鸟类飞行起源揭谜

说到恐龙,人们往往想到凶猛的霸王龙或者有着长长脖子的梁龙,这些古代的庞然大物给人们的印象是笨重和迟钝;谈起鸟类,我们的头脑中会浮现出天空中飞翔的鸽子或者五彩斑斓的孔雀,这些生命世界中的精灵带给人们的是美丽和轻巧。把亿万年前的恐龙和生活在我们身边的可爱的鸟儿联系在一起似乎有些牵强,但科学家们的持续努力确实证明了这样一种假说:在很久以前,有一种恐龙变成了第一只鸟,然后经过亿万年的繁衍,形成了今天的庞大鸟类家族。     

热河生物群发现带 “毛” 的翼龙化石

记述了内蒙古宁城义县组底部一件近乎完整的喙嘴龙类化石－宁城热河翼龙（新属、新种）Jeholopterus ningchengensis gen.et sp.nov.该翼龙化石保存有精美的翼膜以及遍布全身的“毛”。它具有许多喙嘴龙类的典型特征，如短的颈部、短的掌骨和特别长的第V脚趾等，可归入一类特殊的具有短尾的喙嘴龙类－蛙嘴龙科（Anurognathidae）。该科已知的成员包括发现于德国Solnhofen的Anurognathus，哈萨克斯坦Karatau的Batrachognathus和中国辽西的树翼龙（Dendrorhynchoides)，但都不如新标本保存完整。该标本显示其翼膜与下肢相连，尾膜与第V趾连接，脚趾具蹼。此外，热河翼龙的毛状皮肤衍生物与带毛恐龙中华龙鸟的毛状皮肤衍生物形态相似，但二者是否为同源结构有待进一步研究。     

ACPSO-BP神经网络在矿井突水水源判别中的应用

矿井多年来的连续开采使各含水层水质特征变得更加复杂、更为接近,应用经典数学方法难以建立精确的判别模型,使用具有非线性映射功能的BP神经网络可以克服以上问题,但其仍然具有易陷入局部最优和收敛速度慢缺点。通过将"早熟"判断机制、Tent混沌映射以及权重自适应调整策略引入粒子群算法中,建立基于自适应混沌粒子群算法和BP(ACPSO-BP)神经网络突水水源判别模型,应用结果表明:与BP神经网络模型、基于标准粒子群算法和BP(SPSO-BP)神经网络模型相比,ACPSO-BP神经网络模型具有收敛速度快、精度高和泛化能力强的特点。     

中国内蒙古二连盆地发现巨型似鸟恐龙化石

[本刊讯]在中国内蒙古二连盆地晚白垩世大约8500万年前沉积的岩石中，发现了巨型似鸟恐龙化石，这一发现为恐龙向鸟类演化过程中似鸟特征的进化模式提供了重要信息，代表我国学者在鸟类起源研究领域取得一项新的重要成果。这一成果由中国科学院古脊椎动物与古人类研究所研究员徐星和内蒙古国土资源系统的学者合作完成，并发表在6月14日出版的英国Nature杂志上。     

基于动力学演化算法的云任务与虚拟机分配策略研究

建立了云任务和虚拟机分配的数学模型,并将其转换成一个组合优化问题,利用改进的演化算法进行求解.算法中设计了两种编码方案,并根据这两种编码表示设计了杂交和变异算子,并引入了动力学选择机制让种群中的个体都有机会参与演化.采用了两组实验数据进行测试,并和随机分配算法、顺序分配算法以及贪心分配算法进行比较.实验结果表明该演化算法获得的结果最优.     

带有正线性项的混合单调算子的不动点定理及其应用(英文)

讨论了一类带有正线性项的混合单调算子,借助于迭代技巧,给出这类算子不动点的存在及其唯一性,并将结果应用于一类非线性积分方程中去.     

飞向蓝天的恐龙

在过去的几十年中,数以百计的科学家一直试图解开一个神秘的科学之谜:6500万年前地球上到底发生了什么事件?是什么原因导致了中生代霸主恐龙的灭绝?为此,人们提出了上百种假说。实际上,早在19世纪中叶,英国学者赫胥黎就提出了鸟类起源于恐龙的假说:他的证据是恐龙和鸟类的后肢具有很多相似性。     

多姿多彩的暴龙家族(上)

暴龙类恐龙也许是恐龙大家族中最著名的一个支系,尤其是暴龙类的代表性物种霸王龙,是家喻户晓的恐龙明星。霸王龙体长十几米、体重五六吨,是一种巨型食肉类恐龙,是北美洲白垩纪末期的绝对统治者。霸王龙不仅是科学家的重点研究对象,也是公众心目中的宠儿,人们想了解有关霸王龙的一切,包括霸王龙怎么吃东西、怎么运动等等。科学研究发现,身躯庞大     

鸟类失落的第二对翅膀:鸟类进化过程的四翼阶段

正一个早已淡出学术界视野的假说——早期鸟类经历过四翼阶段,由于近年众多的化石证据以及包括笔者在内许多研究者的探索,不但得到证实而且被发展。揭示鸟类后肢羽毛退化和鳞片出现的演化历程,有助于促进人们对鸟类皮肤结构发育机制的理解。     

基于Pareto的双群体多目标微分进化算法

针对多目标优化问题微分进化是一种简单、快速且具有鲁棒性的进化算法.提出一种基于Pareto的双群体多目标微分进化算法(DEPDP),DEPDP与传统微分进化区别在于:个体的变异操作和选择方式.DEPDP的变异过程类似于粒子群优化的粒子速度更新操作,即包括可行解个体,也有不可行解个体的参与;在个体的选择过程中,组合修正后的不可行解介体和可行解个体,并采用—种特殊的“非劣排序和等级选择过程”确定出新一代种群.仿真实验表明:相比其他比较算法,DEPDP获得的Pareto最优解有着良好的多样性均匀分布特点,接近真实的Pareto前沿,收敛性也较好.