CN110633524A - 非独立概率条件下复杂多态卫星系统的可靠性分析方法 - Google Patents
非独立概率条件下复杂多态卫星系统的可靠性分析方法 Download PDFInfo
- Publication number
- CN110633524A CN110633524A CN201910861776.5A CN201910861776A CN110633524A CN 110633524 A CN110633524 A CN 110633524A CN 201910861776 A CN201910861776 A CN 201910861776A CN 110633524 A CN110633524 A CN 110633524A
- Authority
- CN
- China
- Prior art keywords
- polymorphic
- node
- nodes
- query
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种非独立概率条件下复杂多态卫星系统的可靠性分析方法。该方法包括如下步骤:1)基于复杂多态卫星系统的结构逻辑关系,构建相应的多态贝叶斯网络模型;2)构建贝叶斯网络模型中所有多态节点相对应的节点概率表,并通过多态压缩算法对节点概率表进行压缩处理;3)通过关联节点等价处理算法,将贝叶斯网络模型转换为具有一个叶节点和多个相互独立的父节点的结构形式;4)通过多态压缩算法、中间变量构建规则、多态查询节点联合概率推理算法和非独立多态推理算法获得贝叶斯网络模型中的多态节点在查询节点集合和证据集合下的条件概率分布。本发明的可靠性分析方法能够对存在关联组件的复杂多态卫星系统进行可靠性建模与分析。
Description
技术领域
本发明涉及多态卫星系统技术领域,尤其涉及一种非独立概率条件下复杂多态卫星系统的可靠性分析方法。
背景技术
在卫星系统设计中,卫星系统的可靠性分析是一个至关重要的步骤。目前,针对卫星系统的可靠性分析技术主要有贝叶斯网络(Bayesian Network,BN)、可靠性框图(Reliability Block Diagrams,RBD)、故障树分析(Fault Tree Analysis,FTA)、蒙特卡洛仿真(Monte Carlo Simulation,MCS)和通用生成函数(Universal Generating Function,UGF)等,而现有的卫星系统设计中,通常利用贝叶斯网络技术进行可靠性分析。
随着卫星功能及任务的增多,卫星系统的组件逐渐增多,基于贝叶斯网络对复杂多态卫星系统进行可靠性分析建模时,由于组成卫星系统的组件增多,组件的状态组合数呈指数增加。因此,在对复杂多态卫星系统进行贝叶斯网络建模时,构建节点的节点概率表(Node Probability Table,NPT)所需的存储空间就会超出计算平台的最大存储空间,导致无法对复杂多态卫星系统的BN模型进行建模和分析。
针对上述问题,Tien和Kiureghian等人提出了一种基于二态压缩算法对复杂二态系统进行可靠性建模与分析,该方法将压缩BN中节点的NPT压缩成“run”和“phrase”,以次减少NPT的存储空间,解决复杂二态系统可靠性建模的问题,而后基于压缩后的NPT,提出了对BN模型进行不确定性推理的推理算法,以实现复杂二态系统的可靠性分析问题。而对于多态系统,Tong和Tien等人通过将节点的NPT压缩成很多个“bundle”,进而减少NPT的存储空间,最后实现对复杂多态系统的可靠性建模与分析的问题。
然而,随着卫星系统变得复杂化,卫星系统、分系统或组件可能存在多种状态,状态数可能不同,并且卫星系统中还可能存在着相互关联的组件,比如存在共因失效的组件。因此,在进行卫星系统的可靠性建模与分析时,传统的二态假设将不再适用;而Tien和Kiureghian提出的方法仅适用于二态复杂系统,对于复杂多态卫星系统,该方法也不适用;此外,Tong和Tien提出的方法仅适用于组件、分系统与系统的状态数相同的情况,而在实际卫星工程系统中,组件、分系统和系统的状态数并不一定相同,该方法也不适用。
发明内容
为解决上述现有技术中存在的技术问题,本发明提供一种非独立概率条件下复杂多态卫星系统的可靠性分析方法。
为此,本发明公开了一种非独立概率条件下复杂多态卫星系统的可靠性分析方法,所述可靠性分析方法包括如下步骤:
1)基于复杂多态卫星系统的结构逻辑关系,构建相应的多态贝叶斯网络模型,所述多态贝叶斯网络模型中只有一个叶节点,所述叶节点的父节点的父节点均为根节点,所述叶节点的父节点间不存在有向弧,所述多态贝叶斯网络模型中的所有根节点间不存在有向弧;
2)基于所述多态贝叶斯网络模型,构建所述多态贝叶斯网络模型中所有多态节点相对应的节点概率表,并通过多态压缩算法对所述节点概率表进行压缩处理;
3)基于所述多态贝叶斯网络模型和所述节点概率表,将所述多态贝叶斯网络模型中符合要求的多态节点及其父节点划分为一个块,通过关联节点等价处理算法,将每个块等价为所述叶节点的一个多态父节点,以使所述多态贝叶斯网络模型转换为具有一个所述叶节点和多个相互独立的父节点的结构形式;
4)基于等价后的所述多态贝叶斯网络模型,通过所述多态压缩算法、中间变量构建规则、多态查询节点联合概率推理算法和非独立多态推理算法获得所述多态贝叶斯网络模型中的多态节点在查询节点集合和证据集合下的条件概率分布。
本发明的非独立概率条件下复杂多态卫星系统的可靠性分析方法能够对存在关联组件的复杂多态卫星系统进行可靠性建模与分析,能够应用于卫星系统、分系统或组件可能存在多种状态,且状态数可能不同的复杂多态卫星系统,可有效地减小构建节点的节点概率表所需的存储空间,实现复杂多态卫星系统的可靠性建模与分析。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一个实施例的非独立概率条件下复杂多态卫星系统的可靠性分析方法的流程图;
图2为本发明一个实施例的多态BN模型;
图3为本发明一个实施例的一个多态子节点的多态BN模型;
图4为本发明一个实施例的多态压缩算法的流程图;
