摘要：文章考虑在双水平(p,N_(1),N_(2))-策略控制下有随机启动时间的M/G/1排队系统,其中双水平(p,N_(1),N_(2))-策略是指当系统中的顾客数达到一个事先给定的低阈值N_(1)(≥1)时,服务员以概率p(0≤p≤1)启动系统,以概率1-p不启动系统直到系统中的顾客数累计达到另一个事先设定的较高阈值N_(2)(N_(2)≥N_(1))个时才启动系统,同时在一段随机长度的启动时间完成后服务员才开始为顾客服务.运用更新过程理论、全概率分解分析方法和拉普拉斯变换工具,研究了系统队长的瞬态和稳态分布,获得了队长瞬态分布关于时间t的拉普拉斯变换表达式,以及稳态队长分布的递推表达式,同时求出了系统其他一些重要排队性能指标.进一步,通过数值实例说明了稳态队长分布表达式在系统容量设计中的重要应用.最后,应用更新报酬定理得到了系统长期单位时间内期望费用的显示表达式,并在平均等待时间约束下当服务时间和启动时间服从PH分布时,通过数值实例讨论了使得系统期望费用最小的最优双水平控制策略(N_(1)^(*),N_(2)^(*)),以及参数p对系统期望费用和顾客平均等待时间的影响.

摘要：全局中心聚类算法如k-means、谱聚类在类簇分布出现重叠粘连现象时往往容易陷入局部最优且参数难以设定,极大地限制了全局中心聚类算法在实际应用中的效果。为解决此问题,提出了一种基于边界剥离思想的全局中心聚类算法。首先,设计了一步边界剥离法,根据样本点间的反向k近邻关系定义了一种局部距离加权密度,并利用密度经验分布函数一阶差分最大处的密度值作为阈值将数据集分为边界集与核心集。其次,嵌入传统的全局中心聚类算法对核心集进行聚类,得益于核心集的簇间重叠问题已明显改善,嵌入算法将更容易收敛到真实的簇中心。最后,提出一种边界吸引算法,从已被归类的核心集样本点出发,借助已有的反向k近邻关系迭代融合边界集中的样本点以完成对整个数据集的聚类。相较于目前以迭代方式进行的边界剥离算法,所提算法在计算效率上具有明显优势,不需要额外设定复杂的终止条件而直接通过阈值进行边界划分,并且全局性方法在数据局部密度存在差异的情形下具备更强的鲁棒性。在实验阶段,采用3个合成数据集以及6个真实数据集从算法性能、参数敏感性、时间消耗多个方面进行评估,实验结果进一步验证了此算法的有效性与实用性。

摘要：本文研究在随机启动(p,N)-策略控制下不中断多重休假的M/G/1排队模型.通过运用全概率分解技术和拉普拉斯变换工具,直接讨论了系统从任意初始状态出发在任意时刻t队长的瞬态分布,得到了队长瞬态分布的拉普拉斯变换表达式.基于瞬态分析,使用洛必达法则得到了系统在任意时刻t队长的稳态分布的递推表达式,同时求出了系统其他一些重要排队性能指标,如稳态队长分布的概率母函数、平均稳态队长和附加队长分布的显示表达式等,并讨论了一些特殊情形.最后,通过数值计算实例讨论了系统空闲率和附加平均队长关于一些参数的敏感性以及系统容量的优化设计.