基于改进蚁群算法的智能小车路径规划仿真研究

提出一种改进的蚁群算法,解决传统蚁群算法在路径规划时容易陷入局部最优解的问题,改进的蚁群算法具备更优越的搜索最短路径的能力.MATALAB仿真实验表明,改进的蚁群算法能够节约寻找到最优路径的时间,加快收敛速度,具有更好的鲁棒性.     

基于最小二乘法对GM(1.1)模型的研究及应用

针对提高股票未来价格的预测精度,提出区间模糊数的整体GM(1.1)预测模型.利用最优解求解定义方程,得到区间模糊数的预测公式.基于区间模糊数满意度对投资组合选择模型进行优化,得到单目标规划投资选择模型.通过实例分析,给定不同的满意度得到不同的投资组合,证明模型具有一定的柔性.     

非齐次椭圆方程的一个极限形式

从传导问题中获得了一类非齐次椭圆方程Dirichlet问题的极限形式. 当2个理想导体之间的距离足够小时, 建立其最优的全局梯度估计, 从而给出了电场强度的爆破率.      

公理化局部有限空间中映射连续性的扩展

用公理化方法研究了局部有限空间中的连续映射及其扩张问题。给出了局部有限空间的公理化定义方法;利用邻近关系研究了局部有限空间中的连续映射、同胚和局部同胚等问题;通过对局部有限空间变形的研究,定义了局部有限空间的一种特殊收缩核,有效地解决了局部有限空间中连续映射的扩张问题。     

科学探索全宇宙的最优方法:一个超大系统仿真的宇宙物质反设计工程

针对人类实现最终科学研究目标,该文提出了科学探索全宇宙系统的最优方法:基于超大规模系统-云-并行数字仿真的宇宙物质反设计工程。首先,该文建立了全宇宙物质系统反设计方法,包括:数学模型是全宇宙物质的统一基理与统一数值仿真算法,以及相应大系统反设计数字仿真的方法及系统仿真计算步骤与流程图。即未来科学研究可通过超大系统数字仿真,寻找到宇宙物质的最根基要素,最后进行物理实验对该系统仿真结果作检测验证。这是人类代价最小并速度最快地实现最终科学研究目标的研究技术方法。然后,分析了该超大系统反设计的数字仿真方案的优点与可能存在的问题,认为超大系统数字仿真是目前科学探索全宇宙系统的第一优方法,因为该物质反设计可以回避开历时上亿年来人类及其祖先传统科学研究中存在的根本缺陷。因此,基于超大规模系统-云-并行数字仿真的全宇宙物质系统反设计的方法,在探索速度、探索效率、探索所需付出的代价等因素上,明显优越于人类传统自然科学探索方法,可以实现科学探索是有止境的,科技创新有止境的,是科学探索全宇宙的最优方法。     

带有二元连接函数的半参数模型

提出了一种新的带有二元连接函数的广义半参数模型, 即二元连接模型 (简称为BLM). 使用轮廓似然方法估计模型的 参数和非参数部分, 并给出了计算算法. 证明了所得的未知参数的估计量为$\sqrt{n}$-\!\!相合, 渐近正态且具有渐近最小方差, 给出了实际数据分析和模拟研究, 最终采用局部功效方法来检验非参数部分的线性性.     

带有通胀风险的退休后期最优投资管理

考虑通货膨胀的影响,研究了一个确定缴费养老计划退休后期最优投资决策问题.自退休时刻开始,退休者定期从账户里抽取一定的金额维持日常支出,然后将剩余的财富投资于一个无风险资产、一个股票指数和一个通胀指数债券,直到强制购买年金的时刻.为保障退休后的正常生活,退休者在每个时刻设定投资的目标值,采取二次效用函数衡量投资财富水平和目标值的差距,并选择最优的投资策略以最小化平均累计差距.运用动态规划和随机控制方法,得到了没有上方惩罚的目标值、最优投资策略、最优值函数、破产概率以及终端财富与目标值差距的分布函数等指标的显式表达式.运用数学分析和数值分析手段,得到了每个时刻目标值的性质,分析了终端目标值和消费金额对破产概率的影响,研究了物价指数的瞬间变化率和波动率对财富值与目标值的差距、各时刻财富均值以及破产概率的影响.     

基于图像欧氏距离流形降维的端元提取算法

由于多重反射和散射,高光谱图像中的混合像元实际上是非线性光谱混合传统的端元提取算法是以线性光谱混合模型为基础,因此提取精度不高针对高光谱图像的非线性结构.本文提出了基于图像欧氏距离非线性降维的高光谱遥感图像端元提取方法该方法结合高光谱数据的物理特性,将图像欧氏距离引入局部切空间排列进行非线性降维以更好的去除高光谱数据集中冗余的空间信息和光谱维度信息,然后对降维后的数据利用寻找最大单形体体积的方法提取端元.真实高光谱数据实验表明,提出方法对高光谱图像端元提取具有良好的效果,性能优于线性降维的主成分分析算法和原始的局部切空间排列算法.     

基于改进的局部保持投影的战时备件分类

为提升战时合成部队备件保障效能，需对其进行有效分类，以便开展备件的预储预置。针对备件种类多、时效性强、影响分类因素复杂的现实问题，提出了基于改进的局部保持投影的备件分类方法。首先，根据战时备件分类储备的影响因素，作为备件分类的特征指标，其次，利用改进的局部保持投影的降维方法对备件原始特征数据进行特征降维，得到低维特征向量。再利用支持向量机（support vector machine，SVM）的分类器对低维数据进行分类。并通过量子粒子群对SVM的核函数参数进行寻优，提升备件分类精度，得到满足备件分类准确率最优时的降维维数和分类器参数。最后，通过对演习装备备件分类的实例分析，验证了模型的可行性和合理性，并对比分析了其他分类方法，表明该方法能够较好地解决战时备件分类的问题。