图5为图2等价后的多态BN模型。
具体实施方式
以下结合附图,详细说明本发明实施例提供的技术方案。
如附图1所示,本发明实施例提供了一种非独立概率条件下复杂多态卫星系统的可靠性分析方法,该可靠性分析方法包括如下步骤:
1)基于复杂多态卫星系统的结构逻辑关系,构建相应的多态贝叶斯网络模型,多态贝叶斯网络模型中只有一个叶节点,叶节点的父节点的父节点均为根节点,叶节点的父节点间不存在有向弧,多态贝叶斯网络模型中的所有根节点间不存在有向弧;
2)基于多态贝叶斯网络模型,构建多态贝叶斯网络模型中所有多态节点相对应的节点概率表,并通过多态压缩算法对节点概率表进行压缩处理;
3)基于多态贝叶斯网络模型和节点概率表,将多态贝叶斯网络模型中符合要求的多态节点及其父节点划分为一个块,通过关联节点等价处理算法,将每个块等价为叶节点的一个多态父节点,以使多态贝叶斯网络模型转换为具有一个叶节点和多个相互独立的父节点的结构形式;
4)基于等价后的多态贝叶斯网络模型,通过多态压缩算法、中间变量构建规则、多态查询节点联合概率推理算法和非独立多态推理算法获得多态贝叶斯网络模型中的多态节点在查询节点集合和证据集合下的条件概率分布。
首先,本发明实施例提供的非独立概率条件下复杂多态卫星系统的可靠性分析方法根据复杂多态卫星系统的结构逻辑关系,构建相应的多态贝叶斯网络模型,构建的多态贝叶斯网络模型可以如附图2所示。
以下基于附图2所示的多态贝叶斯网络模型对本发明实施例提供的非独立概率条件下复杂多态卫星系统的可靠性分析方法进行具体说明。
由于在现有的卫星工程系统中,卫星系统通常为复杂多态系统,其组件、分系统和系统存在多种状态,且状态数可能均不相同。故在附图2所示的多态BN模型中,各个节点的状态可能为多种且不同节点的状态数也可能不相同。因此,为了避免构建节点的节点概率表所需的存储空间超出计算平台的最大存储空间,导致无法对如附图2所示的复杂多态卫星系统的多态BN模型进行建模和分析,本发明实施例提供了一种多态压缩算法,通过利用多态压缩算法对节点的节点概率表进行压缩处理,以减小构建节点的节点概率表所需的存储空间,解决复杂多态卫星系统的可靠性建模问题。
为了便于对多态压缩算法的原理进行说明,以下基于附图3所示的一个多态子节点的多态BN模型,对本发明实施例提供的多态压缩算法的过程进行具体说明。
如附图3所示,假设多态BN模型中,任意一个多态节点Ch具有n个多态父节点,n个多态父节点分别记为Ci(i=1,2,…,n),设定多态节点Ch具有M个状态,用j3表示多态节点Ch的第j3个状态,j3=1,2,…,M,设定第i个多态父节点Ci有Ni个状态,用表示第i个多态父节点Ci的第个状态,
式1中,RCh表示节点概率表的行数,n表示多态节点Ch的多态父节点数目,Ni表示n个多态父节点中的第i个多态父节点Ci的状态数,i=1,2,…,n。
式2中,TCh表示节点概率表的大小,M表示多态节点Ch的状态数,n表示多态节点Ch的多态父节点数目,Ni表示n个多态父节点中的第i个多态父节点Ci的状态数,i=1,2,…,n。
本发明实施例中,步骤2具体包括:根据多态节点与其对应的多态父节点的关系函数确定多态节点在其对应的多态父节点的不同状态组合下的条件概率值,以构建多态节点对应的节点概率表;分别利用多态压缩算法对每个多态节点相对应的节点概率表的每一列进行逐行压缩处理。
根据式3可知,多态节点Ch的条件概率基于多态节点Ch对应的多态父节点的状态组合进行确定;由此,基于上述假设,本发明实施例中,在构建多态节点Ch的节点概率表时,先根据构建的多态贝叶斯网络模型,以及多态贝叶斯网络模型中的所有多态节点的状态特征,确定多态节点Ch的n个多态父节点的状态组合表,基于确定的状态组合表,根据多态节点Ch与其对应的多态父节点的关系函数确定多态节点Ch在其对应的多态父节点的不同状态组合下的条件概率值,以构建多态节点Ch对应的节点概率表。
基于上述假设,可知多态节点Ch的n个多态父节点的状态组合表为RCh×n维矩阵;如表1所示,表1分别示出了多态节点Ch的n个多态父节点的状态组合表和多态节点Ch的节点概率表,其中,第1至第n列表示多态节点Ch的n个多态父节点的状态组合表,第n+1列至第n+M列表示多态节点Ch的节点概率表。
表1(状态组合表及节点概率表的关系表)
当i=1,2,…,(n-1)时,
在上述公式中,rem(x/y)函数表示求x/y的余数的函数,函数ceil(x/y)表示求大于或等于x/y的最小正整数的函数,Ni表示n个多态父节点中的第i个多态父节点Ci的状态数,i=1,2,…,n,状态同样表示多态节点Ch的节点概率表所对应的状态组合表的第k行、第i列的值,k=1,2,…,RCh。
进一步地,为了便于对多态压缩算法的原理及过程进行具体说明,先做如下定义。
run:一个连续的数字序列是一个“run”(比如“000…0”);
phrase:第一个数字与第二个数字不同,第二个数字后的每一个数字都与第二个数字都相同的数字序列是一个“phrase”(比如“01”、“10”、“011…1”或“100…0”);
表示压缩后的多态节点Ch的NPT的Pr(Ch=j3|C1,C2,…,Cn)列,包含run和phrase且的第j行是或其中,j=1,2,…,m,m是的行数,run或phrase定义了的第j行的类型,qj是第j行的run在run伴随词典中的序号,pj是第j行的phrase在phrase伴随词典中的序号,是第j行的run在Pr(Ch=j3|C1,C2,…,Cn)列中重复出现的次数,是第j行的phrase在Pr(Ch=j3|C1,C2,…,Cn)列中重复出现的次数。
表示的集合,其中,表示同一类型的run中所有run在Pr(Ch=j3|C1,C2,…,Cn)列中的起始行号的集合或者同一类型的phrase中所有phrase在Pr(Ch=j3|C1,C2,…,Cn)列中的起始行号的集合;
Ψ(C1,C2,…,Cn):表示多态节点Ch与其对应的n个多态父节点的关系函数。
假设对多态节点Ch的节点概率表中的第Pr(Ch=j3|C1,C2,…,Cn)列进行压缩处理,如附图4所示,该多态压缩算法包括:21)定义当前行数为k,并令k=1;
