.png){kind=icon}
返回
Enhancing Binary-State Network Reliability with Layer-Cut BAT-MCS
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2025.111446.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种分层切割BAT-MCS算法，用于改进的二态网络可靠性评估。原始的BAT-MCS算法在新型监督向量基础上，将确定性二进制加法树（BAT）算法与随机蒙特卡洛模拟（MCS）相结合，形成了一种能够降低方差并提高效率的自调节机制。尽管具有上述优点，BAT-MCS在监督向量选择方法和近似可靠性计算的计算复杂度方面仍存在局限性。所提出的分层切割BAT-MCS通过一种新颖的分层切割方法改进监督向量选择，显著优于传统的最小切割方法。这一创新简化了MCS的计算复杂度，同时保持了全面的网络分析能力。在小型和中型二态网络上进行的大量数值实验表明，分层切割BAT-MCS在计算效率和精度方面均优于传统的MCS和原始BAT-MCS实现。结果表明，分层切割技术提供了一种更有效的网络分解策略，显著降低了运行时间和方差。这些改进使得分层切割BAT-MCS特别适用于计算资源有限且需要高精度的小规模或稀疏网络系统的可靠性评估。
Keyword:
binary-state network reliability
Binary Addition Tree (BAT)
Monte Carlo simulation (MCS)
supervector selection
layer-cut approach
期刊
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Network reliability evaluation of manufacturing systems by using a deep learning approach使用深度学习方法对制造系统进行网络可靠性评估
PREAI
分享收藏
Performance analysis of cellular automata Monte Carlo Simulation for estimating network reliability元胞自动机蒙特卡罗模拟评估网络可靠性的性能分析
PREAI
分享收藏
查看更多内容