数控仿真中切削面计算的并行化研究

针对高离散精度模型与刀具包围体进行切削计算的情况,由于三维图像重建的计算量大,基于传统CPU实现的数控加工仿真系统不能满足实时性的三维绘制。本文利用GPU的并行性特点,提出并行方式数控仿真切削面显示算法:通过线程并行处理基于MC算法的实体构造模型中体素与刀具包围体的切削计算,根据切削后体素角点信息和边的状态查找建立的构型索引表和交点数目索引表,加速数控仿真切削面的提取,从而提高三维图像的绘制速度,满足实时性显示要求。     

改进蚱蜢算法在电动汽车充换电站调度中的应用

电动汽车充换电站调度优化问题一般采用群智能优化算法求解，但现有算法存在陷入局部最优、早熟收敛等缺陷，因此提出一种改进的蚱蜢算法:采用边界反弹机制，提高算法效率;引入正余弦搜索机制，加强算法的全局搜索能力;采用Lévy飞行对粒子进行随机扰动，防止种群陷入局部最优;采用非线性收敛策略加快算法后期的收敛速度.实验结果表明，该算法在电动汽车充换电站调度优化问题上，性能优于原始蚱蜢算法以及其他现有群智能算法.     

基于机会约束的手术计划随机模型与算法

本文研究多服务台手术计划调度问题,考虑手术时间的不确定性,提出手术室加班时间的机会约束,以一定的概率保证病人的手术时间不超过手术室的开放时间,建立随机优化机会约束手术计划调度模型,确定手术室的开放和分配决策.基于手术时间离散的概率情景,引入0-1变量转化机会约束,得到了0-1整数线性规划的等价模型.为了提高模型的求解效率,提出两类有效不等式,并设计最长路径算法分离第二类有效不等式,利用分支切割方法进行模型求解.算例分析,基于北京某医院的实际数据,验证算法的有效性,确定最优的手术计划调度方案,有效地优化配置手术室资源.     

一种自适应步长的复合梯度加速优化算法

自适应步长加速(Adam)类算法由于其计算效率高、兼容性好的特点，成为近期相关领域的研究热点.针对Adam收敛速度慢的问题，本文基于当前梯度、预测梯度以及历史动量梯度，提出一种新型Adam类一阶优化算法——复合梯度下降法(C-Adam)，并对其收敛性进行了理论证明.与其他加速算法的区别之处在于，C-Adam将预测梯度与历史动量区别开，通过一次真实的梯度更新找到下一次迭代更精准的搜索方向.利用两组常用测试数据集及45钢静拉伸破坏实验的实验数据对所提算法进行验证，实验结果表明C-Adam与其他流行算法相比较具有更快的收敛速度及更小的训练损失.     

三门峡水库电站运行调度的优化研究

三门峡水库泥沙淤积严重，使其枢纽的各项技术指标经常变化，为其调度运行带来极大困难。为此，充分考虑三门峡水电站运行过程中的各种约束条件，分别采用动态规划和遗传算法给出了电站优化调度模型，建立了该电站的运行调度系统。经过水库1991年—2000年实际来水和控制运行的月报资料的模拟验证，结果表明，该系统可平均增加发电量约12．9％，使电站能更合理地进行管理调度。而且，通过对随机模拟的长序列入库月径流过程的模拟调度，建议了三门峡水电站具体的管理调度运行方式。     

一种电力网络潮流计算的综合算法

针对牛顿-拉夫逊法对初值要求严格,迭代速度快的特点,利用电力网的结构特点,使用高斯-塞得尔迭代法的第一次迭代结果作为牛顿-拉夫逊法的计算初值。这样既解决了牛顿-拉夫逊法对初值要求高的问题,又提高了收敛速度。计算结果表明,综合算法在迭代次数和收敛速度上有优势。     

面向虚拟样机的一种机构运动仿真算法

文中就虚拟样机四连杆机构的运动分析提出一种新的运动仿真算法，在基于场景图的虚拟样机产品模型中实现产品四连杆机构的运动仿真．其算法特点是：利用空间矢量运算原理和四连杆机构特性直接求出四连杆机构从动件的变换矩阵，再通过四连杆机构特征点构造的三角形面积变化求出从动件变换矩阵的偏离角，用偏离角补偿法校正从动件变换矩阵，实现四连杆机构的运动仿真．其算法简单，运算效率高，实现容易．     

车辆路径问题的粒子群算法研究

车辆路径优化问题是一类具有重要实用价值的组合NP问题．粒子群算法(panicle swarm optimization)是一种新出现的群智能(swarm intellingece)优化方法，将其应用于车辆路径优化问题，构造车辆路径问题的粒子表达方法，建立了此问题的粒子群算法，并与遗传算法作了对比试验．结果表明，粒子群算法可以快速、有效求得车辆路径问题的优化解，是求解车辆路径问题的一个较好方案。     

自主机器人人工进化方法研究

在介绍人工进化研究状况的基础上 ,着重阐述了进化机器人学的关键问题 :基本概念、进化技术、进化计算和实验研究方法等 ,探索了进化机器人学未来的研究趋势及所面临的挑战 .     

Hybrid SVM／HMM Method for Face Recognition

A face recognition system based on Support Vector Machine(SVM) and Hidden Markov Model (HMM) has been proposed. The powerful discriminative ability of SVM is combined with the temporal modeling ability of HMM. The output of SVM is moderated to be probability output, which replaces the Mixture of Gauss (MOG) in HMM. Wavelet transformation is used to extract observation vector, which reduces the data dimension and improves the robustness.The hybrid system is compared with pure HMM face recognition method based on ORL face database and Yale face database. Experiments results show that the hybrid method has better performance.