系统可靠性预计的上（下）限法

用文献［１］提出的上限计算法预计的系统可靠度的上限会单调收敛至一个小于精确值的错误数值，并使系统可靠度的单一预计值过于保守。本文提出一种计算系统可靠度上限的新方法，并给出了完全对偶的、实用的上下限计算公式。实例表明，对于任何非单纯串联的复杂系统，应用本文的公式均能保证使计算结果单调收敛至真值，并使系统可靠度的单一预计值具有较高的精度。     

具有服务时长的在线TSP问题

针对城市快递揽件服务过程中,需求事先无法预知并且每个需求服务时长不确定的情形,提出具有服务时长的在线TSP问题.分别在一般网络图上和直线上证明了此问题的竞争比下界进而在一般网络上给出PAH-ST算法,在直线上给出PQR-ST算法,并对算法进行了竞争性能分析.本文提出模型是在线TSP问题的一般形式,结论可以为快递车辆的实时调度决策提供依据.     

基于最小二乘支持向量机的交通安全预测模型

分析了最小二乘支持向量机(LS-SVM)在交通安全预测中的优势,确定输入向量集合和输出向量集合,利用LS-SVM建立交通安全预测模型.将1953～2006年全国交通安全相关数据分为训练集和测试集,利用Matlab 7.0进行仿真测试.通过训练LS-SVM得到模型具体参数值,然后对测试集数据进行预测,计算预测误差,并与神经网络模型、SVM模型预测结果进行对比.仿真结果表明,基于LS-SVM建立的交通安全预测模型比神经网络预测模型、SVM模型具有更高的运算速度和预测精确度.     

灰色离散Verhulst模型

针对传统灰色Verhulst模型适应性不强的情况,借鉴离散化思想,通过对原始数据序列进行倒数生成,建立了灰色离散Verhulst模型。灰色离散Verhulst模型充分考虑了数据序列的准指数规律,实现了从连续形式向离散形式的转变,消除了传统灰色Verhulst模型由微分方程直接跳到差分方程所产生的误差。同时给出了两种初始条件下的灰色离散Verhulst模型的预测公式,有效地解决了传统灰色Verhulst模型预测稳定性差的问题。实例分析表明,灰色离散Verhulst模型能够显著提高模拟和预测效果。     

虚拟生态环境中的植物生长预报系统初探

植物生长的早期预报在农林业生产和植物栽培业的决策和管理中有着重要的意义。由于生态因素的不确定性,使植物生长的早期预报工作成为了人们不断探索的课题。本文研究了生态因子的变化对植物能量生长过程的影响方式,提出了利用生命能量系统动力学模型对不同生态条件下植物生长仿真的策略和目标函数。根据已往的生态因子组合关系归纳出植物生长的几种典型的生态环境,通过Markov过程虚拟了这些生态环境演变的时间序列。并根据植物生长的实验数据,建立了此环境下的植物生长预报模型,从而模拟植物可能的生长状态,估算生长过程中产量分布的置信区间和各种生长状态的概率。     

一类厂商业务量决策模型的改进及复杂性研究

参与人出于财务、生产能力、谨慎等方面的考虑,通常会对其业务量作一定限制,以避免其业务量过高或过低.考虑到这一情况,对有限理性的Bischi模型进行改进,对参与人每期的业务量加下限或(和)上限的限制,使之更符合实际.以添加下限为例,对改进后模型的动态性进行分析并与原模型进行对比.从分析中可以看到,下限在一定范围内取值时模型仍出现复杂的混沌行为,但与原模型有显著差别.在下限的取值达到一定程度时,模型的混沌现象会消失,出现稳定的周期行为.这个结果说明参与人可通过给状态变量加下限的方法来预防或抑制某些经济系统中的混沌.     

天基红外低轨卫星引导反导作战能力需求分析

反导防御系统中,拦截弹在天基红外低轨卫星信息引导下拦截弹道导弹目标时,需要考虑卫星的跟踪能力与拦截弹的拦截能力的匹配问题。首先,采用后验克拉美罗限的方法计算低轨卫星跟踪弹道导弹目标的能力,接着采用椭圆轨道线性化方程的方法计算预测弹道的误差,在目标预测弹道及拦截弹飞行性能的基础上建立预测命中点及其误差的计算方法,然后采用均匀点火策略分析预测命中点精度对拦截弹中段飞行修正能力的影响,通过可信性理论计算得到拦截弹的末段修正能力,最后通过仿真得到满足拦截弹中末段修正能力需求的低轨卫星的技术指标要求。     

无偏灰色预测模型递推解法及其优化

针对传统灰建模由差分方程向微分方程跳跃而导致误差的问题,提出了无偏灰色预测模型的 递推解法,给出了不同初始条件下无偏灰色模型递推预测公式.在此基础上,进一步研究了在两 种准则下初始条件的优化问题,结果表明,同一准则下两种优化模型的模拟预测值相等,且都能 获得较高的模拟、预测精度.最后以实例验证了该方法的有效性与实用性.     

基于简化路网模型的卡尔曼滤波多步行程时间预测方法

针对目前多步行程时间预测方法研究较少,存在未来一段时间内的观测值不能及时得到的问题,提出基于简化路网模型的卡尔曼滤波多步行程时间预测模型和算法.综合运用上游路段、当前路段的实时和历史行程时间数据,从历史数据中寻找与当前日期交通状况最接近的历史日期,解决卡尔曼滤波未来一段时间内没有观测值而无法进行多步预测的问题.实验表明,算法能够合理地预测未来几个时段的路段行程时间,有效地避免了时滞性.同时,多步行程时间预测算法的精度高(尤其是4步以内,均等系数达到0.9以上), 是一种可行的预测方法.     

基于神经网络的交通信息融合预测方法

为了更加准确地预测动态变化的交通信息，通过分析城市道路交通流量变化的特点，提出一种基于神经网络的融合预测方法。这种方法根据预测数据各属性的特点，将数据构造为多个相关的时间序列。在此基础上，对各序列采取不同的处理方法，然后利用神经网络进行融合，得到最终的预测结果。这种方法可用于数据动态预测的各种领域。实验结果表明，采用这种方法可以有效地改善数据预测的误差。