吴亚辉
- 作品数：14 被引量：43H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>>
- 基于改进NSGA-Ⅲ的文本空间树聚类算法被引量：5
- 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
- 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：1
- 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
- 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
- 用于求解旅行商问题的深度智慧型蚁群优化算法被引量：17
- 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
- 基于改进多目标进化算法的微服务用户请求分配策略
- 2021年
- 如何对基于微服务架构的系统进行并发用户请求的分配以使得时间、成本和均衡性等目标得到优化,是面向微服务的应用系统需关注的重要问题之一。现有的基于固定规则的用户请求分配策略仅着重于负载均衡性的解决,难以处理多目标需求间的平衡。为此,文中提出以请求处理总时间、负载均衡率和通信传输总距离为多个目标的微服务用户请求分配模型,研究并发用户请求在部署于不同资源中心的多个微服务实例间的分配策略,并使用基于改进初始解生成策略、交叉算子和变异算子的多目标进化算法对该问题进行求解。在不同规模的数据集上进行多次实验,结果表明,提出的方法与常用的多目标进化算法和传统的基于固定规则的方法相比,能够更好地处理多个目标间的平衡,具有更好的求解性能。
- 朱汉卿马武彬周浩浩吴亚辉黄宏斌
- 关键词：请求分配多目标优化进化算法
- 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
- 共用云计算支撑下的在线教育特征分析
- 2022年
- 2020年由于重大卫生事件的影响,大量教育工作者从线下教育转到了线上。这对支持在线教育的计算机与软件科学技术的发展提出了更高的要求,尤其是针对云计算的基础设施建设发展,大规模的基于共用云计算的在线教育会对云计算的基础设施从传统的烟囱式建设转变到共用云架构建设上来。文章从现代化共用云计算的优势与特点出发,重点分析了共用云计算对在线教育模式的影响以及共用云计算支撑下的在线教育特征。为研究如何更好地利用共用云计算进行在线教育的教育工作者提供参考。
- 马武彬吴亚辉王普周
- 关键词：在线教育
- 基于进化多目标优化的微服务组合部署与调度策略被引量：9
- 2020年
- 面向微服务实例在不同资源中心的组合部署与调度问题,构建微服务组合部署与调度最优化问题模型。以资源服务中心计算及存储资源利用率、负载均衡率和微服务实际使用率等为优化目标,以服务的完备性、资源与存储资源总量和微服务序列总量为约束条件,提出基于进化多目标优化算法(NSGA-Ⅲ,MOEA/D)求解方法,寻求微服务序列在不同资源中心的实例组合部署与调度策略。通过真实数据集实验对比,在全部满足用户服务请求的约束下,该策略比传统微服务组合调度策略的计算、存储资源平均空闲率和微服务实际空闲率要分别低13.21%、5.2%和16.67%。
- 马武彬王锐王锐吴亚辉吴亚辉邓苏
- 关键词：多目标优化