22)确定多态节点Ch的多态父节点对应多态节点Ch的第Pr(Ch=j3|C1,C2,…,Cn)列中第k行的状态组合sk,确定多态节点Ch在状态组合sk下的第k行的条件概率值;
23)判断第k行与第k+1行的条件概率值是否相同,若是,执行步骤27;若否,将行号k存入集合中,并执行步骤24;其中,若第k-1行不存在,则表示第k行与第k-1行的条件概率值不相同,若集合不存在,则创建一个初始元素为空的集合
24)判断第k行与第k+1行的条件概率值是否相同,若是,以第k行为初始位置创建一个新序列run,并执行步骤25;若否,以第k行为初始位置创建一个新序列phrase,并执行步骤26;
25)判断伴随词典中是否存在与新序列run相同类型的序列run,若是,令以更新伴随词典中和当前新序列run属于相同类型的序列run的出现次数,查询已经存在的与新序列run相同类型的序列run在集合中对应的数组令以将行号k增加到数组中,继续执行步骤27;若否,将新序列run以的形式存入的第j行,并以的形式增加到伴随词典的第qj行,创建一个集合且使将集合存入集合继续执行步骤27;其中,若和不存在,则相应地创建初始元素为空的 和
26)判断伴随词典中是否存在与新序列phrase相同类型的序列phrase,若是,令以更新伴随词典中和当前新序列phrase属于相同类型的序列phrase的出现次数,查询已经存在的与新序列phrase相同类型的序列phrase在集合中对应的数组令以将行号k增加到数组中,继续执行步骤27;若否,将新序列phrase以的形式存入的第j行,并以的形式增加到伴随词典的第pj行,创建一个集合且使将集合存入集合继续执行步骤27;其中,若和不存在,则相应地创建初始元素为空的和
27)判断k小于多态节点Ch的节点概率表的行数是否满足,若是,令k=k+1,返回步骤22;若否,结束压缩过程。
254)若X=0,令α=Nn-1,否则令α=X-1,并利用式9和式10分别计算向量Rexist和向量Rnow;若向量Rexist和向量Rnow相等,则新序列run与组成成分相同的序列run是相同类型,伴随词典中存在与新序列run相同类型的序列run;若向量Rexist和向量Rnow不相等,则伴随词典中不存在与新序列run相同类型的序列run;
其中,Snow表示当前新序列run在Pr(Ch=j3|C1,C2,…,Cn)列中的开始行号,Sexist表示伴随词典中和当前新序列run组成成分相同的序列run在Pr(Ch=j3|C1,C2,…,Cn)列中的开始行号,rem(x,y)表示计算x/y的余数的函数,表示Pr(Ch=j3|C1,C2,…,Cn)列中第Sexist-i行的数字。
同理,在上述步骤26中,判断伴随词典中是否存在与新序列phrase相同类型的序列phrase,包括如下步骤:
264)若X=0,令α=Nn-1,否则令α=X-1,并利用式9和式10分别计算向量Rexist和向量Rnow;若向量Rexist和向量Rnow相等,则新序列phrase与组成成分相同的序列phrase是相同类型,伴随词典中存在与新序列phrase相同类型的序列phrase;若向量Rexist和向量Rnow不相等,则伴随词典中不存在与新序列phrase相同类型的序列phrase;
其中,Snow表示当前新序列phrase在Pr(Ch=j3|C1,C2,…,Cn)列中的开始行号,Sexist表示伴随词典中和当前新序列phrase组成成分相同的序列run在Pr(Ch=j3|C1,C2,…,Cn)列中的开始行号,rem(x,y)表示计算x/y的余数的函数,表示Pr(Ch=j3|C1,C2,…,Cn)列中第Sexist-i行的数字。
如此,根据上述的多态压缩算法,分别对多态节点Ch的节点概率表的每一列进行逐行压缩处理,以完成任意一个多态节点Ch的整个节点概率表的压缩处理,从而完成整个多态贝叶斯网络模型中所有多态节点的节点概率表的压缩处理。
进一步地,在完成复杂多态卫星系统的多态贝叶斯网络模型的建模和压缩后,需要对复杂多态卫星系统的多态贝叶斯网络模型进行可靠性分析推理,由于根据复杂多态卫星系统的结构逻辑关系所构建的多态贝叶斯网络模型中可能存在着关联节点,为了便于对多态贝叶斯网络模型进行可靠性分析推理,本发明实施例提供了一种关联节点等价处理算法,该关联节点等价处理算法能够将多态贝叶斯网络模型转换为具有一个叶节点和多个相互独立的父节点的结构形式,以便于对存在关联节点的多态贝叶斯网络模型进行可靠性分析推理。
以下基于附图2所示的多态贝叶斯网络模型对本发明实施例提供的关联节点等价处理算法进行具体说明。
本发明实施例中,上述步骤3中的将多态贝叶斯网络模型中符合要求的多态节点及其父节点划分为一个块,包括:若在多态贝叶斯网络模型中,存在β(β≥2)个节点同时满足条件1和条件2,则将β个节点与其父节点划分为一个块;条件1:β个节点中的任意一个节点至少有一个父节点;条件2:对于任意一个节点β个节点中至少存在一个节点与节点有至少一个相同的父节点。
根据上述的块的要求和定义可知,块具有如下两个性质;性质1:在基于步骤1所构建的多态贝叶斯网络模型中,任意两个块之间没有共同的节点,即任意两个块之间是相互独立的;性质2:在基于步骤1所构建的多态贝叶斯网络模型中,如果叶节点的父节点为根节点,则该父节点与任意一个块都相互独立。
进一步地,如附图2所示,假设多态BN模型中有一个叶节点S、nH个相互独立的父节点和α个块;其中,每个块有个父节点和个子节点,表示第jH块中的第个父节点且有个状态,表示第jH个块中的第个子节点,jH=1,2,…,α, 表示第iH个独立的父节点,其中iH=1,2,…,nH。
则基于上述假设,第jH个块中所有节点的联合概率分布可利用式11计算;
第jH个块中所有子节点的联合概率分布可利用式12计算;
进一步地,假设对多态贝叶斯网络中第jH个块进行等价处理,关联节点等价处理算法包括:确定第jH个块中所有子节点的节点顺序及其状态组合数;确定第jH个块中所有子节点的状态组合及不同状态组合对应的联合概率分布;将第jH个块等价为一个节点将第jH个块中所有子节点的每一种状态组合等价为节点的一种状态。
基于式13所示的节点顺序,式13中的节点的状态组合数可通过式14计算;
