吴亚辉
- 作品数：17 被引量：60H指数：4
- 供职机构：国防科技大学更多>>
- 发文基金：国家自然科学基金湖南省自然科学基金中国博士后科学基金更多>>
- 相关领域：自动化与计算机技术文化科学理学军事更多>>
- 基于节点社会特征的机会网络最优发送策略被引量：4
- 2016年
- 建立了基于节点社会特征的机会网络信息传输模型,使用庞特里亚金极大值定理求得最优发送策略,该策略服从阈值形式,设停止时间为h,当th时,节点停止发送信息。实验表明,该策略优于最优静态策略。进一步分析发现,节点的平均朋友数目越多,最优发送策略的停止时间越小,同时,其性能也越好。
- 王志飞史培腾邓苏黄宏斌吴亚辉
- 关键词：机会网络社会特征最优控制
- 基于改进NSGA-Ⅲ的文本空间树聚类算法被引量：6
- 2020年
- 构建倒排文本空间索引树(IR)分裂聚类多目标模型,对非支配排序遗传算法(NSGA-Ⅲ)的求解过程进行改进,提出一种基于先验初始种群策略的非支配排序遗传算法(PIPS-NSGA-Ⅲ),使其更适应于倒排文本空间对象分裂聚类问题的求解.通过PIPS-NSGA-Ⅲ算法寻求对象最小包围矩形(MBR)之间的重叠与覆盖面积、对象群间平均距离以及语义相似度等目标的最优前端解.通过对比PIPS-NSGA-Ⅲ,NSGA-Ⅱ,NSGA-Ⅲ和SPEA-Ⅱ进化多目标算法,从对象分类时间、效率、查询时间和准确度等多个方面来评估算法的优劣.实验结果表明:PIPS-NSGA-Ⅲ算法对文本空间对象聚类分裂具有较高的效率;相对于简化传统R树(STR树)与R树空间索引结构,基于改进NSGA-Ⅲ文本空间索引的平均查询时间减少24.8%,平均准确度提高3.75%.
- 马武彬王锐吴亚辉邓苏
- CPS中面向区间任务的多类资源分配方法
- 2024年
- 随着数字孪生、物联网等技术的快速发展,对于信息物理融合系统(Cyber-Physical System,CPS)的相关研究变得愈发重要。本文针对CPS中作业调度的特点,以获取最大作业收益为目标,基于多类资源探讨面向区间作业的CPS资源分配方法。作为一类新的资源分配问题,其相比以往研究的相关问题复杂度更高,本文区分收益与成本关系提出了两类子问题:VCC和VCN,并构建了整数规划模型。针对模型中存在的非线性约束条件,使用预处理算法将相关非线性约束条件进行转换,在此基础上应用贪婪算法、分支定界算法和遗传算法求解该VCC和VCN问题。实验通过设置大量算例验证了三种算法的有效性,并分析了作业到达率、作业规模等参数对三种算法的影响,对区间调度问题的研究提供了可参考的理论和方法。
- 周浩浩马武彬吴亚辉邓苏
- 关键词：资源分配作业调度CPS遗传算法
- 延迟容忍网络能量受限的路由控制策略被引量：1
- 2015年
- 延迟容忍网络节点之间的连接模式可以用Edge-Markovian模型描述,该模型优于传统的负指数模型。该文基于Edge-Markovian模型研究有限能量约束下two-hop算法的最优控制问题。为了降低能量消耗,采用概率two-hop算法,信息源在每个通信机会以一定概率决定是否发送信息,问题转化为选择合适的概率在满足能量约束的前提下最大化传输成功率。利用离散时间Markov过程对问题进行建模,并从理论上证明最优概率是阈值形式。仿真及数值结果证明了模型的有效性。
- 吴亚辉邓苏黄宏斌
- 关键词：延迟容忍网络MARKOV过程最优控制
- 基于改进NSGA-Ⅲ的多目标联邦学习进化算法被引量：3
- 2023年
- 联邦学习技术能在一定程度上解决数据孤岛和隐私泄露的问题,但存在通信成本高、通信不稳定、参与者性能分布不均衡等缺点。为了改进这些缺点并实现模型有效性、公平性和通信成本的均衡,提出了一种面向联邦学习多目标优化的改进NSGA-Ⅲ算法。首先构建联邦学习多目标优化模型,以最大化全局模型准确率、最小化全局模型准确率分布方差和通信成本为目标,提出了基于快速贪婪初始化的改进NSGA-Ⅲ算法,提高了NSGA-Ⅲ对于联邦学习多目标优化的效率。实验结果表明,相比经典多目标进化算法,提出的优化方法能得到较优Pareto解;与标准的联邦模型相比,优化的模型能在保证全局模型准确率的情况下,有效降低通信成本和全局模型准确率分布方差。
- 钟佳淋吴亚辉邓苏周浩浩马武彬
- 关键词：多目标进化参数优化
- 面向车辆边缘计算任务卸载的延迟与能耗联合优化方法
- 2024年
- 车联网(IoV)与联网自动驾驶汽车(CAV)的结合推动了自动驾驶技术的飞速发展,但也带来了对计算资源的巨大需求,给资源受限的车辆带来了挑战。车辆边缘计算(VEC)的出现,提供了一种全新的解决方案,通过将任务卸载到路侧单元中的边缘服务器上,能够以更高效的方式为车联网提供服务。然而,多个车辆同时发出卸载请求时会产生资源抢占,增大任务处理延时,如何高效调度资源以最大化服务质量是一个亟待解决的问题。为此,文中旨在从多目标优化的角度,详细分析VEC计算卸载的延迟和能耗,使延迟和成本最小化,并提出了名为NSGA2TO的基于改进非支配排序遗传算法的任务卸载算法。该算法能够寻找出多目标优化问题的Pareto最优解,大量仿真结果验证了NSGA2TO的优越性能。此外,还探究了Pareto最优解所涉及的延迟与能耗之间的关系,有助于更好地理解车辆任务卸载问题的复杂性。通过合理平衡延迟和能耗,将能够进一步提升车联网系统的性能和效率,为用户提供更安全、更便捷的出行体验。
- 李文旺周浩浩邓苏马武彬吴亚辉
- 关键词：多目标优化
- 用于求解旅行商问题的深度智慧型蚁群优化算法被引量：25
- 2021年
- 启发式算法是求解组合优化问题求解的重要手段,其主要特征是能够以可接受的计算代价找到足够好的可行解.然而,设计良好的用于求解组合优化问题的启发式算法需要大量的专业领域知识以及大量的试错工作,且人工设计的启发式算法不能够保证在不同问题集上均具有一致性表现.另一方面,深度学习方法能够通过学习自动设计启发式规则,然而深度学习方法通常缺少在解空间内搜索的能力.为克服以上问题,提出了一种基于蚁群优化和深度强化学习的混合启发式算法框架.在该框架中,蚁群算法能够利用深度强化学习提取的启发式信息,而深度强化学习方法的解空间搜索性能也由于蚁群算法的加入而获得提高.采用经典的TSPLIB中的算例对该算法求解旅行商问题的效能进行了计算验证,结果表明采用深度学习方法能够极大地提升蚁群算法的计算表现,并降低其计算代价.
