基于树形结构随机网络设计的鲁棒优化
本文提出了一种基于马尔可夫随机场模型的、考虑了多个边的相关性的新型随机网络设计框架,结合采样平均逼近算法以及Gibbs采样器或XOR采样器,旨在在预算限制下,通过最优保护策略最大化网络的连通性指标。实验结果证明采用XOR采样器的SAA策略在质量和方差方面都优于采用Gibbs采样器的SAA策略。
May, 2017
研究生态经济以及地理领域中具有侵略性物种的扩散现象,提出生物控制策略,并开发一种新的、可扩展的随机算法,优于已有算法并降低有害猎物种群。
Nov, 2017
本文研究通过基于经验指数的成对比较和数据相关探索奖励的重新采样来计算理论上不完整的手臂分布的 Dirichlet Sampling 算法,表明这些策略的不同变体在手臂分布有界时实现了可证明的最优遗憾保证,并且在半边界分布具有轻微的分位条件时,实现了对数遗憾。此外,我们还表明,通过对一类广泛的无界分布具有鲁棒性的简单调整,代价是比对数想定糟糕一些的渐近遗憾。最后,我们通过合成农业数据上的决策问题展示了DS算法的优点。
Nov, 2021
本文提出了一种利用高斯过程来建模网络节点并以期望改进作为收获函数的贝叶斯最优化方法,通过利用网络中的中间输出信息,实现了比标准方法更高的查询效率和渐进一致性,并在多个合成和实际问题中表现出优异性能。
Dec, 2021
本文提出了一种系统性的方式来对naively分配的因子图进行循环聚类,从而消除短路的影响,以提高BP算法在供应网络中的性能表现,实现了对供应网络中状态估计和优化问题的快速、可靠计算。
Mar, 2022
通过使用组合赌博,我们提出了一种名为RankedCUCB的算法来保护濒危物种,该算法可以在考虑到优先顺序的情况下优化固定的巡逻资源,并在实验中表现出多达38%的性能提升。
May, 2022
提出和分析一种新型的Follow-the-Perturbed-Leader类型算法,用于在线方式解决一般的长期受约束的优化问题,其中目标和约束不一定是凸的。通过将随机线性扰动和强凸扰动分别引入原始和对偶方向,搜索全局极小极大点作为解决方案,并基于两个特定的预期静态累积遗憾定义,推导出这类问题的第一个次线性$O(T^{8/9})$遗憾复杂度。该算法应用于解决长期(风险)受约束的河流污染源辨识问题,验证了理论结果的有效性,并表现出比现有方法更优越的性能。
Nov, 2023
气候变化对河流洪水产生了更频繁和更强烈的影响。本文通过运用GNN模型分析河流网络中的测量站点和邻接关系,发现模型无法很好地利用河流网络拓扑信息进行预测,并且在突发性洪水情况的预测上存在困难,这表明神经预测不总是能从图形结构中受益的潜在现象。这一发现可能会启发系统性研究在何种条件下会出现这种情况。
May, 2024
本研究针对高风险行业中的随机最短路径(SSP)问题,提出了一种风险意识的路径规划方法,旨在克服现有增量采样技术的保守性和对不良尾事件的忽视。通过引入条件价值-at-风险(CVaR)进行优化,我们的模拟结果表明,该方法显著提高了路径对环境不确定性的鲁棒性,同时与基线算法相比,在查询时间和内存空间复杂性方面保持相似,处理时间仅略有增加。
Aug, 2024