集装箱码头装卸作业顺序多目标优化调度模型

集装箱码头装卸是码头作业的基础环节,其作业进度和稳定性直接影响集装箱船舶的在港时间.针对码头装卸作业顺序优化问题中作业时间不确定并且可拆分的特点,本文建立了同时最小化作业总完工时间及"岸边无集卡与堆场无集卡的时间和"的多目标混合整数规划模型.所建立模型的作业时间变量受到决策变量影响且可行域不规则,使得其求解复杂性和难度增加且帕累托前沿解难以搜寻.为求解模型,设计了基于仿真模拟与调度经验规则的PNSGA-Ⅱ算法.最后,通过与传统NSGA-Ⅱ算法比较,以及对在静态情景与动态情景下的算例实验进行统计对比,验证了所建立模型与PNSGA-Ⅱ算法可有效求解集装箱码头装卸作业顺序优化问题,并对码头生成高效稳定的装卸作业调度方案提供决策支持.     

股权分置改革对我国上市公司并购的影响

股权分置的制度安排严重阻碍我国上市公司并购的健康发展,而股权制度改革为其扫除了根本的制度障碍,奠定了良好的发展平台。本文首先分析了股权分置安排下我国上市公司并购的特点,指出股权分置给并购带来的各种弊端;然后展望了股权分置改革后对我国上市公司并购的影响;并展望了其发展方向。     

临沂大学水域沿岸底栖硅藻群落调查

通过对临沂大学水域最具有代表性的两大水域——学海湖与滨海湖沿岸底栖硅藻群落进行调查研究,并利用硅藻香农威纳指数、均匀度指数和硅藻商对水质进行评价,发现硅藻组合的变化与水体环境密切相关,并随季节变化的现象.结果显示:临沂大学两大水域中共发现硅藻61个种,隶属于2纲28属,最大优势属为菱形藻属.两个湖硅藻密度范围在37.17 1 014.66 ind./m L,平均值为451.75 ind./m L,香农威纳指数范围为1.66H2.44,均匀度指数范围为0.46E0.58,硅藻商范围为0.08Q0.61.各采样点的以上指数均随时间变化发生波动.数据表明,两湖水质状况均较为清洁,但滨海湖水环境状况总体好于学海湖,因此应在保持两湖整体较好的水体环境的基础上加强对学海湖的水质监测与保护,以防水质恶化.     

集装箱码头同贝同步装卸作业的序列优化模型

同贝同步装卸是集装箱码头提高装卸作业效率和资源利用率的有效途径和方法.其调度的复杂性体现在需要同时决策装、卸船两类集装箱在受堆场翻箱约束和舱口盖限制情况下的作业序列.针对该问题的柔性准备时间、成组调度和优先顺序约束等特点,本文建立了同贝同步装卸作业的整数规划模型.为求解模型,设计了基于遗传算法和贪婪规则的混合求解算法.最后,通过将算例实验结果与不考虑翻箱和舱口盖限制的简单下界进行比较,验证了模型与算法的有效性,说明所建立的模型有利于提高集装箱码头的装卸作业效率.     

移动货架系统多机器人“存-取货架”调度优化方法

近年来,机器人移动货架系统已成为我国智慧物流与智能仓储的重要发展方向,多机器人“存-取货架”调度优化问题是影响该系统运行效率的挑战性难题.本文以减少机器人总行驶距离为目标,对机器人“存货架”和“取货架”进行联合决策,构建了多机器人“存-取货架”调度优化模型.针对该问题具有决策耦合性、解空间巨大的难点,设计了限定宽度的动态规划算法获取初始解,并将所构建的整数规划模型嵌入自适应大邻域搜索启发式框架中,通过两种分解算子将原模型转化为较小规模的子模型,提出自适应数学规划启发式算法,能够快速生成近似最优的调度方案.数值实验表明,与分别优化“存货架”和“取货架”调度相比,本文的联合调度优化方法能够减少约60%的机器人总行驶距离;与实践中普遍应用且性能表现最好的就近指派规则对比,本文方法可降低10%至15%的机器人总行驶距离.本文结论可为指导企业的仓库布局与调度提供借鉴,对我国智能仓储的发展具有重要意义.     

线上线下融合的新零售模式运营管理研究现状与展望

近年来,线上线下融合的新零售模式得到了飞速发展,加速了中国乃至世界零售业的新变革,极大地影响和改变了人们的生产和消费方式.这种新模式实现线上线下优势互补、催生新的商务模式.伴随着这一新零售模式的飞速发展和落地实践,它所呈现出的协同性、集成性、网络化、数字化和智能化等特征,给新零售企业的运作管理带来了前所未有的挑战,使其面临重重困难.本文将从价值共创的视角,对新零售模式运营管理的几个核心问题展开剖析,重点从线上线下融合相关的基于价值共创的新零售模式创新、多利益主体协同运作激励机制、消费者需求拉动下的全渠道产品动态定价、新零售模式的全渠道运营库存管理以及"最后一公里"物流即时-协同配送优化等方面对国内外的相关研究进行综述,并展望未来研究的发展趋势.     

基于加权GraphSAGE和生成对抗网络的医保欺诈识别方法

医保欺诈行为分析与识别是医疗保险基金监管中最为重要的工作,对保障医保基金安全与可持续发展有着非常重要的意义.为保证医保欺诈行为识别的准确度,需充分挖掘医保数据中的患者信息.然而,对于缺乏欺诈样本的不平衡医保数据集,目前常用的医保欺诈识别模型的泛化能力不佳且性能下降.因此,本文提出了一种基于加权GraphSAGE和生成对抗网络的医保欺诈识别方法.该方法融合了患者就诊关系特征表示与基于加权GraphSAGE算法的患者特征提取,并结合生成对抗网络构建识别模型.实验证明,本方法大大提升了模型的识别性能.同时,我们将所提方法与元路径向量、图卷积神经网络、图注意力网络、多层图注意力网络和超图自适应聚类网络等先进主流识别模型对比发现,本文提出的识别方法在召回率、精确率、F1值和准确率等指标下表现也更好;在不同数据规模和不同正负样本比例下,模型性能稳定,有较好的泛化性.