假设式13中的节点的状态数均为3(此处仅为假设,实际上每个多态节点的状态数可能并不相同),则第jH个块中所有子节点的联合概率分布如表2所示。
表2(第jH个块中所有子节点的联合概率分布)
本发明实施例中,若将α个块都分别等价为一个多态父节点根据块的第一个性质可知,任意一个等价多态父节点都与其他任意一个等价多态父节点相互独立;根据块的第二个性质可知,任意一个等价多态父节点都与任意一个根节点相互独立;则附图2所示的多态BN模型可等价为如附图5所示的多态BN模型,附图5所示的多态BN模型中虚线框内的节点为等价多态父节点,其中,
进一步地,在完成多态BN模型中的关联节点的等价处理后,为了实现复杂多态卫星系统的可靠性分析和推理,还需要基于等价后的多态BN模型和基于压缩后的NPT,进行中间变量的构建。
具体地,为了便于中间变量的构建,本发明实施例提供了一种中间变量构建规则,基于如附图2所示的多态BN模型,中间变量构建规则包括独立中间变量构建规则和非独立中间变量构建规则,其中,独立中间变量构建规则中的独立中间变量和非独立中间变量构建规则中的非独立中间变量均采用变量消元法进行推理计算。
具体地,以如附图3所示的父节点相互独立的多态BN模型中的多态节点Ch为例,对本发明实施例提供的独立中间变量构建规则的推理计算过程进行具体说明;
假设查询节点集合为Q,且Q={C1,C2},且中间变量为λi+1=Pr(Ch|C1,C2,…,Ci),则独立中间变量的推理计算过程如式18所示;
其中,C1,C2,…,Cn表示多态节点Ch的多态父节点,Pr(C4),…,Pr(Cn)分别表示多态节点Ch的多态父节点的边缘概率分布,λi(i=3,4,…,n)表示中间变量。
由于该推理计算过程是基于压缩后的NPT进行的,则相应地,中间变量λi以压缩的形式存储。由此,针对父节点相互独立的多态BN模型,在消除父节点Ci后,本发明实施例提出了如表3、表4、表5和表6所示的独立中间变量构建规则。
其中,在表3、表4、表5以及表6中,变量H、Fr、Fp、Vr、Vp、Tr和Tp分别利用如下式19-式25计算;
其中,表示消除父节点Ci后得到的第j行的值,表示的run伴随词典中对应于的行,表示的phrase伴随词典中对应于的行,length(G)为计算数组G的长度的函数,ismember(X,Y)为查找矩阵X中每一个元素在矩阵Y中的位置的函数,的第j行为或 的第行为 的第行为 表示第j行的run或phrase在中开始的行号,“-3”表示对应变量的值在当前条件下不存在,表示所有的run或phrase在中开始的行号的集合,表示的RPj中第j个子集合,表示所有元素在中位置的集合,LRP是中元素的个数且iRP=1,2,…,LRP,表示中的第iRP个元素,表示中的第iRP个元素,表示计算完的第j行后的剩余物,Rall是所有的集合,表示Rall中的第个元素,I是在的位置,表示Rall中的第I-1个元素。
特别地,在表3和表5中,如果中第j行是一个run且H=0、Fr>Ni、Vr≥Ni时,的第j行和j+1行被同时构建;因为的一行对应于的两行,j在的行号应该加1。此外,对于这种特殊情况,RPi+1和的更新依照下述过程进行:
当中第j行的run在中被分裂成两种类型的run,它们在的run伴随词典中的编号分别为和且每一种类型的run重复出现的次数均为第一种类型的run中个重复在中开始的行号是集合中对应的所有的行号,所以中的这个第一种类型的run行号保持不变,假设第二种类型的run中个重复在中开始的行号是集合中对应的所有的行号均加1,即假设代表个第一种类型的run在中开始的行号的集合,代表个第二种类型的run在中开始的行号的集合,则可得和因此在计算完的第j行后,实际上由和两部分组成;在消除父节点Ci后,假设用表示更新的RPi+1,用表示更新的若中第j行是一个run且H=0、Fr>Ni、Vr≥Ni,则在计算完的第j行后,更新的RPi+1和更新的如式30和式31所示;
进一步地,参照独立中间变量构建规则,以下通过具体实施例对非独立中间变量构建规则中的非独立中间变量的推理计算过程进行具体说明;
假设有ρ个多态节点{Dl|l=1,2,…,ρ},节点Dl有Wl个状态,ρ个多态节点的状态组合及所有多态节点的边缘概率分布为{Pr(Dl)|l=1,2,…,ρ},ρ个多态节点的关系函数为Ψ(Dl,Pr(Dl)|l=1,2,…,ρ);
基于上述假设,可利用式32求得ρ个多态节点在其当前状态组合下的联合概率值Pr(D1,D2,…,Dρ);
Pr(D1,D2,…,Dρ)=Ψ(Dl,Pr(Dl)|l=1,2,…,ρ)(32)
因此,基于上述假设分析,ρ个多态节点中的其中η个查询节点的联合概率分布为:
在上述消除节点的过程中,还包括基于关系函数Ψ(Dl,Pr(Dl)|l=1,2,…,ρ),用多态压缩算法压缩λη+1,得到压缩后的λη+1为cλη+1及其run伴随词典和phrase伴随词典在消除节点后,令i=j5、Ni=Wi;本发明实施例提出了如表7、表8、表9和表10所示的非独立中间变量构建规则,以构建cλi第j行的以及与其对应的run伴随词典的或phrase伴随词典与的行相似,cλi的第j行为或 的第行为且 的第行为且其中,在执行压缩的过程中,首先通过式6和式8计算多态查询节点{Dl|l=1,2,…,ρ}在其联合分布表中第k行的状态组合sk,然后根据关系函数Ψ(Dl,Pr(Dl)|l=1,2,…,ρ)确定多态查询节点{Dl|l=1,2,…,ρ}在该状态组合下的联合概率值,再将当前概率值与前一行的概率值对比,进而查询得到run或者phrase。
本发明实施例中,表7、表8、表9和表10中的变量符号与表3、表4、表5和表6所示的中间变量构建规则中对应的变量符号本身表达的意义相同,仅计算规则不同,表7、表8、表9和表10中的变量符号的定义参照上述的表3、表4、表5和表6中的变量符号定义。同时,在使用表7和表9中的中间变量构建规则时,当出现cλi+1中第j行是一个run且H=0、Fr>Ni、Vr≥Ni时,cλi的第j行和j+1行被同时构建的情况时,当该情况出现时,其处理方式参照上述独立中间变量构建规则中的处理方式,即在构建完cλi的第j行和j+1行后要更新集合RPi+1和集合中的数值。
