多惯性权重的自适应粒子群优化算法

惯性权重是粒子群优化算法重要参数之一,它能够平衡算法的全局搜索能力和局部搜索能力.为了利用已知惯性权重解决某些问题的优点,提出一种多惯性权重的自适应粒子群优化算法.首先定义了K步进化度的概念,然后基于进化度,从惯性权重集中随机选择惯性权重,使得适合解决某一问题的惯性权重在迭代过程中能够多次被使用,从而提高算法性能,把该算法应用到典型测试函数中,并与其他算法进行比较分析,结果表明,所提出的算法是可行的、有效的.     

全承载铝合金双层车车身连接结构分析

介绍了全承载铝合金双层车各大片连接和钢骨架底架结构,主要阐述在合拼时铝合金材质各大片与底架的钢骨架材料的连接方式.     

动力总成悬置设计对整车NVH性能影响分析

某车型在开发过程中,需要对整车NVH性能进行提升,利用仿真计算与实车测试相结合的手段,对动力总成悬置系统进行优化设计,有效提升车辆在怠速工况、加速工况及乘坐舒适性等方面的性能表现,该解决问题的方法和思路对于车辆NVH性能的设计有显著的指导意义.     

弹簧压并状态下悬架减振器绕流涡旋特性分析

为研究汽车行驶过程中减振器弹簧压并状态下翼子板内流场特性的变化,将该状态下的减振器简化为三维变截面圆柱模型,并建立变截面圆柱绕流三维流场模型,利用Transition SST四方程转捩模型模拟低、中、高3种车速对大、小圆柱绕流涡旋特性的影响.结果表明:绕流后尾涡的大小、形态、上升角均受圆柱直径、雷诺数及边界条件的影响,在变截面处验证“下洗”运动对N区边缘涡生长的直接作用及对L区涡旋分布的干扰作用;3种流速下适合绕流涡旋振动压电能量回收的最优夹角分别为±10°,±15°,±20°;在有界的高雷诺数流场下对变截面圆柱绕流涡旋重新分区,发现新的涡旋连接方式.     

基于大数据挖掘的热油管道闭环安全生产体系

长输加热原油管道运行工艺复杂,安全生产与优化相互矛盾,且存在管道沿线油温理论计算误差大,管壁结蜡评估难度大等问题。本研究利用管道实际生产数据,基于数据挖掘算法从热力和水力两个方面,构建了热油管道闭环安全生产体系。其中热力系统是利用BP神经网络,ARMA和Seq2Seq算法模型,建立稳态和非稳态油温预测模型,预测误差小于0.5℃。水力系统则是通过分析管道清管后一定时间内管道摩阻,利用MEA-BP神经网络建立管道标准摩阻预测模型,可对高含蜡热油管道管壁结蜡情况进行有效评估。建立摩阻数据库,利用高斯公式,对历史摩阻数据进行分析,设置历史摩阻数据的90%、95%为预警值和报警值,有效监控由于管道结蜡等引起的长周期摩阻变化。将研究成果应用于指导HY热油管道工艺调整,实现节能达92.4%。基于生产数据建立的油温预测模型,构建的热油管道闭环安全生产体系,具有很好的适用性,为未来管道智能化控制奠定了基础。     

一类新的随机三项共轭梯度算法

针对经验风险最小化(ERM)这一无约束优化问题,使用随机优化算法.为了提高损失函数值的下降速度,考虑三项共轭梯度法的优点,提出一类新的随机三项共轭梯度算法.并将新算法与经典的随机梯度下降(SGD)类算法和已有的随机共轭梯度算法CGVR进行比较,数值结果表明新算法比SGD类算法在求解ERM问题上更有优势.     

基于改进Lagrange乘子法的交通信号配时优化研究

为提高交叉口的机动车通行效率及环境效益,采用改进罚参数来构造一种新的Lagrange乘子法对交叉路口的交通信号进行优化配时。通过权重系数建立车辆延误与尾气排放的数学模型,利用改进Lagrange乘子法进行优化,将其结果与两种典型智能算法的优化结果进行对比,并利用VISSIM(Verkehr in Stadten Simulation)微观交通可视化仿真软件进行验证。实验结果表明,该方法优化的信号配时使车辆延误降低19.89%,尾气排放量降低2.379%,可见大比例优化了交叉口的车辆延误,同时可以降低尾气排放量。     

我国涉外专利纠纷中禁诉令制度的反思与优化

在知识经济时代中,各个国家对本国专利的保护采取了严格的措施。随着经济的全球化,本国专利的域外适用也在不断繁荣发展。专利的域外适用避免不了引起不同主体之间的纠纷。起源于英美法系的禁诉令制度在涉外专利纠纷中的适用往往侵害我国司法主权以及我国当事人对其专利享有的合法利益。我国现有的争议解决机制对于国外禁诉令制度的应对存在司法空白。为了获取国际专利纠纷的司法主权,我国应当辩证地分析与接纳他国禁诉令制度的特点,并形成符合中国司法实践的禁诉令制度,同时在兼顾效率与公平的基础上,维护我国司法主权、保障当事人的合法利益,协调多方利益主体之间的利益诉求。     

基于混合流量预测的虚拟网络拓扑重构方法

目前在构建虚拟网络时, 为满足用户动态变化的带宽需求, 虚拟网络控制平台通常把虚拟链路带宽设置为流量最大值, 一定程度上造成了资源浪费。针对这一问题, 提出一种基于混合流量预测的虚拟网络拓扑重构方法, 利用基于参数优化选择的混合流量预测算法对下一周期的网络流量进行预测, 根据流量预测结果进行拓扑重构, 在避免出现乒乓效应的同时节省更多带宽资源。为了提高流量预测算法的精度与效率, 首先采用小波分解方法将流量数据分解为高频的细节时间序列和低频的近似时间序列, 然后利用基于粒子群优化的相空间重构方法, 对该时间序列进行特征提取构建训练样本。之后分别采用混沌模型对细节时间序列进行训练预测, 采用极限学习机(extreme learning machine, ELM)神经网络对近似时间序列进行训练预测。仿真结果表明, 所提的流量预测算法在保证预测精度的同时, 运行时间更短, 预测效率更高, 进而保证了拓扑重构方法可以节省更多的带宽资源。