线性回归模型的一类新约束型LIU估计

针对带线性约束型的回归模型复共线性问题,提出了一种新估计,称之为修正约束型LIU估计,给出了新估计的性质.在均方误差准则基础上证明了在一定条件下,修正约束型LIU估计优于最小二乘估计、岭估计、修正岭估计和约束型LIU估计,最后讨论了新估计的可容许性.     

求解分布式并行机调度的新型帝国竞争算法

提出一种求解异构工厂分布式并行机调度问题(DPMSP)的新型帝国竞争算法(ICA),以最小化最大完成时间作为优化目标.首先,将DPMSP的优化简化为对工厂分配子问题的求解,提出相应的编码方案并采用最大处理时间规则解码;然后,采用基于加工速度的概率分配方法构建初始种群,引入殖民国家同化以加强对优秀个体的搜索并在革命中运用基于工件-工速积的新型插入算子以改善解的质量;最后进行大量数值实验.计算结果表明该新型ICA在分布式并行机调度问题求解方面具有较强的搜索优势和较好的稳定性.     

基于主成分分析的叶片温度分布一致性研究

采用特征向量比对的方式进行研究.通过对叶片温度数据时域和频域空间特征提取,获得能够体现叶片温度分布信息的特征向量,并采用主成分分析(PCA)对特征向量进行去相关和降维,进而得到包含绝大部分叶片温度分布信息的低维特征向量.根据叶片温度特征向量与基准特征向量间的对比,评估叶片温度分布情况的一致性.实验结果表明,叶片的特征偏差均在5%以下,偏差较大的叶片数量占总量的5. 8%,该研究成果可以用于从温度特征上反映叶片工作状态,为叶片故障诊断及寿命预测提供基础.     

制造服务中服务协作链构建与优化研究

制造服务是制造与服务的融合,是面向制造的服务,并且可进行分解和重构;根据制造服务的特征,以制造企业外协加工制造服务为例,构建了制造服务服务协作链,定义了多元组的服务协作链,利用Petri网建立了五元组服务协作链模型,针对服务协作链优化这一N-P Hard问题,运用贪婪算法选取服务时间作为贪婪因子进行了优化,并进行了实例验证;通过算例验证了服务协作链优化的可行性,结果表明:构建制造服务中的服务协作链以及对服务协作链进行优化可实现制造服务中业务协作优化决策,为实现智能化制造系统奠定坚实基础。     

基于优化BP神经网络的高准确度软件缺陷预测应用研究

针对软件缺陷测试任务中的准确度问题,提出一种基于优化BP神经网路的软件缺陷预测方法 .该方法首先采用4层BP神经网络构建多层感知模型,并结合模糊控制原理实现任意复杂非线性关系逼近.然后通过灰狼优化算法克服BP神经网络的局部搜索陷入,从而解决其参数设置依赖性问题.实验结果表明,相比于PSO-BP算法和SA-BP算法,该算法的仿真拟合效果最优,表现出了更高的软件缺陷预测准确度.     

可折叠集装箱接驳运输问题的建模与优化

对一类带时间窗的可折叠箱接驳运输问题进行了研究,其中使用可折叠箱在堆场与客户之间集散货物,一辆集卡可装载一个满箱或多个空箱,目标为集卡总工作时间的最小化.借鉴确定的活动在顶点上的图的思想,将该问题分解为满箱子问题和空箱子问题,其中满箱子问题类似于带时间窗的多旅行商问题,空箱子问题因客户的货物量可为负值而显著区别于车辆路径问题,且两个子问题之间存在访问时间耦合等关联.进而建立了问题的数学描述,设计了问题的主动禁忌搜索(reactive tabu search,RTS)求解算法,并基于随机生成的大量算例验证了算法的有效性.结果表明,相比于使用CPLEX等优化软件,RTS算法可以在更短的时间内求得问题的更优解;相比于使用标准箱的情形,使用可折叠箱可节省约13%的接驳成本.     

QBSO算法在PID参数优化的应用

为解决PID控制参数求解过程中所存在的求解精度不高的问题,提出一种量子天牛群算法.通过结合PSO算法的全局搜索能力、BAS算法的局部搜索能力以及量子策略的随机能力,使得算法的全局搜索能力以及搜索精度得到有效提高,并通过两类经典函数对其寻优能力进行验证.进一步,将QBSO算法应用于PID参数优化中,并对一阶与二阶延时和非延时系统进行PID控制参数求解.通过仿真实验以及计算结果表明,基于QBSO的PID控制的控制系统具有更加优良的动态性能与抗扰动能力.     

基于混合优化算法的关节臂式测量机参数标定

为进一步提高关节臂式坐标测量机等高机动性精密测量设备的测量精度,使用D-H矩阵法建立其关节坐标转换数学模型并据此推导出参数误差模型.针对非线性多参数标定问题,通过变换分析消除了最小二乘法求解时矩阵中的冗余参数,降低了计算的复杂性.设定判定准则并实现最小二乘法和模拟退火算法的混合,提出了一种基于混合优化算法的参数标定方法,解决了LM算法的初值设定和SA算法的搜索效率逐步降低的问题.实验结果表明:关节臂式测量机参数经混合优化算法标定后,参数的误差范围有了显著的缩小,单点重复性误差的平均值减小了1.746 mm,长度误差的平均值减小了0.941 mm,测量误差得到了进一步的抑制.     

厚尾噪声条件下星凸形扩展目标student’s t滤波器

针对非线性非高斯厚尾噪声条件下的不规则形状的扩展目标跟踪问题,提出了基于随机超曲面模型(RHM)的星凸形扩展目标student’s t滤波算法.首先,在带有非高斯厚尾过程噪声和厚尾量测噪声的系统中, 基于student’s t分布给出鲁棒student’s t滤波器.其次,利用随机超曲面模型描述任意星凸形扩展目标的量测源分布, 提出带厚尾噪声的星凸形扩展目标student’s t滤波器.最后通过仿真验证了所提方法的正确性和有效性.     

模糊大脑情感学习的自适应噪声抵消方法

提出一种以模糊大脑情感学习(fuzzy brain emotional learning, FBEL)模型作为自适应噪声抵消器的噪声抵消方法，应用于信号处理问题。该方法通过FBEL模拟经非线性通道传输后的噪声信号，将噪声信号从含噪信号中过滤掉，达到消噪的目的；根据自适应学习算法，利用奖励信号和梯度下降法对FBEL模型的权重及参数进行在线更新，以适应噪声的变化。选取均方根误差和计算时间2个性能指标，采用自适应噪声抵消方法在不同网络中进行仿真比较，结果表明，应用该方法可以获得更好的滤波性能。