表10(构建的规则)
进一步地,在上述的多态压缩算法、关联节点等价处理算法和中间变量构建规则的基础上,为了实现复杂多态卫星系统的可靠性分析和推理,本发明实施例提供了一种多态查询节点联合概率推理算法,以下通过具体实施例对本发明实施例提供的多态查询节点联合概率推理算法进行具体说明;
31)利用式32计算ρ个多态节点的联合概率分布,确定ρ个多态节点的联合概率分布表并将ρ个多态节点的联合概率分布表按照从左到右依次为查询节点和非查询节点排列;
Pr(D1,D2,…,Dρ)=Ψ(Dl,Pr(Dl)|l=1,2,…,ρ) (32)
其中,Ψ(Dl,Pr(Dl)|l=1,2,…,ρ)表示ρ个多态节点的关系函数,Pr(Dl)表示多态节点Dl的边缘概率分布。
具体地,基于上述假设,本发明实施例提出了如表11所示的多态查询节点联合概率推理算法的伪代码。
表11(多态查询节点联合概率推理算法的伪代码)
其中,在表11的Step 3中,cλi、RPi和均为消除节点Di经过解压再压缩后得到的中间变量,是新获得的的run伴随词典,是新获得的的“phrase”伴随词典,代表的第j1行且其值为或 代表的第行且其值为 代表的第行且其值为cλ0、RP0和为消除完所有的非查询节点后经过解压再压缩后得到的中间变量。
进一步地,在上述的多态压缩算法、关联节点等价处理算法、中间变量构建规则和多态查询节点联合概率推理算法的基础上,为了实现复杂多态卫星系统的可靠性分析和推理,本发明实施例提供了一种非独立多态推理算法,以下通过具体实施例对本发明实施例提供的非独立多态推理算法进行具体说明;
以附图2所示的多态贝叶斯网络模型为例,假设多态贝叶斯网络模型中具有一个多态节点S、个独立的多态父节点和α个块,查询节点集合为Q,证据集合为E;非独立多态推理算法用于计算多态节点S在查询节点集合Q和证据集合E下的条件概率分布,该非独立多态推理算法包括:
41)通过关联节点等价处理算法对多态贝叶斯网络模型中的块进行等价处理,并计算块中多态子节点的联合概率分布;
43)根据给定的查询节点集合Q分类进行不确定性推理以获取多态节点S在查询节点集合Q和证据集合E下的条件概率分布;
进一步地,本发明实施例提供的非独立多态推理算法的步骤43中的根据给定的查询节点集合Q分类进行不确定性推理以获取多态节点S在查询节点集合Q和证据集合E下的条件概率分布包括:根据给定的查询节点集合Q是否为空以及是否包含块中的多态子节点分三种情况进行不确定性推理以获取多态节点S在查询节点集合Q和证据集合E下的条件概率分布;
其中,当查询节点集合Q为空时,为第一种情况;
当查询节点集合Q不为空,且查询节点集合Q中至少包含一个块中的多态子节点时,为第三种情况。
具体地,当查询节点集合Q为第一种情况时,不确定性推理的过程包括:基于多态节点S的节点概率表,利用变量消元法消除多态节点S的父节点,以求解多态节点S在证据集合E下的条件概率分布;
当查询节点集合Q为第二种情况时,不确定性推理的过程包括:将查询节点集合Q中的节点调整到多态节点S的节点概率表的最左侧,基于多态节点S的节点概率表,利用变量消元法消除非查询变量,以求解多态节点S在查询节点集合Q和证据集合E下的条件概率分布;
当查询节点集合Q为第三种情况时,假设有ω(ω≥1)个块与查询节点集合Q有交集,有τ(τ≥0)个独立的多态父节点在查询节点集合Q中,不确定性推理的过程包括:
将扩展查询节点集合Q′中的节点调整到多态节点S的节点概率表的最左侧,利用变量消元法消除非查询变量,即将不属于扩展查询节点集合Q′中的节点逐一消除,以计算多态节点S在扩展查询节点集合Q′中的节点的不同状态组合下的条件概率Pr(S|Q′),Pr(S|Q′)表述为
基于条件概率Pr(S|Q′),可利用式47计算多态节点S与扩展查询节点集合Q′中的节点的联合概率分布Pr(S,Q′);
Pr(S,Q′)=Pr(S|Q′)×Pr(Q′) (47)
式中,由前述的块的第一个性质可知,任意一个等价多态父节点都与其他任意一个等价多态父节点相互独立,由前述的块的第二个性质可知,任意一个等价多态父节点都与任意一个根节点相互独立,则等价后的BN模型中叶节点S的所有的父节点相互独立,则Pr(Q′)和Pr(S,Q′)可通过式48和式49计算;
将节点集合{S,Q′}中除多态节点S外的不属于查询节点集合Q的节点移至联合概率Pr(S,Q′)分布表的最右侧,再逐一消除非查询节点,根据式50,利用多态查询节点联合概率推理算法计算多态节点S与查询节点集合Q中节点的联合概率Pr(S,Q);
分别计算与查询节点集合Q有交集的每个块中子节点的联合概率分布可通过联立式11和式12计算获取,同时设定第kQ个块与查询节点集合Q的交集为即将第kQ个块中属于交集的点移到联合概率分布表的最左侧,再逐一消除不属于交集中的点,根据式52,利用多态查询节点联合概率推理算法计算交集中的节点的联合概率
具体地,参照上述假设和具体的推理计算过程,在已知多态节点S与其父节点的关系函数Ψ(C1,C2,…,Cn)、所有父节点的边缘概率分布Pr(Ci)、查询节点集合Q以及多态父节点的证据集合E,本发明实施例提出了如表12所示的计算多态节点S在查询节点集合Q以及多态父节点的证据集合E下的条件概率Pr(S|Q,E)的非独立多态推理算法的伪代码。
表12(非独立多态推理算法的伪代码)
可见,本发明实施例提供的非独立概率条件下复杂多态卫星系统的可靠性分析方法能够对存在关联组件的复杂多态卫星系统进行可靠性建模与分析,能够应用于卫星系统、分系统或组件可能存在多种状态,且状态数可能不同的复杂多态卫星系统,可有效地减小构建节点的节点概率表所需的存储空间,实现复杂多态卫星系统的可靠性建模与分析。
Claims (10)
1.一种非独立概率条件下复杂多态卫星系统的可靠性分析方法,其特征在于,所述可靠性分析方法包括如下步骤:
1)基于复杂多态卫星系统的结构逻辑关系,构建相应的多态贝叶斯网络模型,所述多态贝叶斯网络模型中只有一个叶节点,所述叶节点的父节点的父节点均为根节点,所述叶节点的父节点间不存在有向弧,所述多态贝叶斯网络模型中的所有根节点间不存在有向弧;
