基于模拟植物生长算法的异速并行机调度 ——以汽车4S店维修车间瓶颈环节调度为例

汽车4S店维修车间的钣喷设备是整个维修服务系统的瓶颈, 通过对瓶颈的合理调度可以有效地提升系统效率. 首先, 用三元组α/β/γ方法, 将该问题描述为受准备时间和机器适用约束限制的, 以最小化加权滞后时间和为目标的异速并行机调度问题, 建立了对应的数学模型. 接着, 采用模拟植物生长算法求解此类调度问题, 提出了与问题相适应的生长点表示方法和迭代方法. 最后, 通过实例仿真简要分析了模型及算法的可行性和有效性.     

基于稀疏型支持向量回归的时间序列预测

为提高支持向量回归在时间序列预测应用中的学习速度和泛化性能,提出了稀疏型支持向量回归方法.通过牛顿优化法,直接优化支持向量回归的原始问题.然后利用Cholesky分解更新原始优化中的Hessian矩阵实现稀疏型支持向量回归算法.最后将该算法运用到Mackey-Glass,Lorenz和Logistic混沌时间序列预测,仿真结果表明本文提出的方法能够在确保预测精度的前提下,有效地降低支持向量的个数.     

基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通"智能运输系统"和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

支持向量机在导弹动力系统推力预测中的应用

应用改进型支持向量回归算法ν-SVR,研究了导弹动力系统推力预测问题,讨论了不同核函数和惩罚因子对推力预测的影响。发现选用多层感知器核函数和适当的惩罚因子时,得到的预测模型稳定性好,并且训练时间和预测误差相对较小;同时与BP神经网络模型进行了对比研究,仿真结果表明,支持向量机能够更好地预测发动机推力,是一种研究小样本情况下推力预测的有效方法。     

改进装饰线条施工方法,为工程观感增光添彩

为了使建筑物完美体现设计理念,尽显建筑物直线的顺畅美和弧线的飘然美,施工装饰线条时针对不同部位的不同设计采取不同的施工措施,既达到设计要求,节约人力、时间,又保证了建筑物的观感。     

基于软/硬件协同的Java高效虚拟机设计

为完成高效的Java虚拟机(JVM)设计,采用软/硬件协同的FPGA设计方案,分析了软/硬件协同设计的Java虚拟机的处理流程,给出了硬软件的文境切换算法和协同设计方案,并采用JVM的基准程序进行了评估,评估结果表明：选择适当的体系结构及协同设计方法,JVM的性能会得到很大的提高.在虚拟机的常用方法加速不够的情况下,使用协同设计JVM将是比较理想的选择.     

液压脉振注射成型过程能耗分析

为降低液压脉振注射成型过程中的总体能耗,对成型过程中螺杆轴向振动对熔体注射充模各阶段能耗的影响进行了研究,建立了振动力场作用下熔体流经圆管形流道的数学模型,推导出了相应的能耗表达式并讨论了螺杆轴向振动振幅对注射成型总体能耗的影响。结果表明,振动力场的引入使得注射过程总体能耗减小;在螺杆轴向振动振幅变化的一定范围内,能耗随振幅的增加而减小;振幅存在一个使得能耗最小的最佳值。实验结果验证了以上结论。     

防止纱线重叠的卷绕比确定方法

纱线卷绕中,不当的卷绕参数会导致纱线间距过小以致重叠,造成容纱量低、卷绕振动、退绕断头及混纱等问题。采用几何及数学方法,分析了纱线排布规律及其与卷绕比的关系,发现适宜的卷绕比可以实现纱线规律性的错开排布,进而有效防止纱线间距过小而产生重叠。提出了适应不同工艺要求的卷绕比确定方法,分析了卷绕过程中纱线夹角及最小纱线间距的细微变化及其对卷绕比选取的影响,给出了优化卷绕比防止纱线重叠的完整方法并进行了示例说明。     

“机械原理”课程教学研究与探讨

“机械原理”作为一门专业基础课程,为后续的专业课程打下基础。通过本课程的学习,要求培养学生具备分析和解决工程实际问题的能力,并具备一定的创新能力。本文结合个人教学实践经验,就改进教学方法,优化教学内容,培养学生创新能力问题进行了研究与探讨,为教学提供了新的思路。     

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法（improved sparrow search algorithm,ISSA）优化支持向量机（support vector machine,SVM）,进而建立边坡稳定性预测模型（ISSA-SVM模型）。将重度、粘聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取国内外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法（grey relation analysis,GRA）进行敏感性分析。结果表明：ISSA-SVM模型预测精度更高、泛化能力更强,粘聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。