一、一类2-L形的最优化问题（论文文献综述）
李春凯[1]（2021）在《加速梯度类算法的研究》文中研究说明随着人工智能在科技革命中扮演着越来越重要的角色,深度学习作为一种重要的学习模型被广泛关注。深度学习的基础核心思想是求解最优化问题,因此越来越多的人开始关注最优化算法。其中加速梯度算法是指在仅使用一阶梯度信息的前提下,比传统的梯度下降法有更快收敛速率的算法。首先,本文主要是介绍了 Nesterov加速梯度算法。它在仅使用一阶梯度信息的前提下具有最优的收敛速率。由于优化算法可以与常微分方程建立等价关系,所以现在人们开始通过常微分方程的方法理解Nesterov加速梯度算法的加速原理,并且拉开了离散常微分方程得到优化算法的帷幕。其次,本文改进了辛离散格式,对Nesterov加速梯度算法所对应的高精度常微分方程进行离散化,得到了新的加速梯度算法,并通过实验证明,在相同的计算复杂度的前提下,新的加速梯度算法比辛格式算法收敛速率更快。最后,本文针对惯性动力系统,采用三种离散格式:辛格式、显式Euler及隐式Euler,分别对惯性动力系统进行离散化,得到了三种不同的优化算法。本文通过构造合适的Lyapunov函数,证明了当目标函数为μ-强凸函数时,惯性动力系统的指数收敛速率可以转变为离散格式下的线性收敛速率,并且由辛格式和隐式Euler得到的优化算法被证明是加速梯度算法。
黄一鸣[2]（2021）在《量子机器学习关键技术研究》文中指出在大数据时代,借助飞速发展的硬件技术,机器学习算法崭露头角,为科学研究、生产生活带来了翻天覆地的变化。然而,面对逐年增长的海量数据,传统硬件计算能力临近瓶颈,机器学习算法将面临巨大的挑战。对于某些特定的问题（如求解线性方程组、大数分解等）,量子计算技术展现出经典计算无法比拟的信息处理能力。这种利用量子力学规律,操控量子态（量子信息）,实现高效计算的新型计算模型,为解决机器学习存在的问题提供了一种重要的方案。因此,结合量子计算和经典机器学习的优势,量子机器学习应运而生。该研究领域探索如何利用量子态独特的叠加性、纠缠性,融合经典机器学习算法,产生新型的数据分析处理工具。尽管具有纠错能力的大规模量子设备仍在研究中,但近年来随着量子计算技术的发展,带噪声的中等规模量子技术（NISQ）已推动了量子计算的实用化,促使该领域的研究引起了越来越多的关注。虽然相关算法不断地被提出,但是一些关键问题的研究仍处于起步阶段。因此,本文针对机器学习中的生成模型及降维算法,展开了相关模型量子化的进一步研究。针对当前在NISQ设备上易于实现的混合式计算框架,研究了生成模型中的关键性问题,提出了相关量子生成模型。针对未来具有纠错能力的大规模量子计算设备,研究了降维中的关键性问题,提出了相关量子降维算法。为量子机器学习研究提供了重要参考。本文研究内容从以下五个部分展开。（1）着眼NISQ设备上易于实现的量子经典混合式计算框架,本文系统分析对比了基于该框架的模型在三种典型机器学习场景下的表现,为后续相关研究提供了重要参考。量子经典混合式计算框架主要由变分量子线路和优化器组成,不同搭建方式的变分量子线路及不同种类的优化器都会影响量子机器学习模型的表现。本文针对两种搭建方式的变分量子线路以及九种优化器,分别从代价函数曲线的收敛情况,模型运行的耗时,以及模型到达最大迭代次数时优化值的分布情况,分析比较了基于该框架的模型在三类代表性学习任务（分类任务,生成任务,最优化任务）中的表现。（2）目前量子经典混合式计算框架中,变分量子线路基于固定结构及深度,缺乏灵活性,同时较少研究分析对比不同代价函数对量子生成模型的影响。因此,本文提出应用可变深度的变分量子线路来搭建量子生成模型。同时,选取四种具有代表性的度量方式（KL散度、JS散度、总变差、最大平均差异）作为代价函数,搭建量子生成模型。实验分析比较了上述模型在经典离散数据上的表现,结果显示以KL散度为代价函数的量子生成模型表现最好;同时,可变深度的变分量子线路更具灵活性,用其搭建的量子生成模型表现均优于基于固定结构及深度的模型。（3）生成对抗网络是近些年备受关注的生成模型。相较于已有生成模型,生成对抗网络效果更好。因此,研究生成对抗网络是有意义的。由于量子数据存在叠加性、纠缠性,传统距离的度量方法不再适用于量子数据。因此,本文着眼于提出能处理量子数据的生成对抗网络。借鉴解决梯度消失及模式塌缩等问题的Wasserstein生成对抗网络,从最优传输理论出发,提出可度量量子数据（量子态）的量子Wasserstein距离,并证明了该距离是希尔伯特空间中的半度量。同时,基于量子Wasserstein距离以及量子经典混合式计算框架,设计构造出可处理量子数据的量子Wasserstein生成对抗网络。该量子生成模型不仅在不同类型的量子数据上均有较好表现,还在模拟噪声环境下也具有较好的鲁棒性。该研究为传统算法的量子化提供了一种重要参考和思路,同时也为量子计算与量子信息的相关研究提供了一种有效的工具。（4）最大平均差异是一种利用核函数,将概率分布嵌入再生核希尔伯特空间,并以嵌入后均值点之间的距离来度量两概率分布间的差异,在机器学习领域有着广泛应用。本文提出了处理量子数据（量子态）的量子最大平均差异,证明了该距离是希尔伯特空间中的度量,相较量子Wasserstein距离,该距离满足三角不等式。同时,在量子经典计算框架下,设计构造了基于量子最大平均差异的生成对抗网络,并将其应用于量子态的制备等量子计算关键任务中。相较其他量子生成对抗网络,该模型在保证模型效果的同时具有更少的参数,更易训练。此外,该模型也具有诸多应用场景,例如量子线路的简化、编译、迁移等。（5）拉普拉斯特征映射是机器学习中一种典型的降维算法。针对未来具有纠错能力的大规模量子计算设备,本文研究并设计了相应的量子降维算法:量子拉普拉斯特征映射。该算法将目标矩阵与量子态对应的密度矩阵相关联,利用量子随机存储器（QRAM）以及厄米矩阵连乘技术构造目标矩阵,再使用量子相位估计求解目标矩阵的主要特征值及特征向量,实现存储在量子态中的数据从高维到低维的映射。该方法可广泛嵌入量子机器学习算法,作为数据预处理步骤。