2)基于所述多态贝叶斯网络模型,构建所述多态贝叶斯网络模型中所有多态节点相对应的节点概率表,并通过多态压缩算法对所述节点概率表进行压缩处理;
3)基于所述多态贝叶斯网络模型和所述节点概率表,将所述多态贝叶斯网络模型中符合要求的多态节点及其父节点划分为一个块,通过关联节点等价处理算法,将每个块等价为所述叶节点的一个多态父节点,以使所述多态贝叶斯网络模型转换为具有一个所述叶节点和多个相互独立的父节点的结构形式;
4)基于等价后的所述多态贝叶斯网络模型,通过所述多态压缩算法、中间变量构建规则、多态查询节点联合概率推理算法和非独立多态推理算法获得所述多态贝叶斯网络模型中的多态节点在查询节点集合和证据集合下的条件概率分布。
2.根据权利要求1所述的非独立概率条件下复杂多态卫星系统的可靠性分析方法,其特征在于,所述步骤2)基于所述多态贝叶斯网络模型,构建所述多态贝叶斯网络模型中所有多态节点相对应的节点概率表,并通过多态压缩算法对所述节点概率表进行压缩处理,包括:
根据多态节点与其对应的多态父节点的关系函数确定多态节点在其对应的多态父节点的不同状态组合下的条件概率值,以构建多态节点对应的节点概率表;
分别利用所述多态压缩算法对每个所述多态节点相对应的节点概率表的每一列进行逐行压缩处理。
3.根据权利要求2所述的非独立概率条件下复杂多态卫星系统的可靠性分析方法,其特征在于,假设对所述多态贝叶斯网络模型中某一个多态节点Ch的节点概率表中的第Pr(Ch=j3|C1,C2,…,Cn)列进行压缩处理,所述多态压缩算法包括:
21)定义当前行数为k,并令k=1;
22)确定多态节点Ch的多态父节点对应多态节点Ch的第Pr(Ch=j3|C1,C2,…,Cn)列中第k行的状态组合sk,确定多态节点Ch在状态组合sk下的第k行的条件概率值;
23)判断第k行与第k-1行的条件概率值是否相同,若是,执行步骤27;若否,将行号k存入集合中,并执行步骤24;其中,若第k-1行不存在,则表示第k行与第k-1行的条件概率值不相同,若集合不存在,则创建一个初始元素为空的集合
24)判断第k行与第k+1行的条件概率值是否相同,若是,以第k行为初始位置创建一个新序列run,并执行步骤25;若否,以第k行为初始位置创建一个新序列phrase,并执行步骤26;
25)判断伴随词典中是否存在与新序列run相同类型的序列run,若是,令以更新伴随词典中和当前新序列run属于相同类型的序列run的出现次数,查询已经存在的与新序列run相同类型的序列run在集合中对应的数组令以将行号k增加到数组中,继续执行步骤27;若否,将新序列run以的形式存入的第j行,并以的形式增加到伴随词典的第qj行,创建一个集合且使将集合存入集合继续执行步骤27;其中,若和不存在,则相应地创建初始元素为空的和
26)判断伴随词典中是否存在与新序列phrase相同类型的序列phrase,若是,令以更新伴随词典中和当前新序列phrase属于相同类型的序列phrase的出现次数,查询已经存在的与新序列phrase相同类型的序列phrase在集合中对应的数组令以将行号k增加到数组中,继续执行步骤27;若否,将新序列phrase以的形式存入的第j行,并以的形式增加到伴随词典的第pj行,创建一个集合且使将集合存入集合继续执行步骤27;其中,若和不存在,则相应地创建初始元素为空的和
27)判断k小于多态节点Ch的节点概率表的行数是否满足,若是,令k=k+1,返回步骤22;若否,结束压缩过程。
254)若X=0,令α=Nn-1,否则令α=X-1,并利用式9和式10分别计算向量Rexist和向量Rnow;若向量Rexist和向量Rnow相等,则新序列run与组成成分相同的序列run是相同类型,伴随词典中存在与新序列run相同类型的序列run;若向量Rexist和向量Rnow不相等,则伴随词典中不存在与新序列run相同类型的序列run;
7.根据权利要求6所述的非独立概率条件下复杂多态卫星系统的可靠性分析方法,其特征在于,所述中间变量构建规则包括独立中间变量构建规则和非独立中间变量构建规则,所述独立中间变量构建规则中的独立中间变量和所述非独立中间变量构建规则中的非独立中间变量均采用变量消元法进行推理计算;
以父节点相互独立的多态贝叶斯网络模型中的多态节点Ch为例,假设查询节点集合为Q,且Q={C1,C2},且中间变量为λi+1=Pr(Ch|C1,C2,…,Ci),所述独立中间变量的推理计算过程如式18所示;
其中,C1,C2,…,Cn表示多态节点Ch的多态父节点,Pr(C4),…,Pr(Cn)分别表示多态节点Ch的多态父节点的边缘概率分布,λi(i=3,4,…,n)表示中间变量。
31)利用式32计算ρ个多态节点的联合概率分布,确定ρ个多态节点的联合概率分布表并将ρ个多态节点的联合概率分布表按照从左到右依次为查询节点和非查询节点排列;
Pr(D1,D2,…,Dρ)=Ψ(Dl,Pr(Dl)|l=1,2,…,ρ) (32)
其中,Ψ(Dl,Pr(Dl)|l=1,2,…,ρ)表示ρ个多态节点的关系函数,Pr(Dl)表示多态节点Dl的边缘概率分布。
9.根据权利要求8所述的非独立概率条件下复杂多态卫星系统的可靠性分析方法,其特征在于,假设:所述多态贝叶斯网络模型中具有一个多态节点S、个独立的多态父节点 和α个块,查询节点集合为Q,证据集合为E;所述非独立多态推理算法用于计算多态节点S在查询节点集合Q和证据集合E下的条件概率分布,所述非独立多态推理算法包括:
41)通过关联节点等价处理算法对所述多态贝叶斯网络模型中的块进行等价处理,并计算块中多态子节点的联合概率分布;
43)根据给定的查询节点集合Q分类进行不确定性推理以获取多态节点S在查询节点集合Q和证据集合E下的条件概率分布;
10.根据权利要求9所述的非独立概率条件下复杂多态卫星系统的可靠性分析方法,其特征在于,所述步骤43中的根据给定的查询节点集合Q分类进行不确定性推理以获取多态节点S在查询节点集合Q和证据集合E下的条件概率分布包括:根据给定的查询节点集合Q是否为空以及是否包含块中的多态子节点分三种情况进行不确定性推理以获取多态节点S在查询节点集合Q和证据集合E下的条件概率分布;
当查询节点集合Q为空时,为第一种情况;