- 王原陈名邢立宁吴亚辉马武彬赵宏
- 关键词：蚁群优化算法旅行商问题
- 基于李雅普诺夫优化的移动群智感知在线任务分配策略被引量：1
- 2023年
- 移动群智感知技术基于众包思想,募集移动感知设备对周围环境进行感知,能够使得环境感知和信息收集更加灵活、方便、高效。任务分配方案的合理性直接影响到感知任务能否成功,因此制定合理的任务分配方案是移动群智感知相关研究中的热点和重点。目前,移动群智感知系统中的任务分配方法多是离线的,针对的是单一类型的任务,但是在实际中,在线的、多类型的任务分配更贴近实际。因此,文中针对多类型任务,将移动群智感知技术应用于军事末端感知中,结合移动群智感知技术在军事领域的应用特点,对移动群智感知中的任务分配方法进行了研究,提出了面向系统效益的在线任务分配策略。文中建立了长期的、动态的在线任务分配系统模型,并以系统效益为优化目标,基于李雅普诺夫优化理论对问题进行了求解,实现了任务准入策略和任务分配方案的长期在线动态控制。实验结果表明,所提出的在线任务分配算法是有效可行的,能够在线、合理地分配到达移动群智感知系统的任务,保证任务队列的稳定性,且可以通过调整参数值增加系统效益。
- 常沙吴亚辉邓苏马武彬周浩浩
- 基于分层抽样优化的面向异构客户端的联邦学习
- 2022年
- 联邦学习是一种新的面向隐私保护的分布式学习范式,相比传统分布式机器学习方法,其特点为各客户端通信、设备算力和存储能力存在较大差异(设备异构),各客户端数据分布和数量存在较大差异(数据异构)以及高通信消耗等。在客户端异构条件(包括设备异构和数据异构)下,客户端的数据分布区别较大,导致模型收敛速度显著降低,特别是在极端的数据异构情况下,传统的联邦学习算法无法收敛,并且训练曲线随着本地迭代轮次的增加出现大幅的波动。针对联邦学习中,客户端异构给模型训练带来的影响,提出了利用分层抽样优化的联邦学习算法——FedSSO。FedSSO使用了基于密度的聚类方法将总体客户端划入不同的聚类中,使得每个聚类中的客户端具有较高的相似度,再按样本权重从不同聚类中抽取可用客户端参与训练,因此所有种类的数据都会按样本权重参与每轮训练,使模型加速收敛到全局最优解;同时,设定了学习率递减和本地迭代轮次选择机制,以保证模型的收敛性。从理论和实验中证明了FedSSO的收敛性,并且在公开数据集MNIST,Cifar-10和Sentiment140上与其他联邦学习算法进行了对比,实验结果证明FedSSO的训练效果更优。
- 鲁晨阳邓苏马武彬吴亚辉周浩浩
- 关键词：隐私保护聚类分层抽样收敛性分析
- 基于粒子群优化的面向数据异构的联邦学习方法
- 2024年
- 联邦学习是一种新兴的面向隐私保护的分布式机器学习框架,其核心特点是能够在不获取客户端原始数据的条件下实现分布式机器学习。客户端利用本地数据进行模型训练,然后将模型参数上传至服务端进行聚合,从而确保客户端数据始终得到保护。在此过程中,存在频繁的参数传输导致的通信成本高昂问题和各客户端所拥有的非独立同分布异构数据问题,两者严重制约了联邦学习的应用。针对上述问题,提出了一种基于粒子群优化的面向数据异构的联邦学习方法——FedPSG,将客户端传输到服务器的数据形式由模型参数转变为模型分值,在每轮训练中只需要少部分客户端向服务器上传模型参数,从而降低通信成本;同时,提出了一种模型再训练策略,使用服务器数据对全局模型进行二次迭代训练,通过缓解数据异构问题对联邦学习的影响来进一步提升模型性能。模拟不同的数据异构环境,在MNIST,FashionMNIST与CIFAR-10数据集上进行实验,结果表明FedPSG能够有效提高模型在不同数据异构环境下的准确率,并且验证了模型再训练策略能有效解决客户端数据异构问题。
- 徐奕成戴超凡马武彬吴亚辉周浩浩鲁晨阳
- 关键词：粒子群算法数据异构隐私保护