张非凡[3]（2021）在《高密度光纤定位观测规划及相关技术研究》文中指出在天文学研究中,大规模的光谱巡天变得愈加重要。已有的一系列大规模光谱巡天计划,深刻地改变了我们对宇宙和星系形成与演化的理解。目前,解决许多重要的天体物理学和宇宙学问题的关键在于大规模的光谱巡天已成为了共识。这些巡天计划的提出和开展离不开现代科技的进步,如望远镜技术、光纤定位技术和多目标光谱仪技术的发展,尤其是光纤定位技术的发展,使得在较短的时间内能同时观测数千个天体目标。由于LAMOST所提出的双回转光纤定位技术具有结构可靠性强、定位时间短、光纤端部可直接对准星象、观测无盲区等优点,被大多数新一代的光谱巡天设备所采用,如PFS、DESI、MOONS（多目标光学和近红外光谱仪）等。发挥这些优点的关键在于系统的高定位精度和高观测效率。为了提高单元的观测效率和定位精度,本文主要开展了如下研究工作:（1）设计了一种新的光纤单元目标分配算法,并用遗传算法和差分进化算法对该算法的结果进行优化,与已有算法对比,获得了更好的结果。光纤定位单元在焦面上呈六边形分布,为了焦面板上无观测盲区,光纤定位单元的观测区域会有一定的重叠,加上观测目标在天空中的不均匀分布,导致每个单元可分配的目标数目不相等。新算法在最初的几轮观测中实现了对更多目标的观测,从而提高了观测效率。（2）提出了一种基于安全区的免碰撞算法,根据仿真,该算法可以同时解决等臂与不等臂单元的路径规划问题。由于相邻光纤定位单元的观测区域有一定程度的重叠,相邻单元在重叠区域存在碰撞的可能。一旦发生碰撞会对单元造成损伤并影响观测效率。本文分析了单元碰撞的类型并研究了对应的碰撞概率,对相邻单元间距的选择具有指导意义。（3）建立并优化了球焦面板上对心孔阵列分布的计算机辅助加工数学模型。焦面板是一个球面,理论上无法获得完全均匀分布的孔群。为了单元的准确定位及保障系统的成像质量,本文研究了焦面板上光纤单元中心孔的孔位分布,综合比较多种方法得出了最小的孔位误差。（4）建立了双回转单元的数学模型,利用差分进化算法对单元的尺寸参数进行了标定,减少了单元的运行误差。为了单元的准确定位,结合单元的具体结构建立的数学模型,减少单元闭环运行所需要的步数,进而缩短了定位时间,为提高观测效率奠定了基础。
王沛涛[4]（2020）在《非负数据处理快速方法及其应用研究》文中研究表明现实中,很多物理量都具有“非负”特性,例如:灰度图像像素值、文章中单词出现的频数、用户体验的得分等。在分析处理这类数据时,为了增强结果的可解释性,往往需要其满足“非负性”约束。非负矩阵分解、非负张量分解和非负二次规划是三种常用的非负数据处理工具。非负矩阵分解是满足被分解矩阵和分解后的因子矩阵中所有元素均为非负数的矩阵分解方法。由于非负约束的存在,非负矩阵分解只允许加性的线性组合,这使得其分解结果是基于部分表示的,符合人们“由局部构成整体”的认知方式,具有较强的可解释性。非负矩阵分解已成为处理高维、大规模非负数据的一种重要方法,被广泛应用于模式识别、机器学习和信号分离等诸多领域中。作为矩阵的高阶推广,张量结构被越来越多的研究领域用于数据表示。非负张量分解是非负矩阵分解在高阶张量上的推广,其继承了非负矩阵分解的上述特征,是分析非负张量数据的一种有效方法。非负二次规划是一类经典的凸优化问题。许多非负数据处理问题都可以表示成非负二次规划问题或者和非负二次规划问题相关,例如:图像去噪、非负矩阵分解、贝叶斯网络密度估计等。目前,非负矩阵分解、非负张量分解和非负二次规划在算法以及应用方面的研究已经取得了很多成果,但仍然存在一些问题有待解决,例如:大部分非负矩阵分解算法都采用交替更新的优化方式,但这种方式对算法初始值较为敏感,容易导致算法收敛速度较慢;对称非负张量分解是一种重要的多维概率聚类方法,但目前相关的算法很少且普遍收敛速度较慢;许多非负二次规划算法在保证实现简便性时难以兼顾算法的收敛速度。因此,关于非负矩阵分解、非负张量分解和非负二次规划快速算法的研究具有重要的意义。围绕该问题,本文进行了以下几个方面的研究工作:（1）提出了两个快速的非负矩阵分解算法。本文首先提出了一个基于Procrustes旋转的非负矩阵分解算法,该算法可以同时更新所有的因子矩阵。实验结果表明当数据的噪声比较小或者非负矩阵分解的秩比较低的时候,该算法不仅收敛速度快而且重构误差小。接着,本文进一步提出了一个混合的非负矩阵分解算法,该算法结合了上述算法与Zhou等人的非负矩阵分解算法,实现两者间的优势互补。实验结果表明混合的非负矩阵分解算法不仅收敛速度快而且能很好地对抗噪声的影响。（2）提出了一个基于外推法的快速对称非负矩阵分解算法。在充分研究He等人的乘性更新算法之后,本文采用外推法改善其收敛速度,并利用重启技巧保证目标函数在迭代过程中单调下降。实验结果显示改善后的算法比原来的算法在速度方面提升了 4倍以上。（3）将上述混合的非负矩阵分解算法推广到非负Tucker分解（非负张量分解中的一类）,得到一个新的非负Tucker分解算法。本文在多个真实数据集上进行实验,实验结果表明相比于使用相同求解框架的其他算法,新的算法运行时间更少。（4）针对三阶的对称非负张量分解问题提出了两个乘性更新算法。本文首先利用辅助函数得到三阶对称非负张量分解问题的一个乘性更新算法,并证明当给定的张量满足一定条件时,该算法收敛到对称非负张量分解问题的一个稳定点。在此基础上,本文提出了一个混合的乘性更新算法,该算法结合了两个不同的乘性更新规则。实验结果显示相比于最近的对称非负张量分解算法,新提出的两个乘性更新算法在收敛速度方面都有所提升,特别是混合的乘性更新算法。（5）提出了一个新的非负二次规划算法,该算法不仅实现简单而且收敛快速。本文首先利用辅助函数和牛顿法得到一个非负二次规划算法,然后使用外推法改善其收敛速度。本文将新提出的算法应用于支持向量机模型训练中。实验结果显示新算法相比于 M3（Multiplicative Margin Maximization）算法和 SMO（Sequential Minimal Optimization）算法收敛速度更快。
