基于改进边际优化的离散变量优化设计算法

针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法。借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优。实例分析表明,所提算法能够快速准确地收敛到局部最优解,实现以尽可能少的目标函数测算得到问题的满意解或最优解,适合于求解高维离散变量优化问题和仿真优化问题。     

偶尔连接模式在航空维修一线管理系统中的应用

针对航空维修一线管理系统的终端--便携式维修支持系统(Portable Maintenance Aids,PMA)在航空维修一线中遇到的脱机工作问题,研究了维修一线管理系统在偶尔连接模式下的数据处理策略,提出了维修一线管理系统偶尔连接模式的数据访问模型.在此基础上,从长期数据缓存的选取和数据同步机制研究了系统的实现.实际运行的效果表明,支持偶尔连接模式的维修一线管理系统能够很好地适应航空维修一线的网络环境,更加充分地发挥功效.     

危险天气下改航路径网络规划

针对现有改航路径规划模型未考虑多机改航时的关联效应和路径网络特性等问题,提出了基于两阶段分析的改航路径网络规划方法。首先利用栅格法模拟改航环境,然后在单一改航路径规划的基础上形成初始路径网络,进而给出引入流量约束的网络规划模型和基于改航点布局的求解策略,最后利用NSGA Ⅲ算法对我国东南地区局部空域运输系统进行仿真分析,结果表明该规划方法能有效避免飞行冲突,提高网络综合特性,具备一定参考价值。     

多元时间序列缺失数据填补方法

多元时间序列是一种普遍存在的数据类型,受多种干扰因素的作用,序列中难免存在缺失数据,影响后续的分析处理。首先,针对存在缺失数据的序列,搜索与其同类的相似序列,构建训练集;然后,利用最小二乘支持向量机,分别进行多变量填补和单变量填补;第三,根据多变量和单变量填补结果的差异度,提出了一种组合阈值填补方法。最后,对所提方法进行了实验验证,结果表明,它具有较高的填补精度且适用于缺失数据较多的场合。     

基于插值-拟合-迁移学习算法的机载设备故障概率预测

针对不同工作环境的机载设备故障概率预测问题,提出自适应权重的插值-拟合-迁移学习 (interpolation-fitting-transfer learning, ITF)算法。算法根据数据量和数据特征(分布相似度和信息熵)对插值、拟合、迁移学习赋予一定的权重进行线性组合。插值和拟合方法可以对故障频率进行平滑,而迁移学习可以规避数据贫化所引起的预测风险。分析该方法的可行性,通过仿真实例展示算法在预测准确度上的优势,并讨论算法中仍待解决的问题和下一步的工作。     

一种预测锂电池剩余寿命的改进粒子滤波算法

粒子滤波算法本身存在着粒子退化问题,对于衰减趋势变化剧烈的模型,难以获得精确的预测结果,限制了算法的适用范围。针对以上问题对粒子滤波进行改进,通过引入粒子群优化算法中的粒子更新机制,优化粒子的全局位置信息,进而重新分配各粒子权重,降低了重采样阶段粒子重置的比例,改善了算法固有的粒子退化现象,达到改进算法、提升算法预测性能的目的;同时,为验证算法的实际效果,以马里兰大学先进寿命周期工程中心(CALCE)发布的锂电池容量实验数据集为基础,分别使用传统粒子滤波算法与改进的算法进行剩余寿命预测仿真。经过对比发现:改进算法误差下降33.6%,可获得更为精确的预测结果,重采样率下降18.3%,粒子退化问题得到改善。     

区域航路网络容量评估模型

针对区域航路网络容量评估方法单一、主观性强等问题,提出基于有向图理论的动态容量评估模型。充分提取航路网络特征,将多源、汇点复杂航路网络抽象成单源、汇点标准航路网络。引入航路阻抗公式,将管制员因素融入客观容量评估中,并利用Ford-Fulkerson算法求解航路网络容量及关键路径。最后以某飞行情报区为例,分析了航路网络的容量特征,得出其关键路径集的瓶颈容量为354.4sor/h。仿真结果证明了该模型的有效性和准确性。     

基于神经网络的仿真优化算法设计

为降低传统仿真优化方法所需的仿真次数,从而缩短仿真优化时间,提出了基于广义回归神经网络(generalized regression neural network,GRNN)的仿真优化算法设计。首先,利用仿真生成一定数量的样本集,利用GRNN进行训练,得到初始回归曲面,并在该曲面上利用模式搜索算法找出全部可能的局部极小,由于可能会找到一些假局部极小点——噪声点,设计了剔除噪声点的方法,得到全部局部极小;在各局部极小点周围增补少量仿真样本,再次利用GRNN进行训练,得到新的回归曲面。重复增补样本,直到得到仿真优化的最优解。实例表明,所提方法能够有效降低所需样本的数量,实现仿真优化问题的求解。     

基于SMOTEBoost的非均衡数据集SVM分类器

在对实际问题进行数据挖掘时面临的多数是非均衡数据集,即各种类型的数据分布并不均匀,且关注的类型常是少数类.运用含有少量少数类型事例的数据集训练后的模型进行预测时,通常对多数类的预测精度很高,而少数类的预测精确性却很差.提出了一种集成方法SMOTEBoostSVM,通过SMOTE技术人工生成增加少数类样本量,以具有较强分类性能和泛化性能的SVM作为弱分类器,并以AdaBoost算法构建集成分类器.实验结果表明,SMOTEBoostSVM集成分类器比单纯运用SMOTE技术、AdaBoost算法以及SVM等的分类器,在非均衡数据集的分类预测中具有更好的效果.     

基于贝叶斯框架下LS-SVM的时间序列预测模型

将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择,建立起时间序列的非线性预测模型.在推断的第一层,选择模型的参数,在推断的第二层,选择模型超参数,第三层,选择模型的核参数,并选择相关输入变量.该模型应用于加州电力市场现货价格的预测,取得了较好的效果.