青藏高原东部高寒草甸群落组分时间变化

文章通过青藏高原东部高寒草甸群落封育样方、施肥样方、放牧样方中群落组分种的随时间变化研究,以此,探讨高寒草甸不同生境中群落结构变化。结果表明:封育样方和放牧样方中返青后物种数逐渐增加,从花期到结实期物种数达到最高值,施肥样方中从返青到开花、结实期之间物种数增加不显著。在封育样方和放牧样方之间多样性变化差异不显著,样方之间群落相似性高;施肥样方中物种数、多样性和均匀度显著(P0.05)降低,群落相似性差异显著(P0.05)。在三个实验生境中从6月到8月初群落物种数、多样性、均匀度处于高峰期,到8月中旬后群落指数开始降低。     

基于Nash-Stackelberg分层博弈模型的路网交通控制强化学习算法

为了解决多交叉口博弈引发的Nash均衡计算复杂度问题，考虑路网中不同交叉口的重要程度和博弈关系，兼顾路网中子区之间及子区内部的交通控制策略，以2个子区内的重要交叉口作为上层博弈主体，次要交叉口作为下层博弈主体，构建了一种Nash-Stackelberg分层博弈(NSHG)模型.然后，提出2种多Agent强化学习算法，即基于NSHG的Q学习(NSHG-QL)算法和基于NSHG的深度Q网络(NSHG-DQN)算法.在实验中，使用NSHG-QL和NSHG-DQN算法在SUMO仿真软件搭建的路网环境中对信号灯进行控制，并与基础博弈模型求解算法进行比较.实验结果表明：NSHG-QL算法和NSHG-DQN算法减少了交叉口内车辆的平均旅行时间和平均时间损失，提高了平均速度；NSHG模型在满足重要交叉口间上层博弈的基础上协调次要交叉口，做出最优策略选择，而且基于分层博弈模型的多Agent强化学习算法能明显提高学习性能和收敛性.     

高压氢气射流火焰的数值模拟

高压氢气泄漏并发生点火是氢火灾事故的核心场景,也是氢安全研究的基本内容。该文对高压氢气泄漏后立即点火、延迟点火以及有防护墙存在时的延时点火3种场景进行了数值模拟仿真,分析了点火时间、防护墙对温度和超压的影响。结果表明:氢气泄漏后在喷口处立即点燃会形成射流火焰,该过程不会产生明显的超压;泄漏一段时间后再进行点火,将由点火中心产生压力波并向外传播,并随着与点火中心距离的增大,最大超压降低,燃烧稳定后形成的射流火焰与立即点火时基本一致;防护墙有效削弱了压力波及火焰向墙后方的传播,墙后方的超压及温度明显降低。因此,合理设置防护墙可以缩小危险范围,缩短安全距离。