汪浩[5]（2020）在《若干最优投资、消费及再保险问题的研究》文中认为作为一种兼有保险和储蓄双重功能的重要投资方式,购买人寿保险越来越受到人们的青睐.长期以来,人寿保险一直被认为是一种保护工具,保障投保人死亡时其家属的经济利益,保险公司支付的保险金为投保人家属提供了一种生活来源.本文将从投保人的角度出发,研究了不同情形下投保人的最优寿险投资和消费问题.此外,作为金融市场体系的重要组成部分,保险公司在为投保人提供保险业务的同时,也需要进行自身的风险管理.一方面保险公司会通过购买再保险,将自身承担的部分风险转移给再保险公司.另一方面,保险公司也会将其财富盈余投资于金融证券市场,以实现其目标收益的优化管理.因此,选择最优的投资和再保险策略对保险公司来说十分重要.本文还将结合均值-方差理论研究保险公司具有时间一致性的投资和再保险问题.主要内容如下:首先,本文研究了单个投保人的最优投资、消费和寿险购买问题.我们假设风险资产的价格过程是由连续时间有限状态下自激励门限模型确定.模型中风险资产价格的状态空间通过一组门限参数来划分,这里的门限参数值依赖于当前风险价格所处的范围.投保人的目标是通过选择适当的投资、消费和保险策略使得期望贴现效用达到最大.我们将运用鞅方法和动态规划原理去推导幂效用目标下最优策略的形式,并对门限参数的影响进行数值分析.其次,本文提出了一种方法来求解社会家庭中一对夫妻的最优化问题.这对夫妻旨在通过选择合理的投资、消费和人寿保险购买策略,使得他们退休前整个家庭的目标效用达到最大.我们分别应用copula模型和common-shock模型去模拟家庭中夫妻寿命的相关性,并且推导出copula模型以及一个特殊common-shock模型时最优策略的显示形式.可以发现,copula模型在分析策略的形式以及区分死亡率相依性影响方面更具有优势.本文考虑的最优化问题是基于马尔可夫机制框架下研究的,并通过求解Hamilton-Jacobi-Bellman方程去推导最优策略的形式.我们将给出数值实例对策略的实用性进行阐述.最后,本文还讨论了均值-方差目标下保险公司的时间一致性投资和再保险问题.保险公司将通过购买再保险和证券市场投资两种方式来管理风险,其中金融证券市场包括一个无风险资产和多个风险资产.保险公司的目标是为了找到最优的投资-再保险策略使得均值-方差目标函数达到最小.通过求解两组倒向随机微分方程,我们得到了时间一致性均衡策略以及相应有效前沿的显示表达式.此外,我们将结果应用到Vasiˇcek随机利率模型和Heston随机波动率模型中,并且得到这两种情形下的封闭形式解.
陈柳清[6]（2020）在《随机时延下无线传感网一致性时钟同步方法研究》文中研究说明时钟同步是支撑无线传感器网络稳定运行的关键技术之一。作为一种分布式同步机制,一致性同步在节点时钟参数补偿过程中引入一致性算法,通过邻居节点间的信息交互实现整个网络时钟的趋同。一致性时钟同步具有良好的鲁棒性、扩展性以及能简单实现全网同步,于是成为近年来时钟同步领域的研究热点。通信时延是时钟同步所面临的重要挑战,然而,目前大多数一致性时钟同步方法缺乏对通信时延及其分布特点的充分考虑和有效利用,影响了时延条件下一致性同步的性能。针对上述问题,本文对随机时延下的一致性时钟同步方法展开研究。论文的主要工作包括:1.分析无线传感器网络一致性时钟同步相关基础技术,包括一致性时钟同步基础模型、同步报文交互过程中的通信时延影响以及一致性时钟同步的基本分类等。2.针对现有一致性时钟同步未充分关注时延的组成和分布特点等问题,提出基于加权中值的一致性时钟同步算法。在固定时延和有界指数随机时延下,基于数据处理优化方法,根据不同的需求提出两种不同的相对频偏估计方法,其中基于间隔值的加权中值估计法能提高估计精度,基于门限值的加权中值估计方法能降低存储开销。然后将相对频偏的估计值应用于节点的逻辑时钟频偏、相偏的一致性补偿中,实现全网时钟同步。最后通过仿真验证所提一致性时钟同步方法的有效性。3.为进一步提高同步精度,提出基于最大似然估计的一致性时钟同步算法。根据随机时延的分布特点,使用最大似然方法直接对相对频偏和其他未知时钟参数进行联合估计,并将其转化为线性最优化问题。设计迭代法求解时钟参数估计值,降低存储开销与计算开销,再使用平均一致性方法同时补偿节点的同步参数。理论证明并仿真验证同步收敛性。仿真结果表明本文所提的一致性时钟同步算法在时延下能有效收敛,并且同步精度优于其他同类算法。本文通过对时延成分与特点的分析利用,有效提升了一致性时钟同步性能。因此,本文的研究结果对于无线传感器网络的一致性时钟同步具有一定参考价值。
蒙超恒[7]（2020）在《基于自抗扰控制的涵道无人机控制分配研究》文中研究说明涵道风扇式无人机是一种冗余配置操纵面的无人飞行器,其控制系统设计需要解决的问题之一是如何将控制律分配到冗余的操纵面中执行,即控制分配问题。在涵道风扇式无人机的控制分配环节,控制律将作为期望力矩,控制分配算法根据期望力矩求解一组操纵面指令,使得所有操纵面产生的驱动力矩尽可能等于期望力矩。对于本文研究的一类涵道风扇式无人机——单涵道无人机和双涵道无人机,其控制分配问题通常使用伪逆法求解,然而伪逆法不能对任意可达的期望力矩都返回容许控制,使冗余的操纵面牺牲了部分控制能力。在多操纵面飞行器的控制系统设计中,控制分配器和控制器密切相关,控制分配器是控制器的下一环节。本文针对一类涵道风扇式无人机设计了自抗扰控制器进行姿态控制,并在此基础上重点讨论了两种涵道无人机的控制分配问题:对单涵道无人机,为了既能对所有可达的期望力矩返回容许控制,又能对不可达的期望力矩做进一步的优化,本文提出一种优先级控制分配方法。该方法先对期望力矩进行矢量分解并划分优先级,再求解约束最优化问题得到容许控制。相比于伪逆法,所提出的方法可对更大范围的期望力矩返回容许控制,而且当期望力矩不可达时,可以防止系统因执行器饱和而产生输出耦合。将所提出的方法应用到基于自抗扰控制的涵道风扇式无人机的控制分配中,仿真及飞行试验验证了该方法的有效性。对双涵道无人机,引入左右涵道风扇的转速差作为新的操纵面,为滚转通道提供额外的滚转力矩。由于涵道底部的气动舵面和风扇使用不同带宽的执行器（数字舵机和无刷直流电机）驱动,且执行器动态不可忽略,为此本文采用动态控制分配求解双涵道无人机的控制分配问题。首先,基于加权最小二乘法,在惩罚函数中对执行器指令的速率进行惩罚。其次,针对传递函数可近似为一阶惯性环节的执行器,利用后补偿方法来补偿执行器指令衰减。仿真结果表明,带执行器动态补偿的动态控制分配方法,可以将不同频率的期望力矩分配到不同带宽的执行器执行,并且可以降低因执行器动态产生的不良影响。
