票系统中的应用[J].铁路计算机应用.2017
[5].周昊,蒋义伟,王玉艳.带两个服务等级的叁台机最优在线算法[J].高校应用数学学报A辑.2017
[6].周谧.非均衡随机梯度下降SVM在线算法[D].河北大学.2017
[7].农庆琴,苗利辉.工件加工时间非增的并行分批排序问题的最优在线算法[J].中国海洋大学学报(自然科学版).2017
[8].鲁淑霞,周谧,金钊.非均衡加权随机梯度下降SVM在线算法[J].计算机科学与探索.2017
[9].田西兰,郭法滨.一种并行在线算法在弹道目标识别中的应用研究[J].数字技术与应用.2016
[10].刘斌,夏龙清,李俊,伍家驹,李德伟.并网逆变多目标约束预测控制器设计及在线算法[J].中国电机工程学报.2014
论文知识图