当查询节点集合Q不为空,且查询节点集合Q中至少包含一个块中的多态子节点时,为第三种情况。
其中,当查询节点集合Q为第一种情况时,所述不确定性推理的过程包括:基于多态节点S的节点概率表,利用变量消元法消除多态节点S的父节点,以求解多态节点S在证据集合E下的条件概率分布;
当查询节点集合Q为第二种情况时,所述不确定性推理过程包括:将查询节点集合Q中的节点调整到多态节点S的节点概率表的最左侧,基于多态节点S的节点概率表,利用变量消元法消除非查询变量,以求解多态节点S在查询节点集合Q和证据集合E下的条件概率分布;
当查询节点集合Q为第三种情况时,假设有ω个块与查询节点集合Q有交集,有τ个独立的多态父节点在查询节点集合Q中,所述不确定性推理过程包括:根据查询节点集合Q构建一个扩展查询节点集合Q′;将扩展查询节点集合Q′中的节点调整到多态节点S的节点概率表的最左侧,利用变量消元法消除非查询变量,以计算多态节点S在扩展查询节点集合Q′中节点的不同状态组合下的条件概率Pr(S|Q′);基于条件概率Pr(S|Q′),计算多态节点S与扩展查询节点集合Q′中的节点的联合概率分布Pr(S,Q′);将节点集合{S,Q′}中除多态节点S外的不属于查询节点集合Q的节点移至联合概率Pr(S,Q′)分布表的最右侧,并利用所述多态查询节点联合概率推理算法计算多态节点S与查询节点集合Q中节点的联合概率Pr(S,Q);分别计算与查询节点集合Q有交集的每个块中子节点的联合概率分布 设定第kQ个块与查询节点集合Q的交集为将第kQ个块中属于交集的点移到联合概率分布表的最左侧,并利用所述多态查询节点联合概率推理算法计算交集中的节点的联合概率基于联合概率利用独立事件联合概率的求解公式求解查询节点集合Q中节点的联合概率Pr(Q);利用联合概率Pr(S,Q)和Pr(Q)计算多态节点S在查询节点集合Q中所有节点的不同状态组合下的条件概率Pr(S|Q)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861776.5A CN110633524B (zh) | 2019-09-12 | 2019-09-12 | 非独立概率条件下复杂多态卫星系统的可靠性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861776.5A CN110633524B (zh) | 2019-09-12 | 2019-09-12 | 非独立概率条件下复杂多态卫星系统的可靠性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110633524A true CN110633524A (zh) | 2019-12-31 |
CN110633524B CN110633524B (zh) | 2021-05-07 |
Family
ID=68972179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910861776.5A Active CN110633524B (zh) | 2019-09-12 | 2019-09-12 | 非独立概率条件下复杂多态卫星系统的可靠性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633524B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291475A (zh) * | 2020-01-21 | 2020-06-16 | 刘俊 | 一种面向卫星不确定性总体设计的可靠性分析方法 |
CN111506962A (zh) * | 2020-03-30 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于bn和ugf的复杂系统可靠性计算方法 |
CN114116757A (zh) * | 2020-08-31 | 2022-03-01 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003005248A2 (en) * | 2001-07-05 | 2003-01-16 | Motorola Inc | Using a bayesian belief network |
CN102024084A (zh) * | 2010-12-16 | 2011-04-20 | 北京航空航天大学 | 具有模糊多态特性的可靠性模型的建立及其使用方法 |
WO2012157806A1 (ko) * | 2011-05-17 | 2012-11-22 | (주)두시텍 | 다중 위성 항법 상태를 감시하기 위한 통합 감시 보강 시스템 |
CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
CN105608634A (zh) * | 2015-11-09 | 2016-05-25 | 国网新疆电力公司 | 一种基于贝叶斯网络的电网风险预警评估模型 |
CN110031872A (zh) * | 2019-03-29 | 2019-07-19 | 中国航天系统科学与工程研究院 | 一种导航星座的系统效能综合评估方法 |
CN110210531A (zh) * | 2019-05-15 | 2019-09-06 | 北京航空航天大学 | 基于扩展随机流网的模糊多态制造系统任务可靠性评估方法 |
-
2019
- 2019-09-12 CN CN201910861776.5A patent/CN110633524B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003005248A2 (en) * | 2001-07-05 | 2003-01-16 | Motorola Inc | Using a bayesian belief network |
CN102024084A (zh) * | 2010-12-16 | 2011-04-20 | 北京航空航天大学 | 具有模糊多态特性的可靠性模型的建立及其使用方法 |
