基于元学习的航空电子设备特征选择算法推荐方法

为了对航空电子设备的测试数据进行有效约简, 去除冗余信息和不相关特征, 基于机器学习领域现有的特征选择算法, 提出了一种元学习框架下的航空电子设备特征选择算法推荐方法。所提方法旨在根据不同航空电子设备测试数据所蕴含的信息, 推荐合适的特征选择算法。首先, 分析了数据集特征的描述方法。然后, 介绍了采用综合度量指数的算法性能评价方法。最后, 给出了特征选择算法推荐方法的框架。使用42个航空电子设备的测试数据和13个过滤型特征选择算法建立了元数据库, 采用留一法进行交叉验证, 推荐命中率达到了90%以上, 推荐性能比例达到97%以上。     

中间包永久层正交设计试验

中间包是连续铸钢系统的重要组成部分。本文采用正交设计法,以铝酸盐水泥、微硅粉、高温氧化铝微粉三种微粉作为影响因素,制成9组铝硅质低水泥中间包永久层浇注料试样,检测试样中、高温性能指标。结果表明,最优方案为A_2B_2C_3,即铝酸盐水泥、微硅粉、高温氧化铝微粉质量百分含量分别为3wt%、4wt%和2wt%。     

城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

基于混合优化算法的关节臂式测量机参数标定

为进一步提高关节臂式坐标测量机等高机动性精密测量设备的测量精度,使用D-H矩阵法建立其关节坐标转换数学模型并据此推导出参数误差模型.针对非线性多参数标定问题,通过变换分析消除了最小二乘法求解时矩阵中的冗余参数,降低了计算的复杂性.设定判定准则并实现最小二乘法和模拟退火算法的混合,提出了一种基于混合优化算法的参数标定方法,解决了LM算法的初值设定和SA算法的搜索效率逐步降低的问题.实验结果表明:关节臂式测量机参数经混合优化算法标定后,参数的误差范围有了显著的缩小,单点重复性误差的平均值减小了1.746 mm,长度误差的平均值减小了0.941 mm,测量误差得到了进一步的抑制.     

混合粒子群算法的电火花成型加工工艺参数优化

针对电火花成型加工机床工艺参数难以确定以及工件表面质量差的问题,在CTM450机床上探究了脉冲电流、脉冲宽度、脉冲间隔对成型加工中MPR和Ra的影响,在正方实验的基础上,以提高材料去除率和工件表面质量为优化目标,设计了混合粒子群算法,将仿真优化后的结果与实际加工效果进行验证,表面该算法准确有效.     

氯乙烯精馏过程模拟优化与节能降耗的研究

针对某聚氯乙烯厂精馏过程中氯乙烯产品纯度低、能耗高的问题,利用化工流程模拟软件Aspen Plus对氯乙烯精馏系统中的T-203塔进行模拟优化,选择适合氯乙烯体系的NRTL模型进行计算,确定理论板数为28块。根据灵敏度分析和正交试验得到最佳操作参数为:回流比为0.8,进料位置为第2块理论板,侧线采出位置为第18块理论板。产品中氯乙烯质量分数达到99.999%,低沸物质量分数小于1×10-6,高沸物质量分数小于5×10-6。同时对精馏系统提出两项节能降耗技术,其中循环水改造技术预计为企业带来经济效益1034.85万元/a,高效导向筛板技术可以有效提高分离效率和生产能力。     

两种常用启发式算法在车间生产调度中的应用

通过对某电池生产的各加工流程进行相关数据的测量,分别运用Palmer算法和彼得罗夫-哈姆算法对生产进行排序,并计算出了经排序后产品的加工周期。通过比较发现,选择彼得罗夫—哈姆算法进行排产,能达到提高设备利用率、缩短产品加工周期的目标。     

基于卢浮宫游客疏散模型探讨大型建筑的疏散方案

卢浮宫是法国的著名建筑,也是游客数量较多的一处景点,因此做好紧急情况的游客疏散预案具有重要意义。本文以卢浮宫的人群撤离为研究对象,结合卢浮宫建筑构造模型化的特点,设计了一种以语音导览器为导航介质的疏散方案,使游客能在最短时间内有序撤离到最近的出口,从而达到疏散游客的目的。以此模型为原型,人们可以根据建筑的特点优化该模型,使之适应不同的建筑。     

基于一维数据逐段均匀条件下的参考分布研究

聚类分析中一个重要的问题是估计聚类数,GS方法通过参考分布对聚类数进行合理的估计,解决了其他聚类方法无法对应分为一类的数据进行分类的问题,具有更好的分类效果;目前已通过理论证明得出,在分布为对数凹且一维情况下,GS方法的参考分布为均匀分布,而有关其在其他条件下的参考分布研究较少;针对这一情况,提出解决一维且逐段均匀条件下GS方法的参考分布问题,以类内平方和为评价标准,通过拉格朗日乘数法求解与问题等价的优化问题,理论证出条件下总体均匀分布是类内平方和最大的情况,进而得出对于一维数据,逐段均匀条件下的参考分布仍为均匀分布的结论。