基于网络流矩阵求解网络最大流

通过建立网络流矩阵及相关概念，研究其性质，从理论上提出了基于网络流矩阵的最大流求解方法，并且给出了严格的数学证明和具体步骤。主要采用了节点流量平衡、转化为矩阵、矩阵降阶的思想。这些思想的应用具有重要的理论意义，同时也为研究最小费用最大流问题开辟了新途径，和其它方法比较，本文的方法具有操作简单、易于实现等优点。     

含不确定参数线性优化的新鲁棒优化模型

针对椭球不确定数据鲁棒线性优化模型的保守性,提出了一种新的鲁棒线性优化模型。通过引入新的距离公式,把椭球不确定数据映射到单位球中,以此来改进鲁棒线性优化模型。新模型克服了原模型对数据扰动较大时的保守性,从而在解的鲁棒性和最优性之间得到一个比较好的平衡。通过对几个标准实际问题的测试,结果表明新模型在保证解的鲁棒性的同时具有良好的最优性。     

基于数据域描述的模糊临近支持向量机算法

针对传统支持向量机由于样本中存在孤立点或噪声而导致的过学习问题,通过分析模糊支持向量机和临近支持向量机的特点,借鉴它们的优点:模糊隶属度和临近超平面,提出了一种数据处理方法。该方法考虑了样本点到类中心的距离与样本对分类的贡献率的关系。这种改进使分类更为清晰和准确。结果表明:采用新的模糊隶属度模糊临近支持向量机算法有较高的识别率,但也耗费了较多的训练时间。     

矩阵的B-H序和*序

讨论矩阵的B-H序、 *序和左(右)*序之间的关系. 对于部分等距矩阵, 证明了它们之间是一致的.     

DLR-F6翼身组合体跨声速阻力计算

采用美国航空航天学会阻力测试小组提供的多块对接网格,结合Spalart-Allmaras、Wilcox’sk-ω和Menter’s k-ω SST三种湍流模型,通过求解雷诺平均Navier-Stokes方程、数值模拟DLR-F6翼身组合体的流场来研究阻力计算精度,考查网格和湍流模型对翼身组合体构型气动特性的影响.结果表明:三种湍流模型得到的机翼表面压力系数分布与实验数据吻合良好,气动力随攻角的变化趋势与实验结果一致;Spalart-Allmaras模型得到了网格收敛结果,所得阻力优于其他软件的结果;网格密度对阻力有影响,对机翼表面压力系数分布无明显影响;湍流模型对机翼表面压力系数分布的影响主要体现在激波位置上,对升力影响较小,对阻力(尤其是摩擦阻力)影响显著,对翼根处的流动分离有一定影响;在跨声速流动中,Menter’s k-ω SST模型的结果最接近实验数据.     

基于黎曼流形上的非可微规划问题的必要最优性条件

针对黎曼流形上的非可微数学规划问题,在黎曼流形上分别给出了Lipschitz函数的广义方向导数和广义梯度的概念.利用黎曼流形局部与欧氏空间开集微分同胚的性质,把定义在线性空间上的广义方向导数和广义梯度的性质和运算法则通过切映射传递到流形的切空间上去.在此基础上,利用Ekeland变分原理,推导出基于黎曼流形上具有等式和不等式约束的数学规划问题的必要最优性条件.     

求解多目标优化问题的多智能体遗传算法

目的 在求解多目标优化问题时，总是希望获得尽可能多的Pareto解，且这些解能够较均匀地分布在目标空间的Pareto边界上。方法 通过引入智能体的概念，并将多个智能体组成的多智能体系统与经典遗传算法相结合，给出了一种求解多目标优化问题的多智能体遗传算法。结果 对每个智能体在其邻域内进行局部Pareto寻优操作，而不是在整个群体中进行Pareto寻优，从而保证了群体的多样性，并在一定程度上抑制了种群的早熟现象。结论 该方法能够找到问题的分布较均匀的Pareto最优解。     

基于拓展C-OWGA算子的多属性群决策方法

目的为求决策方法的简洁实用,研究决策信息为区间数的多属性群决策问题。方法将连续的OWGA(C-OWGA)集结算子拓展到不确定环境之中,提出了一些不确定信息(区间数)集成新算子,如加权的C-OWGA(WC-OWGA)算子、有序加权的C-OWGA(OWC-OWGA)算子以及混合的C-OWGA(HC-OWGA)算子。结果结合区间数的运算法则,利用HC-OWGA算子对决策信息进行集结而获得方案的排序。提出了基于HC-OWGA算子的不确定多属性群决策方法。结论算例表明该方法是可行有效的,且该方法有良好的应用前景。     

黎曼流形上的向量似变分不等式与向量优化问题

在黎曼流形上分别给出广义方向导数、广义梯度、不变凸变集和不变凸函数等概念,定义两类似变分不等式,分别讨论这两类变分不等式与向量优化问题有效解之间的关系.     

双信道无线传感器网络移动代理路由算法

针对移动代理在信道竞争过程中的相互碰撞及相互抑制问题,提出了一种移动代理联合优化路由算法(MACORA).首先利用双层图模型将双信道无线传感器网络中的信道变换问题转化成双层图中的路由问题,进而可将寻路业务和数据传输业务分别放在双层图的控制层和数据层中同步传输,然后将双层图的控制层和数据层融合成一个双层网络,并在这个双层网络中为每个业务实时选路,最后充分利用不同网络层间的空闲信道资源来减少移动代理在信道竞争过程中的相互碰撞及相互抑制概率,达到降低网络堵塞率及数据包传递失误率2个目标.仿真结果表明,与动态传感器网络移动代理路由算法及无线传感器网络移动代理路由算法相比,MACORA算法能将数据包的传递成功率提高15%,并能有效降低网络的平均通信延迟.