杨翠玲[8]（2020）在《一类精确罚函数算法的研究》文中指出求解非线性约束最优化问题常用的方法是罚函数法和序列二次规划方法（Sequential Quadratic Programming）,它们都是将约束优化问题转化为无约束优化问题求解.其中,罚函数法一直是国内外专家主要研究的方法.如果约束优化问题的一个罚函数是精确罚函数,那么当罚参数充分大时,罚问题的极小点就是原约束优化问题的极小点.目前所研究的精确罚函数大多都是简单的、非光滑的,所以精确罚函数光滑化就成为一个比较重要的研究内容.本文的主要内容如下:第一章,主要介绍了选题目的及研究意义,罚函数法国内外研究现状,精确罚函数法最新研究进展和本文的主要安排.第二章,对于l1精确罚函数的不可微性.本章给出了l1精确罚函数的一种光滑逼近,并满足:（1）目标函数满足强制性条件;（2）原不等式约束最优化问题的最优解集是一个非空有限集;（3）原不等式约束最优化问题在其任何最优解集处都满足KKT二阶充分条件;在这三个条件的假设下证明,如果在可行域的严格内部至少存在一个原问题的最优解;那么当罚参数足够大时,任何光滑后的罚问题的最优解一定是原问题的最优解.基于这个罚函数设计了一个算法,证明了新算法具有收敛性,并且通过数值算例说明算法的有效性.第三章,对第二章中光滑函数进一步改进,得到一个新的罚函数,并在第二章假设条件下,证明了它的精确罚性,最后给出算法并证明新算法的收敛性,通过数值算例说明算法的有效性.第四章,对本文研究的内容做进一步总结,展望未来所要研究的方向。
马洛刚[9]（2020）在《结构化判别分析字典及字典对学习方法研究》文中提出近年来,基于字典学习的图像分类方法成为模式识别领域的一个研究热点。尽管综合字典在图像分类中得到了广泛的应用,但由于其需要采用0l或1l范数最小化技术求解样本的编码系数,因此时间复杂度较高。作为综合字典学习对偶观点的分析字典学习,凭借其高效和直观的意义受到了研究人员的青睐。然而,如何将分析字典原子与类别标签关联起来并学习一个判别分析字典仍是一个具有挑战性的问题。此外,如何充分利用训练样本中的有用信息学习更紧凑和更具判别力的分析综合字典对仍值得进一步深入研究。为了解决这些问题,本文对分析字典及分析综合字典对学习方法进行了深入地研究,主要工作如下:（1）提出一种结构化判别分析字典学习（SDADL）方法来学习一个由多个类关联分析子字典组成的具有较强判别力的分析字典。具体地,SDADL首先在传统分析字典学习框架的基础上引入了一个分类误差项,通过充分利用类别标签信息学习一个最优的线性分类器,以显着提升分类精度;然后,SDADL引入了一个判别稀疏编码误差项,促使来自同一类的样本拥有相似的判别力更强的编码系数;最后,SDADL引入了一个结构化判别项,以确保样本在分析字典变换下的编码系数矩阵具有较强判别力的块对角结构。此外,为了求解SDADL目标函数,设计一套高效的优化算法。（2）提出一种联合投影学习的结构化分析综合字典对学习（PLSDPL）方法。具体地,PLSDPL通过将投影学习和结构化分析综合字典对学习融合到一个框架中,在字典对学习的过程中迭代更新投影矩阵,从而使得投影到低维子空间中的样本数据能够保留更适合结构化分析综合字典对学习的特征。同时,PLSDPL还在每个综合子字典上施加了一个低秩约束以削弱样本数据中噪声的影响,使得学习到的字典对更加干净紧凑。此外,为了求解PLSDPL目标函数,设计一套高效的优化算法。（3）在Extended Yale B、CMU PIE、AR、CLD 22、Caltech 101以及Scene 15等数据集上的进行了大量图像分类实验。实验结果表明,与目前先进的字典学习方法相比,本文提出的两种字典学习方法在用于人脸图像、物体图像、场景图像以及农作物叶部病害图像分类时具有较高的分类精度,说明了本文两种字典学习方法的有效性。
余玺[10]（2020）在《按需服务平台中数据驱动的最优任务分配研究》文中研究说明按需服务平台,例如滴滴出行、货拉拉等,为人们的生活带来了巨大的便利。其工作流程为:首先平台客户将其需求提交到平台,平台再根据自己的需求分配策略将需求分配给相应的服务提供者,其后接收到需求的服务提供者决定是否接受该需求并进行服务。平台客户往往希望其需求被尽快接受,同时按需服务平台也希望平台中需求的应答率尽可能的高。然而,不同的服务提供者对不同需求的偏好程度不同,若服务提供者接收到了其不感兴趣的需求,平台将允许其拒绝该需求,这使得如何将需求分配给服务提供者以同时满足平台客户和按需服务平台的利益变得相当困难。此外,需求和服务提供者的分布还具有时空动态性,导致原本就困难的需求分配问题变得更具挑战性。已有的需求分配模型以数据驱动的思想解决了此类平台中的需求分配问题,其将需求一轮一轮地进行分配,并于每轮分配开始时基于历史数据预测此轮分配中服务提供者对需求的偏好,再根据该偏好进行需求分配。在该模型中,每个服务提供者在一轮分配中可以接收到一个需求,每个需求在一轮分配中被推送给多个服务提供者以增加该需求在此轮分配中被接受的可能性。然而,当平台中的服务提供者数量不足时,此需求分配方案在一轮分配并不能将所有需求推送给服务提供者,挂起的需求将等待多轮才能被推送给服务提供者,造成需求的应答时间（需求被服务提供者接受的时间）过长。为了解决这个问题,本文提出了一种多对多需求分配模型。在该模型中,每个服务提供者在一轮分配中可以接收到多个需求,同时每个需求仍然可以被推送给多个服务提供者,如此每个需求的应答时间将会有更大的可能变短。