隨著人工智能技術的興起,機器學習作為人工智能的重要技術,在解決傳統(tǒng)問題上扮演著越來越重要的角色,其中,監(jiān)督學習方法的應用最為廣泛。監(jiān)督學習利用經驗數據進行建模,建模完成后,當有新的輸入時,可以快速準確預測輸出。由于監(jiān)督學習在許多領域的成功運用,推動著人們使用該方法進行其他領域的嘗試。許多網絡優(yōu)化問題如資源分配、任務調度等問題最終都可以轉化成組合優(yōu)化問題(Combinational Optimization Problem)求解。組合優(yōu)化問題有著悠久的歷史和廣泛的應用,由于大多數的組合優(yōu)化問題都是NP難,傳統(tǒng)算法往往基于啟發(fā)式搜索算法,不能在較短時間內給出最優(yōu)解的近似解。并且,能給出最優(yōu)解的算法往往因為問題規(guī)模的擴大而產生“組合爆炸”的現(xiàn)象,使得組合優(yōu)化問題不能高效的求解。本文選擇了網絡設計中較為常見的問題進行建模,使用監(jiān)督學習方法進行求解嘗試,嘗試的方向包括直接預測解或者輔助傳統(tǒng)算法縮小求解空間。這兩個問題分別是:k中心問題(k center problem)和任務放置問題(Task Placement Problem,TPP)。k中心問題是設施放置的基礎問題,在例如CDN緩存放置的場...

【文章頁數】：76 頁

【學位級別】：碩士

【部分圖文】：

圖１－１本文各部分研究內容之間的關系??Ｆｉｇ．?１－１?Ｔｈｅ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｔｈｅ?ｃｏｎｔｅｎｔｓ?ｏｆ?ｅａｃｈ?ｐａｒｔ?ｏｆ?ｔｈｉｓ?ｄｉｓｓｅｒｔａｔｉｏｎ??

?山東大學博士學位論文???第２章基于生成對抗網絡與度量學習的數據驅動頻率安全評估??｜?頻率安全指標選取與輸入特征構建?胃??基于生成對抗網絡和拒絕采樣與重采樣??技術的頻率安全＃彳古模型訓練樣本生成??ｊ基于度量學習方法的組合頻率安全評估模型???結構與學習過程???數據驅動....

本文編號：3967848