仿真环境下随机性VRP的序贯优化策略研究

通过融合机会约束优化策略与序贯决策方法,提出了机会约束序贯优化策略.该策略在优化随机性VRP的决策中不但可以利用计算机的优化计算能力,而且可以将决策人的经验和偏好融入其中,这种人为参与的决策可以成功地解决随机性VRP的决策问题,避免了马尔科夫决策过程中存在的维数灾难问题.通过仿真模型对该策略的实验表明随机性VRP的序贯优化策略优于其它策略.     

基于改进SPRT的多重响应序贯分支筛选法

针对仿真实验中多重响应序贯分支法(MSB)不能验证单个因子对所有响应效应显著性这一不足,在改进Wa1d序贯概率比检验(SPRT)的基础上提出了一种新的多重响应序贯分支法(简称IMSB).该方法在仅增加少量仿真次数并在保证统计效力的基础上,即可获取单个因子对所有响应的效应显著性信息.蒙特卡洛对比仿真表明IMSB是切实可行的,在完全保证仿真实验效力的同时准确获取了因子对所有响应的效应显著性判断,且较传统的针对单个响应的SB法减少了大量的仿真次数,该方法在大型复杂仿真系统的后仿真分析中具有良好的实际应用价值.     

虚拟试验设计中的序贯极大熵方法研究

针对包舍计算耗时仿真模型的虚拟试验预测模型建模过程，提出了一种序贯极大熵试验设计方法。通过调整高斯先验过程协方差函数，在预测模型误差较大区域序贯地增加新试验点，合理权衡试验点数目与预测模型精度。设计数学算例演示了序贯极大熵试验设计方法的效率，并证明优于一步法，适用于虚拟试验预测模型建模。     

正态分布未知参数的联合序贯验后加权检验方法

在进行抽样试验时,采用传统的假设检验方法进行决策所需的样本容量通常是比较大的,而充分利用在进行抽样试验之前所能获得的关于总体分布未知参数的验前信息,在Bayes理论的基础上,采用序贯验后加权检验方法可以有效地减小试验所需的样本容量。对正态分布总体的均值与方差参数均未知时的联合序贯验后加权检验方法进行了深入分析,给出了在抽样试验之前确定假设检验问题所需样本容量和决策阈值的计算方法,并结合雷达探测距离的以往实际试验数据和结果进行了对比分析,验证了该方法在减小样本容量及提高试验效费比方面的有效性。     

数论网格法在极大似然估计中的应用

复杂似然函数的多峰性使得极大似然估计的求解存在很大困难。针对这一问题,提出了求解极大似然估计问题的数论网格法。讨论了数论网格法的特点,理论分析了其算法精度,给出了基于数论网格的序贯优化算法的计算步骤,研究了初始搜索区域和算法初始参数的确定方法。最后,以两参数威布尔分布参数极大似然估计为例,给出了极大似然估计的计算过程,比较了序贯优化算法和对分法的估计结果,说明了序贯优化算法的有效性和计算效率。     

春节模型的效应期识别方法研究

春节模型的参数设定目前更多依赖于研究者的主观判断.为解决这一问题,本文首先介绍了春节因素调整的一般过程以及模型设定和检验的相关细节.在此基础上,提出一种基于"循环遍历"方式和序贯检验方法来自动选择春节模型的最优参数组合的新思路.并以社会消费品零售总额月度序列的春节模型的最优效应期长度识别为例,检验该方法的可行性和有效性.实证结果显示,基于季节峰值、离群值点、Q统计量、AICC值和BIC值等统计量的序贯检验能够有效识别出春节模型的最优效应期长度,进而改善春节模型的季节调整性能.     

多变量过程的边界调整策略

针对存在设置偏差且生产阶段有限的多变量过程,研究了调整费用恒定情形下的使过程质量损失最小的边界调整策略.在建立过程状态空间方程的基础上,利用贝叶斯推断和动态规划给出了调整策略中随生产阶段变化的边界.通过算例解释了边界调整策略的实现方法,并通过仿真将调整策略与其他两种质量控制策略进行了比较分析,仿真结果表明调整策略能够更好的减少过程的总体质量损失.     

方位未知信号联合检测与估计研究

为解决高斯噪声中方位未知平面波信号的检测及方位估计这一无源雷达信号处理中的重要问题,在讨论联合检测与估计序贯实现的基础上,设计远场平面波信号入射方位(DOA)的充分统计量,构造自然共轭密度函数族,并将其运用到序贯算法中。仿真实验表明,联合检测与估计序贯算法较传统的检测与估计分离算法在检测性能上有2 dB的改善。     

基于线性学习函数的泛证券投资组合策略

最优定常再调整策略所产生的收益随时间成指数速度增长, 寻找与最优定常再调整策略的收益具有相同指数增长率的在线序贯投资组合是近年来投资组合研究的一个 热点. 首先提出了基于线性学习函数的在线投资组合策略, 其中线性函数的系数是一个与股票相对价格和收益有关的区间的中点. 用相对熵函数定义两个投资组合向量之 间的距离, 进一步证明了基于线性函数的在线投资组合策略是泛证券投资组合. 最后, 分别在两支股票和三支股票组成的多个投资组合上进行了数值计算, 并 与Cover等人提出的泛证券投资组合策略进行了比较. 结果表明这种基于线性学习函数的在线投资组合策略能获得更多的收益, 从而为投资者提供了新的 在线序贯投资组合决策的方法和依据, 具有重要的现实指导意义.     

基于平方根CKF的多传感器序贯式融合跟踪算法

为了提高非线性序贯式融合跟踪算法的精度,提出了基于平方根容积卡尔曼滤波器的多传感器序贯式融合跟踪算法。该算法使用三阶容积数值积分原则计算非线性过程的均值和方差,克服了扩展卡尔曼滤波器存在的滤波精度低及平方根无迹卡尔曼滤波器存在的参数复杂的缺点。同时,在滤波递归过程中以协方差平方根矩阵代替协方差矩阵,这样确保了滤波算法的数值稳定性,提高了跟踪的精度。最后用已知弹道系数的再入段弹道跟踪模型对所提算法的性能进行仿真测试。仿真结果表明,所提算法具有很好的跟踪性能,是一种有效的非线性序贯式融合跟踪算法。