高新技术企业创新资金配置风险预警的FOA-SVM模型及实证

为了提高创新资金的运营效率和为企业创新活动提供有效支撑,按照高新技术企业创新资金配置的生态化要求,从资金的来源、使用、偿还、收益分配四个维度进行风险分析并构建风险预警指标,给出创新资金配置的生态目标,将支持向量机二分类问题扩展到多分类并与果蝇优化算法结合构建风险预警的FOA-SVM (fruit fly optimization algorithm and support vector machines)模型,确定警度和警限,选取117家医药制造企业2016年数据进行模型验证并与GA-SVM (genetic algorithm and support vector machines)模型进行比较分析,研究表明,FOA-SVM模型分类准确率高而且对于高风险的误判率低,可以实现对高新技术企业创新资金配置风险的分类预警,为优化创新资金配置、防范与控制创新资金配置风险提供依据.     

基于语言偏好信息的满意公平稳定双边匹配方法

针对语言偏好信息下的双边匹配问题,提出一种考虑匹配满意性、公平性和稳定性的双边匹配方法.首先,通过构造匹配满意度计算规则,将双边主体的语言偏好信息转化为匹配满意度;然后,给出满意匹配、公平匹配和稳定匹配的定义,在此基础上,考虑稳定匹配约束条件,建立双边匹配多目标优化模型,采用理想点法将多目标优化模型转化为单目标规划模型进行求解;最后,通过一个算例验证了提出方法的可行性和有效性.     

科技智库研究方法:进展与趋势

 对全球科技智库的学科领域、理论体系、具体方法以及实践成果进行了调研与分析。调研结果显示，经济管理、政治法律、安全社会、能源环境等学科领域是科技智库研究方法关系网的核心，交通建筑、天文地学、生物医药、材料化学、数学物理、信息通信等学科领域处于辅助地位。科技智库的研究理论经由科技规划、科技评估、科技路线图的实践，逐渐向DⅡS研究体系发展。科技智库研究的具体方法可分为数据收集方法、信息整合方法、综合研判方法、方案构建方法4类，具有多主体、多对象、多介质、多因子、多组合、多渠道、多层次、多维度、多阶段、多角色等特征。随着科学技术在公共服务和决策咨询中的应用，科技智库的研究方法以可视化平台、跟踪调查平台、综合检索平台为依托，将进一步深化、拓展、完善。     

动车所调车作业计划优化模型与算法

本文在分析动车组一级修作业流程特点的基础上,将动车所调车作业计划优化问题构建为整数规划模型并设计了融合"股道均衡分配规则""股道无效占用时间最小化规则""冲突消解策略"的启发式算法对问题进行求解,以动车所实际案例为背景验证了模型和算法的有效性。结果表明,所提出优化模型和算法是有效的;所提启发式算法相比三类常见的调度方法具有明显的优越性。     

自动化码头运输设备充电策略优化的仿真研究

随着自动化集装箱码头成为当今码头的发展趋势,AGV(automated guided vehicle) 作为自动化码头中使用最为广泛的水平运输工具,合理制定其充电策略至关重要。针对当前自动化集装箱码头中AGV充电策略的不足,提出一种以离线充电为主在线充电为辅的充电策略,并且针对在线充电站点位置选择问题提出一种利用热区图选择有效在线充电站点的快捷方法。在使用该种充电策略情况下,通过大量仿真实验得出在码头工作任务量不变的前提下可减少AGV数量配置的结果,说明自动化集装箱码头水平搬运效率得到提高,证明该充电策略具有有效性。     

多重约束下智慧仓储机器人配置仿真优化研究

针对智慧仓库的仓储机器人配置问题,构建了基于排队论的离散事件仿真模型,在保证系统可靠性和服务强度的前提下,考虑到故障对系统的影响,以距离成本、时间成本、空闲成本和购置成本所构成的总成本最小化为目标,提出了一种基于FlexSim平台的离散事件仿真优化方法。通过分析系统平均队长、订单平均逗留时间等指标,将直观化的系统瓶颈与运行实际数据相结合,求得系统成本最小的配置策略。结合实例,对算例中的智慧仓库机器人配置方案进行求解。结果表明,基于FlexSim平台的离散事件仿真寻优方法,能够求解仓储机器人配置的优化方案,并能保证模型方法的计算效率。     

Dynamic Model Averaging and CPI Inflation Forecasts: A Comparison between the Euro Area and the United States

The paper forecasts consumer price inflation in the euro area (EA) and in the USA between 1980:Q1 and 2012:Q4 based on a large set of predictors, with dynamic model averaging (DMA) and dynamic model selection (DMS). DMA/DMS allows not solely for coefficients to change over time, but also for changes in the entire forecasting model over time. DMA/DMS provides on average the best inflation forecasts with regard to alternative approaches (such as the random walk). DMS outperforms DMA. These results are robust for different sample periods and for various forecast horizons. The paper highlights common features between the USA and the EA. First, two groups of predictors forecast inflation: temporary fundamentals that have a frequent impact on inflation but only for short time periods; and persistent fundamentals whose switches are less frequent over time. Second, the importance of some variables (particularly international food commodity prices, house prices and oil prices) as predictors for consumer price index inflation increases when such variables experience large shocks. The paper also shows that significant differences prevail in the forecasting models between the USA and the EA. Such differences can be explained by the structure of these respective economies. Copyright © 2015 John Wiley & Sons, Ltd.