该模型首先基于历史需求应答数据中需求和服务提供者的特征,学习到服务提供者对需求应答时间的概率分布函数;随后将该学习结果输入到需求分配的最优化问题中,其优化目标为最小化需求的平均期望应答时间;最终通过解该最优化问题生成需求分配方案。在真实数据集上进行的实验表明,本文提出的多对多需求分配模型在需求应答率和需求平均应答时间上均优于已有的需求分配模型。以单轮的视角,多对多需求分配模型所产生的需求分配结果是较好的分配方案;但在多轮的角度下,由于需求和服务提供者分布的时空动态性,其分配结果可能并非最优。为了解决这个问题,本文进一步提出了基于强化学习的多对多需求分配模型。在该模型中,每个需求都被认为是一个智能体,每个智能体的动作为将自己推送给哪些服务提供者。考虑到每个智能体的动作空间较为巨大,且智能体需要彼此合作,该模型在每一轮需求分配中都通过基于状态价值函数的组合优化确定每个智能体的动作。基于真实数据集的实验表明,该基于强化学习的多对多需求分配模型在需求取消率和需求平均应答时间上均优于原多对多需求分配模型。
二、一类2-L形的最优化问题（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、一类2-L形的最优化问题（论文提纲范文）
（1）加速梯度类算法的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与现状 |
| 1.3 论文主要内容 |
| 1.4 论文组织结构 |
| 第二章 动量算法概述 |
| 2.1 重球方法 |
| 2.2 Nesterov加速梯度算法 |
| 2.3 数据实验结果 |
| 2.4 本章总结 |
| 第三章 动力系统概述 |
| 3.1 动力系统 |
| 3.1.1 一阶动力系统 |
| 3.1.2 二阶动力系统 |
| 3.2 惯性动力系统 |
| 3.3 本章总结 |
| 第四章 理解Nesterov加速梯度算法 |
| 4.1 由ODE理解Nesterov加速梯度算法 |
| 4.2 其他方式理解Nesterov加速梯度算法 |
| 4.3 本章总结 |
| 第五章 新的加速梯度算法 |
| 5.1 离散ODE |
| 5.2 新的加速梯度算法 |
| 5.3 本章总结 |
| 第六章 基于惯性动力系统的加速梯度算法 |
| 6.1 辛格式优化算法 |
| 6.2 显式Euler优化算法 |
| 6.3 隐式Euler优化算法 |
| 6.4 实验结果 |
| 6.5 本章总结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 论文下一步工作 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（2）量子机器学习关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外相关研究进展 |
| 1.3 论文的主要工作与贡献 |
| 1.4 论文的组织结构 |
| 第二章 量子信息及计算相关基础 |
| 2.1 量子力学基本假设 |
| 2.2 量子计算基础 |
| 2.2.1 量子比特 |
| 2.2.2 量子门 |
| 2.2.3 量子测量 |
| 2.2.4 量子线路模型 |
| 2.3 本章小结 |
| 第三章 量子经典混合计算框架研究 |
| 3.1 引言 |
| 3.2 量子经典混合式计算框架 |
| 3.2.1 变分量子线路 |
| 3.2.2 优化器 |
| 3.3 基于混合式计算框架三种量子机器学习 |
| 3.3.1 量子分类器 |
| 3.3.2 量子生成对抗网络 |
| 3.3.3 量子组合优化求解器 |
| 3.4 实验 |
| 3.5 本章小结 |
| 第四章 量子生成模型 |
| 4.1 引言 |
| 4.2 可变深度的变分量子线路 |
| 4.3 量子梯度计算 |
| 4.4 量子生成模型 |
| 4.4.1 基于可变深度变分量子线路的训练算法 |
| 4.4.2 基于KL散度的量子生成模型 |
| 4.4.3 基于JS散度的量子生成模型 |
| 4.4.4 基于总变差的量子生成模型 |
| 4.4.5 基于最大平均差异的量子生成模型 |
| 4.5 实验 |
| 4.6 本章小结 |
| 第五章 量子Wasserstein的生成对抗网络 |
| 5.1 引言 |
| 5.2 生成对抗网络 |
| 5.3 Wasserstein距离 |
| 5.4 Wasserstein生成对抗网络 |
| 5.5 量子Wasserstein距离 |
| 5.5.1 从经典数据到量子数据 |
| 5.5.2 正则化量子Wasserstein距离 |
| 5.6 量子Wasserstein生成对抗网络 |
| 5.6.1 量子生成器 |
| 5.6.2 量子判别器 |
| 5.6.3 正则化量子Wasserstein生成对抗网络 |
| 5.6.4 模型的训练 |
| 5.7 实验 |
| 5.8 本章小结 |
| 第六章 量子最大平均差异生成对抗网络 |
| 6.1 引言 |
| 6.2 最大平均差异 |
| 6.3 量子最大平均差异 |
| 6.4 最大平均差异生成对抗网络 |
| 6.5 量子最大平均差异生成对抗网络 |
| 6.5.1 量子生成器 |
| 6.5.2 量子判别器 |
| 6.5.3 模型的训练 |
| 6.6 实验 |
| 6.7 本章小结 |
| 第七章 量子拉普拉斯特征映射 |
| 7.1 引言 |
| 7.2 拉普拉斯特征映射 |
| 7.3 量子拉普拉斯特征映射 |
| 7.3.1 数据表示 |
| 7.3.2 改写目标问题 |
| 7.3.3 构造目标矩阵M |
| 7.3.4 求解特征值与特征向量 |
| 7.4 算法分析 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 本文工作总结 |