WO2012157806A1 (ko) * | 2011-05-17 | 2012-11-22 | (주)두시텍 | 다중 위성 항법 상태를 감시하기 위한 통합 감시 보강 시스템 |
CN104063586A (zh) * | 2014-06-11 | 2014-09-24 | 西北工业大学 | 基于多态故障树的贝叶斯网络故障预测方法 |
CN105608634A (zh) * | 2015-11-09 | 2016-05-25 | 国网新疆电力公司 | 一种基于贝叶斯网络的电网风险预警评估模型 |
CN110031872A (zh) * | 2019-03-29 | 2019-07-19 | 中国航天系统科学与工程研究院 | 一种导航星座的系统效能综合评估方法 |
CN110210531A (zh) * | 2019-05-15 | 2019-09-06 | 北京航空航天大学 | 基于扩展随机流网的模糊多态制造系统任务可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
IRIS TIEN等: "Algorithms for Bayesian network modeling and reliability assessment of infrastructure systems", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》 * |
刘彬 等: "一种通过节点序寻优进行贝叶斯网络结构学习的算法", 《电子与信息学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291475A (zh) * | 2020-01-21 | 2020-06-16 | 刘俊 | 一种面向卫星不确定性总体设计的可靠性分析方法 |
CN111506962A (zh) * | 2020-03-30 | 2020-08-07 | 中国人民解放军军事科学院国防科技创新研究院 | 基于bn和ugf的复杂系统可靠性计算方法 |
CN111506962B (zh) * | 2020-03-30 | 2021-03-02 | 中国人民解放军军事科学院国防科技创新研究院 | 基于bn和ugf的复杂系统可靠性计算方法 |
CN114116757A (zh) * | 2020-08-31 | 2022-03-01 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN114116757B (zh) * | 2020-08-31 | 2022-10-18 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110633524B (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110633524B (zh) | 非独立概率条件下复杂多态卫星系统的可靠性分析方法 | |
CN112085204B (zh) | 一种用于量子编译的线路变换方法 | |
CN113051399B (zh) | 一种基于关系型图卷积网络的小样本细粒度实体分类方法 | |
CN106998208B (zh) | 一种可变长Polar码的码字构造方法 | |
CN113821983B (zh) | 基于代理模型的工程设计优化方法、装置及电子设备 | |
CN106067824A (zh) | 一种基于二联密码子的测序数据压缩方法 | |
CN115664899A (zh) | 一种基于图神经网络的信道解码方法及系统 | |
JP2023519770A (ja) | マルチタスク向けの予めトレーニング言語モデルの自動圧縮方法及びプラットフォーム | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
Dolgui et al. | Multi-product lot-sizing and sequencing on a single imperfect machine | |
CN110263917B (zh) | 一种神经网络压缩方法及装置 | |
CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
CN112364985B (zh) | 一种基于分布式编码的卷积优化方法 | |
CN113946326A (zh) | 一种基于ast和规则库、知识库的可视化代码生成方法 | |
CN109871563B (zh) | 一种复杂多态卫星系统可靠性分析方法及系统 | |
CN116611504A (zh) | 一种基于进化的神经架构搜索方法 | |
CN113051938B (zh) | 一种基于Transformer模型的机器翻译模型优化方法 | |
CN114971325A (zh) | 一种电动工具转子关键质量特征集筛选方法 | |
Mozes et al. | Speeding up HMM decoding and training by exploiting sequence repetitions | |
CN109918659B (zh) | 一种基于不保留最优个体遗传算法优化词向量的方法 | |
CN109271132B (zh) | 一种基于机器学习模型的排序方法 | |
CN104021437B (zh) | 一种基于有向图适应度评估的混合差分进化算法 | |
CN113836174A (zh) | 基于强化学习dqn算法的异步sql连接查询优化方法 | |
CN114415615A (zh) | 不确定需求下混流装配线平衡分配方法及装置 | |
Hacid et al. | Incremental neighborhood graphs construction for multidimensional databases indexing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |