基于MILP模型和QPSO算法的绿色物流调度方法

针对物流网络中绿色且经济的物流调度问题,提出一种基于混合整数线性规划(MILP)模型和量子粒子群优化(QPSO)算法的物流调度方法 .首先,根据实际情况设定物流网络中的各种元素属性,如制造商、分销商和经销商的能力以及运输方式.然后,构建一个综合考虑交付时间最小化和碳排放量最小化的目标函数,并根据网络属性约束构建一个物流调度的MILP模型.最后,通过一种QPSO算法来求解该MILP模型.在一个汽车销售物流网络上的实验结果表明,提出的方法能够很好地均衡交付时间和碳排放量.     

φ混合随机变量阵列加权和的收敛性质

利用φ混合随机变量的Rosenthal型矩不等式,考虑一定权重条件下,不同分布φ混合随机变量阵列的强收敛性质,得到了一些新结果.     

具零特征的线性双曲型方程组的精确能控性

将考虑具有零特征的一阶线性双曲型方程组的精确能控性.首先给出了实现精确边界能控性的充分必要条件,然后在充分必要条件不满足的情况下,再加以适当的内部控制,实现方程组的精确能控性.     

解决区间混合性能指标优化问题的进化算法

区间混合性能指标优化问题普遍存在,但是已有的解决方法比较少.为此,提出一种有效解决该问题的区间偏好大种群进化优化方法.利用大种群进化,提高算法的搜索能力;采用基于相似度的策略,估计用户没有评价的进化个体的隐式性能指标值,以减轻用户疲劳;采用Pareto占优比较不同进化个体时,通过计算序值相同的进化个体的用户偏好值,进一步细分进化个体的优劣;此外,通过求解优化问题,将采用区间表示的用户对不同性能指标的偏好量化.将该方法应用于室内布局这一典型的区间混合性能指标优化问题,并与其他3种方法比较,结果验证了该方法的优越性.     

定制公交居民出行方式选择的影响因素

掌握影响定制公交选择概率的因素,对于定制公交的运营管理具有重要作用。结合广义Logit回归模型和条件Logit回归模型的混合模型,将居民个人属性与出行方案属性同时考虑进出行方式效用函数中。根据定制公交的在旅途距离及服务水平的设置定位,选取定制公交、出租车与常规公交作为出行选择集。运用问卷调查数据进行模型参数拟合,得到不同影响因素对于出行方式的边际效用和分布概率的影响。通过拟合结果,得到出行价格变量的系数在常规公交及定制公交1的效用函数中绝对值较大,分别为0.195 4和0.117 3,而在定制公交2和出租车的效用函数中绝对值较小,分别为0.156 1和0.057 1。行程时间变量在定制公交2和出租车效用函数中的绝对值较大,分别为0.073 5和0.080 7,在常规公交和定制公交1的效用函数中绝对值较小,分别为0.020 4和0.015 0。说明定制公交的服务需根据潜在乘客的出行价格及出行时间敏感度进行设置,研究结果对设置定制公交运营策略具有重要参考意义。     

素变量混合幂丢番图方程

设η是任意给定的实数,假设λ_1,λ_2,λ_3,λ_4是非零实数,不全同号,并且λ_1/λ_2是无理数,则不等式■有无穷多组素数解p_1,p_2,p_3,p_4,使用Davenport-Heilbronn方法计算,得到maxp_j的指数估计为■     

我国三重上市公司A_H_N股市场的风险传染分析

目的 分析中美贸易关系在不同阶段下对我国三重上市公司股票的风险传染机制.方法 通过整理在我国大陆证券市场、我国香港和美国纽约证券交易所同时上市的9家三重上市公司的日收盘价数据,构建了A股指数、H股指数和N股指数,运用非线性Granger因果检验、混合Copula函数和极值理论进行实证分析.结果与结论 (1)在美国明确打压中国概念股的情况下,A 股市场、H股市场和N股市场之间呈现出了市场分割特征;(2 )随着中美贸易争端的升级,加大了A股市场同 H股市场和N股市场之间风险传染的可能性;(3)目前,我国三重上市公司在香港市场和纽约证券市场的风险值较大,而在我国A股市场的风险值较低.通过分析我国三重上市公司在A股市场、H股市场和N股市场之间的风险传染机制,在"双循环"战略背景下为相关部门和投资者提供更多参考.     

一种任意起始位姿的连续曲率泊车路径在线规划方法

针对目前泊车路径规划算法对起始位姿要求严格，且难以兼顾最终位姿精度、路径质量及计算效率等问题，提出了一种任意起始位姿的连续曲率路径在线规划方法。该方法将整个泊车路径规划分为库位内调整与入库过程两部分。库位内调整采用以最终位姿高精度与调整次数最少为目标函数的最优化方法进行逐段规划；入库过程采用连续曲率曲线组用于混合A*算法的状态节点扩展以直接生成无需后处理的可执行路径。设计考虑路径的曲率变化与方向改变次数的估价函数；采用由路径几何形状特征点构建特征多边形的碰撞检测方法以提高计算效率。离线仿真与实车试验结果验证了该方法的有效性。     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

四则运算学习指南

一、知识梳理1.加、减、乘、除法的意义和各部分关系。(1)加法。意义:把两个数合并成一个数的运算。各部分关系:和=加数+加数,加数=和-另一个加数。(2)减法。意义:已知两个加数的和与其中一个加数,求另一个加数的运算。各部分关系:差=被减数-减数,减数=被减数-差,被减数=减数+差。(3)乘法。意义:求几个相同加数的和的简便运算。各部分关系:积=因数×因数,因数=积÷另一个因数。