| 8.2 后续工作 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（3）高密度光纤定位观测规划及相关技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 光谱巡天望远镜 |
| 1.2.2 多目标光谱仪及光纤定位技术 |
| 1.2.3 大规模巡天项目 |
| 1.3 本文主要工作 |
| 第2章 天体目标分配算法研究 |
| 2.1 引言 |
| 2.2 焦面描述 |
| 2.3 问题描述 |
| 2.4 平均算法 |
| 2.4.1 观测区域分组及观测顺序 |
| 2.4.2 分配准则 |
| 2.4.3 分配调整 |
| 2.4.4 平均算法流程 |
| 2.4.5 仿真验证 |
| 2.5 遗传算法用于目标分配算法的优化 |
| 2.5.1 遗传算法 |
| 2.5.2 遗传算法优化目标分配问题的设计 |
| 2.5.3 遗传算法策略及参数的选择 |
| 2.5.4 差分进化算法用于参数优化 |
| 2.6 焦面旋转 |
| 2.7 基于得分的算法 |
| 2.7.1 思路 |
| 2.7.2 差分进化算法参数优化 |
| 2.7.3 仿真验证 |
| 2.8 本章小结 |
| 第3章 光纤定位单元碰撞问题 |
| 3.1 引言 |
| 3.2 双回转光纤定位单元及其运动学求解 |
| 3.3 碰撞概率 |
| 3.3.1 碰撞检测 |
| 3.3.2 碰撞类型 |
| 3.3.3 碰撞概率模型 |
| 3.3.4 蒙特卡罗方法验证 |
| 3.4 免碰撞算法 |
| 3.4.1 将动态碰撞转换为静态碰撞 |
| 3.4.2 安全区 |
| 3.4.3 切线法解决单元碰撞 |
| 3.5 本章小结 |
| 第4章 单元孔位位置分析及参数标定 |
| 4.1 引言 |
| 4.2 孔位均分精度设计 |
| 4.2.1 单元孔均分精度误差模型构建 |
| 4.2.2 平行投影法 |
| 4.2.3 透视投影法 |
| 4.2.4 球坐标投影法 |
| 4.2.5 三球相交确定孔群位置 |
| 4.2.6 各种投影的组合及改进 |
| 4.3 单元参数标定 |
| 4.3.1 标定方法的选择 |
| 4.3.2 标定步骤 |
| 4.3.3 单元末端位置测量 |
| 4.3.4 标定实验及验证 |
| 4.4 本章小结 |
| 第5章 总结和展望 |
| 5.1 论文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（4）非负数据处理快速方法及其应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号汇表 |
| 第一章 绪论 |
| 1.1 非负矩阵分解 |
| 1.1.1 非负矩阵分解模型 |
| 1.1.2 非负矩阵分解研究现状 |
| 1.1.3 对称非负矩阵分解模型 |
| 1.1.4 对称非负矩阵分解研究现状 |
| 1.2 非负张量分解 |
| 1.2.1 符号和定义 |
| 1.2.2 张量分解的历史溯源 |
| 1.2.3 非负张量分解模型 |
| 1.2.4 非负张量分解研究现状 |
| 1.3 非负二次规划 |
| 1.3.1 非负二次规划问题 |
| 1.3.2 非负二次规划研究现状 |
| 1.4 本文的研究内容与组织结构 |
| 1.4.1 本文的研究内容 |
| 1.4.2 组织结构 |
| 第二章 基于Procrustes旋转的非负矩阵分解算法及其改进算法 |
| 2.1 引言 |
| 2.2 基于Procrustes旋转的非负矩阵分解算法 |
| 2.2.1 算法推导 |
| 2.2.2 算法单调性证明 |
| 2.2.3 算法计算复杂度分析 |
| 2.3 混合的非负矩阵分解算法 |
| 2.3.1 基于低秩近似的非负矩阵分解算法回顾 |
| 2.3.2 混合的非负矩阵分解算法 |
| 2.3.3 算法计算复杂度分析 |
| 2.4 实验与结果分析 |
| 2.4.1 在仿真数据上的实验 |
| 2.4.2 在图像盲分离上的应用 |
| 2.5 本章小结 |
| 第三章 基于外推法的对称非负矩阵分解快速算法 |
| 3.1 引言 |
| 3.2 乘性更新算法回顾 |
| 3.3 基于外推法的快速对称非负矩阵分解算法 |
| 3.3.1 外推法 |
| 3.3.2 基于外推法的快速对称非负矩阵分解算法 |
| 3.4 实验与结果分析 |
| 3.4.1 在仿真数据上的实验 |
| 3.4.2 在聚类分析中的应用 |
| 3.5 本章小结 |
| 第四章 基于HNMF的非负Tucker分解算法 |
| 4.1 引言 |
| 4.2 基于HNMF的非负Tucker分解算法 |
| 4.2.1 非负Tucker分解的算法框架 |
| 4.2.2 基于HNMF的非负Tucker分解算法 |
| 4.3 实验与结果分析 |
| 4.4 本章小结 |
| 第五章 基于乘性更新规则的对称非负张量分解快速算法 |
| 5.1 引言 |
| 5.2 新的乘性更新算法 |
| 5.2.1 算法推导 |
| 5.2.2 算法计算复杂度分析 |
| 5.2.3 算法收敛性证明 |
| 5.3 混合的乘性更新算法 |
| 5.4 对称非负张量分解在多维概率聚类上的应用 |
| 5.5 实验与结果分析 |
| 5.5.1 在仿真数据上的实验 |
| 5.5.2 在多维概率聚类中的应用 |
| 5.6 本章小结 |
| 第六章 非负二次规划快速算法及其在支持向量机上的应用 |
| 6.1 引言 |
| 6.2 支持向量机原理与优化问题 |
| 6.3 FQAO算法推导 |
| 6.3.1 QAO算法推导 |
| 6.3.2 求解拉格朗日乘子 |
| 6.3.3 FQAO算法推导 |
| 6.3.4 计算复杂度与收敛性分析 |
| 6.4 实验与结果分析 |
| 6.5 小结与讨论 |
| 总结与展望 |
| 本文总结 |
| 未来工作展望 |
| 参考文献 |
| 攻读博士学位期间发表或完成的论文和专利 |
| 攻读博士学位期间获得的奖励和参与的项目 |
| 致谢 |
（5）若干最优投资、消费及再保险问题的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 问题简介 |
| 1.1.1 人寿保险问题 |
| 1.1.2 再保险问题 |
| 1.1.3 均值-方差情形下投资-再保险问题中的时间一致性均衡策略 |
| 1.2 主要研究方法 |
| 1.3 本文的主要工作 |
| 第二章 连续时间自激励门限模型中的最优投资、消费和保险策略 |
| 2.1 引言 |
| 2.2 SET模型及最优控制问题 |
| 2.3 鞅方法求解 |
| 2.4 动态规划原理求解 |
| 2.5 数值例子 |
| 2.6 总结 |
| 第三章 寿命具有相关性夫妻的最优投资、消费和人寿保险购买策略 |
| 3.1 引言 |
| 3.2 模型及问题 |
| 3.3 最优解 |
| 3.3.1 第一个成员死亡后的最优化问题 |
| 3.3.2 第一个成员死亡前的最优化问题 |
| 3.4 数值例子 |
| 3.4.1 Copula模型 |
| 3.4.2 Common-shock模型 |
| 3.5 定理的证明 |
| 3.6 总结 |
| 第四章 随机系数情形下均值-方差保险人的时间一致性投资-比例再保险策略 |
| 4.1 引言 |
| 4.2 模型 |
| 4.3 开环均衡策略 |
| 4.4 应用 |
| 4.4.1 随机利率模型 |
| 4.4.2 Heston随机波动率模型 |
| 4.5 定理的证明 |
| 4.6 总结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 主要研究成果 |
（6）随机时延下无线传感网一致性时钟同步方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无线传感网时钟同步协议研究现状 |
| 1.2.2 无线传感网一致性时钟同步协议研究现状 |
| 1.2.3 目前存在的问题 |
| 1.3 论文的主要工作 |
| 1.4 论文组织结构 |
| 第2章 相关技术基础 |
| 2.1 一致性基本理论 |
| 2.2 一致性同步基础模型 |
| 2.2.1 时钟同步模型 |
| 2.2.2 同步过程中的时延分析 |
| 2.3 一致性时钟同步基本分类 |
| 2.4 本章小结 |
| 第3章 基于加权中值的一致性时钟同步算法 |
| 3.1 引言 |
| 3.2 同步过程分析 |
| 3.3 相对频偏估计算法 |
| 3.3.1 基于间隔的加权中值估计 |
| 3.3.2 基于门限的加权中值估计 |
| 3.4 算法分析 |
| 3.4.1 收敛性分析 |
| 3.4.2 时间戳数据存储量分析 |
| 3.5 仿真验证 |
| 3.6 本章小结 |
| 第4章 基于最大似然估计的一致性时钟同步算法 |
| 4.1 引言 |
| 4.2 同步过程分析 |
| 4.3 相对频偏估计算法 |
| 4.3.1 基于最大似然的相对频偏估计 |
| 4.3.2 迭代MLE下的相对频偏估计 |
| 4.4 算法分析 |
| 4.4.1 复杂度分析 |
| 4.4.2 收敛性分析 |
| 4.5 仿真验证 |
| 4.5.1 仿真分析 |
| 4.5.2 对比讨论 |
| 4.6 本章小结 |
| 第5章 结束语 |
| 5.1 主要工作与创新点 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于自抗扰控制的涵道无人机控制分配研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 涵道风扇式无人机发展现状 |
| 1.3 涵道风扇式无人机的控制方法研究现状 |
| 1.4 控制分配概述 |
| 1.5 本文的主要内容及章节安排 |
| 第二章 涵道风扇式无人机建模 |
| 2.1 坐标系定义及运动方程 |
| 2.1.1 坐标系定义 |
| 2.1.2 运动学方程 |
| 2.1.3 动力学方程 |
| 2.2 单涵道动力学分析 |
| 2.2.1 机身动力学 |
| 2.2.2 涵道风扇动力学 |
| 2.2.3 涵道动力学 |
| 2.2.4 操纵面动力学 |
| 2.2.5 固定气动面动力学和陀螺力矩 |
| 2.3 双涵道动力学分析 |
| 2.3.1 涵道风扇动力学 |
| 2.3.2 操纵面动力学 |
| 2.4 涵道无人机仿真模型 |
| 2.5 本章小结 |
| 第三章 涵道风扇式无人机的自抗扰控制 |
| 3.1 从PID控制到自抗扰控制 |
| 3.2 自抗扰控制器原理 |
| 3.2.1 跟踪微分器 |
| 3.2.2 扩张状态观测器 |
| 3.2.3 非线性误差反馈 |
| 3.3 自抗扰控制的收敛性 |
| 3.4 涵道风扇式无人机的自抗扰控制系统设计 |
| 3.4.1 跟踪微分器设计 |
| 3.4.2 扩张状态观测器设计 |
| 3.4.3 误差反馈设计 |
| 3.4.4 姿态控制闭环系统 |
| 3.5 本章小结 |
| 第四章 涵道风扇式无人机的控制分配 |
| 4.1 控制分配基础 |
| 4.1.1 控制分配问题 |
| 4.1.2 控制分配常用算法 |
| 4.1.3 控制分配算法的可达集 |
| 4.2 单涵道控制分配 |
| 4.2.1 操纵面模型 |
| 4.2.2 常规方法的局限性 |
| 4.2.3 优先级分配 |
| 4.3 双涵道控制分配 |
| 4.3.1 操纵面模型 |
| 4.3.2 动态控制分配 |
| 4.3.3 补偿执行器动态 |
| 4.4 本章小结 |
| 第五章 仿真及飞行试验 |
| 5.1 单涵道仿真分析 |
| 5.1.1 模型验证 |
| 5.1.2 ESO仿真 |
| 5.1.3 优先级控制分配仿真 |
| 5.2 双涵道仿真分析 |
| 5.3 飞行试验 |
| 5.3.1 无外扰的姿态跟踪 |
