BIM情境下综合设施管理服务供应商激励契约

为有效激励综合设施管理（Integrated Facility Management，IFM）服务供应商应用BIM进行IFM外包服务，实现BIM在IFM过程中的应用价值与IFM项目绩效，基于委托代理理论，针对IFM外包BIM应用过程中IFM服务供应商需要执行的BIM系统运营服务和IFM业务咨询服务两项任务，构建多任务委托代理模型；依托模型，分析在两项服务任务成本相互独立、相互依存及相互替代等三种激励模式下的激励契约；结合模型计算与MATLAB仿真结果，辨识最优的激励模式及激励契约。研究表明：3种模式下的激励契约将对IFM服务供应商产生不同的激励效果，并对业主方IFM项目造成差异性绩效；3种激励模式下的最优激励契约由高到低排序为：成本相互依存模式下的最优激励契约>成本相互独立模式下的最优激励契约>成本相互替代模式下的最优激励契约；业主方应选取合适的激励模式与契约对IFM服务供应商进行激励，且其服务能力与IFM项目绩效越高，业主方对其激励将越大。     

用于联盟链的布隆过滤器优化

布隆过滤器常用于联盟链Hyperledger Fabric状态数据库LevelDB的读性能优化，但布隆过滤器本身存在误报现象，且LevelDB只能对布隆过滤器进行统一配置而无法自适应调整。为此，提出一种单元化的部分计数式布隆过滤器（partial counting Bloom filter,PCBF）构造方案，设计可并行计算的元素插入与查询机制并结合双重哈希及非加密哈希来实现快速插入与查询；基于开启过滤器单元与访问次数构建排序字符串表优先级，使用时间片轮询算法对过滤器单元进行自适应调整，实现了资源的合理分配。实验结果表明： PCBF具有较高的插入效率，并能减少20%左右的误报数量，适用于联盟链的高并发场景。     

基于Petri网的物流派送模型修复分析

目前,模型修复技术应用领域非常广泛,模型修复不仅可以达到完全重放日志的目的 ,还可以最大程度地与原始模型保持相似,能够保留原始模型的价值.因此,越来越多的学者专注于研究模型修复.基于Petri网构建了一个物流派送流程模型,然后将事件日志与流程模型进行一致性检查,主要根据成本对齐测量其偏差,并针对检查到的偏差部分,根据提出的用于辅助模型修复的算法对原始模型进行修复,使得修复后的模型能够完全重放事件日志.最后通过实例分析验证了修复模型的合理性.     

基于Mesh网的矿工心电信号无线监测系统研究

在矿难事故发生后实时监测被困矿工的生命体征,能够给营救工作提供重要的信息参考,因此设计了一款基于Mesh网的矿工心电信号无线监测系统.通过ADS1292心电检测模块对矿工的实时心电信息进行监测,然后将心电数据经过STM32F103单片机处理后通过OLED屏显示出来.同时,处理后的数据还可以通过无线组网模块发送至上位机进行显示,从而实现对井下采煤工人生命体征进行远程监测的目的.测试结果表明:该系统可以准确获取矿工心电信号波形,实测心率误差不超过4％,具有良好的应用前景和实用价值.     

基于淀粉经济、无毒的比色潜指纹检测

构建了一种基于淀粉的经济、无毒、实时的潜指纹比色检测方法.利用淀粉与指纹之间的氢键和范德华力作用,使淀粉有效识别出无孔和多孔基底上的潜指纹.通过将不同颜色的植物染料混合进淀粉,解决了由淀粉与基底之间顺色导致的检测对比度差的难题.该方法还表现出对老化潜指纹和重叠潜指纹的良好检测效果.     

融合多源先验信息的舰船备件可靠性评估

舰船工作环境常导致备件的实际可靠性规律与设计参数不一致。在实际使用消耗量较小的条件下,全面分析备件可靠性信息来源,通过定义似然权重系数,融合多源先验信息,建立指数型备件可靠性的贝叶斯评估方法。最后,通过仿真分析验证方法的合理性。结果表明,所提出的基于似然权重的先验信息融合方法可以较好地融合不同信息源的可靠性信息,估计方法具有较好的稳定性。     

知识牵引与数据驱动的兵棋AI设计及关键技术

在分析知识推理型与数据学习型兵棋人工智能(artifical intelligence, AI)优缺点的基础上, 提出了基于知识牵引与数据驱动的AI设计框架。针对框架中涉及的基于数据补全的战场态势感知，基于遗传模糊系统的关键点推理，基于层次任务网的任务规划、计划修复与重规划，基于深度强化学习的算子动作策略优化等关键技术进行深入探讨。结果表明，所提框架具有较强的适应性, 不仅能够满足分队、群队、人机混合等兵棋推演的应用需求, 而且适用于解决一般回合制或即时策略性的博弈对抗问题。     

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。