| 5.3.2 常值扰动下的姿态跟踪 |
| 5.3.3 正弦扰动抑制效果 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（8）一类精确罚函数算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 罚函数方法的国内外研究现状 |
| 1.1.1 外罚函数法 |
| 1.1.2 内点罚函数法 |
| 1.1.3 乘子法 |
| 1.2 精确罚函数法 |
| 1.2.1 光滑精确罚函数 |
| 1.2.2 非光滑精确罚函数 |
| 1.3 本文研究内容 |
| 第二章 一种新的精确罚函数算法 |
| 2.1 引言 |
| 2.2 新的光滑精确罚函数 |
| 2.3 新的光滑罚函数的精确性 |
| 2.4 算法的提出与全局收敛性证明 |
| 2.5 数值算例 |
| 第三章 一个新的l_1精确罚函数的光滑化 |
| 3.1 引言 |
| 3.2 l_1精确罚函数的光滑化 |
| 3.3 光滑罚函数的精确性 |
| 3.4 算法的提出与全局收敛性证明 |
| 3.5 数值算例 |
| 第四章 总结与展望 |
| 参考文献 |
| 致谢 |
（9）结构化判别分析字典及字典对学习方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 字典学习研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文组织架构 |
| 第2章 相关工作及数据集介绍 |
| 2.1 综合字典学习(SDL) |
| 2.2 分析字典学习(ADL) |
| 2.3 分析综合字典对学习(DPL) |
| 2.4 数据集介绍 |
| 2.5 本章小结 |
| 第3章 结构化判别分析字典学习方法 |
| 3.1 引言 |
| 3.2 结构化判别分析字典学习(SDADL)方法 |
| 3.3 SDADL目标函数的优化 |
| 3.4 分类方案 |
| 3.5 实验 |
| 3.6 本章小结 |
| 第4章 联合投影学习的结构化分析综合字典对学习方法 |
| 4.1 引言 |
| 4.2 联合投影学习的结构化分析综合字典对学习(PLSDPL)方法 |
| 4.3 PLSDPL目标函数优化 |
| 4.4 分类方案 |
| 4.5 实验 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（10）按需服务平台中数据驱动的最优任务分配研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要工作及创新点 |
| 1.4 本文组织结构 |
| 第二章 相关技术调研 |
| 2.1 需求应答模式预测模型 |
| 2.1.1 服务提供者对需求接受概率的预测 |
| 2.1.2 服务提供者对需求应答时间的预测 |
| 2.2 拒绝感知的需求分配模型 |
| 2.3 基于强化学习的需求分配模型 |
| 2.3.1 强化学习方法概述 |
| 2.3.2 强化学习在需求分配模型中的应用 |
| 2.4 本章小结 |
| 第三章 单轮视角下数据驱动的多对多需求分配模型 |
| 3.1 问题描述 |
| 3.2 多对多需求分配模型概述 |
| 3.3 服务提供者对需求应答时间概率分布的预测 |
| 3.3.1 数据集描述与特征抽取 |
| 3.3.2 应答时间分段 |
| 3.3.3 应答时间多分类模型 |
| 3.4 多对多需求分配的最优化问题 |
| 3.4.1 服务提供者在多对一模型中的应答模式 |
| 3.4.2 需求在多对多模型中的应答模式 |
| 3.4.3 多对多需求分配问题的定义 |
| 3.4.4 求解多对多需求分配问题的启发式算法 |
| 3.5 实验评估 |
| 3.5.1 实验环境设置 |
| 3.5.2 需求分配模型在单轮需求分配中的表现 |
| 3.5.3 需求分配模型在多轮需求分配中的表现 |
| 3.6 本章小结 |
| 第四章 多轮视角下数据驱动的多对多需求分配模型 |
| 4.1 研究动机 |
| 4.2 问题描述 |
| 4.3 基于强化学习的多对多需求分配模型概述 |
| 4.3.1 学习阶段的基本流程 |
| 4.3.2 规划阶段的基本流程 |
| 4.4 学习阶段 |
| 4.4.1 MDP问题定义 |
| 4.4.2 状态价值函数的学习 |
| 4.5 规划阶段 |
| 4.5.1 基于强化学习的多对多需求分配问题定义 |
| 4.5.2 基于状态价值函数的多对多需求分配算法 |
| 4.6 实验评估 |
| 4.7 实验环境设置 |
| 4.8 模型表现评估 |
| 4.9 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、一类2-L形的最优化问题（论文参考文献）
- [1]加速梯度类算法的研究[D]. 李春凯. 北京邮电大学, 2021(01)
- [2]量子机器学习关键技术研究[D]. 黄一鸣. 电子科技大学, 2021(01)
- [3]高密度光纤定位观测规划及相关技术研究[D]. 张非凡. 中国科学技术大学, 2021(06)
- [4]非负数据处理快速方法及其应用研究[D]. 王沛涛. 广东工业大学, 2020(05)
- [5]若干最优投资、消费及再保险问题的研究[D]. 汪浩. 华东师范大学, 2020(02)
- [6]随机时延下无线传感网一致性时钟同步方法研究[D]. 陈柳清. 重庆邮电大学, 2020(02)
- [7]基于自抗扰控制的涵道无人机控制分配研究[D]. 蒙超恒. 华南理工大学, 2020(02)
- [8]一类精确罚函数算法的研究[D]. 杨翠玲. 内蒙古工业大学, 2020(02)
- [9]结构化判别分析字典及字典对学习方法研究[D]. 马洛刚. 河南大学, 2020(02)
- [10]按需服务平台中数据驱动的最优任务分配研究[D]. 余玺. 华南理工大学, 2020(02)