车辆可重复利用VRPTW问题的模型和改进蚁群算法

提出车辆可重复利用的VRPTW问题,建立多目标整数规划模型;基于蚁群系统（ACS）,按优先访问服务开始时间较早、服务时间较短和关窗时间较早的原则,设计启发式因子和蚂蚁状态转移规则;借鉴MMAS和ASrank的优点设计信息素更新策略,既加强对每次迭代最好解的利用,又避免陷入局优;根据客户服务结束时间较早优先原则构造初始解.实验结果表明,可以大幅度减少所需车辆数并节省车辆的总运行时间,具有较快的收敛速度,本文的模型和算法是有效的.     

基于支持向量机的换档质量评价系统

车辆换档质量是自动档车辆最重要的性能之一,因此换档质量的评价一直是车辆性能研究的一个重点。以支持向量机理论为核心创建的换档质量评价系统,综合考虑了车辆换档的各种工况和影响因素,利用支持向量机良好的泛化能力,能够稳定的对换档质量进行动态综合的评价。     

基于BPSO的元胞自动机准周期三行为研究

为研究一维二值元胞自动机的一类重要的群体演化行为--准周期三行为,提出了基于离散粒子群的元胞自动机演化算法,并通过使用活性元胞迭代图的平均面积为适值函数,发现了具有准周期三行为的元胞规则.与遗传算法相比,基于离散粒子群的元胞演化算法的搜索效率更高.实验还进一步表明,准周期三行为是某些元胞规则的特定行为,一定条件下与元胞自动机的初始构型关系不大.     

极小化加权总完工时间的同时加工排序问题

讨论了平行机串联工件同时加工排序问题。目标函数是极小化加权总完工时间,并假设满足每批均含有k个工件,并且每批的加工时间为该批中所有工件的加工时间之和。对平行机的情况,该问题是强NP难的。本文主要针对该问题的两种特殊情况:(1)所有工件的权相等;(2)所有工件的加工时间相等,分别给出了最优算法,分析了算法的时间复杂性,同时用数值例子作了说明。     

苹果供求关系计量模型构建及实证研究

基于预期理论,采用理论演绎与经验归纳相结合的方法,建立了反映苹果供求关系计量模型;运用相关的统计数据,对中国苹果供求关系进行了实证分析。结果表明:苹果供给和需求量受前期的影响最大;苹果加工业对苹果需求总量增长有带动作用;苹果加工量增长以及加工品价格变动并没有抑制苹果价格的下跌;另外,苹果进口量的增长已经对中国苹果价格产生了消极影响。表4,参13。     

用网络层次分析法（ANP）评估应急桥梁设计方案

主要介绍了应用网络层次分析法(ANP)评估应急桥梁设计方案的基本步骤.ANP在综合考虑各种因素的同时,考虑到因素间的相互影响,对各因素间的依赖的反馈关系进行了描述和计算,最后进行综合排序.利用超级决策SD(Super Decisions)软件很方便的计算了一个实例,计算结果表明,应用ANP评估应急桥梁设计方案是合理的.     

一种高速多维报文分类算法

报文分类作为一种核心技术,在消息处理,内容过滤,Web信息检索和支持QoS的路由器等领域有重要应用。RFC算法是目前具有代表性的一种报文分类算法,具有匹配速度快,占用内存少、支持范围匹配等优点,但是它不能处理具有变长字符串域。结合多模式匹配算法的思想,对RFC算法进行了有益扩充,使新算法能够根据变长字符串域进行分类。试验结果表明,改进的算法在有效扩展KFC算法的适用范围的基础上,仍具有良好的性能。     

基于形状描述直方图的声呐图像目标识别算法

针对水下声呐图像目标检测与识别问题,在图像规格化条件下,定义了几种不同的形状描述子,并统计计算描述子直方图,定义了几种不同的直方图匹配测度函数用以计算直方图间的相似性。分析了算法中关键参数的选取问题。仿真结果表明,基于该算法的识别率可达到98%以上,具有较强的不变性和鲁棒性。通过进一步信息融合算法可快速准确地实现水下声呐图像目标识别,具有较强的应用价值。     

UML类图到CPN转化方法的研究

UML（Unified Modeling Language）作为一种面向对象分析和设计的建模语言已被用在很多大型软件系统中,但UML缺乏精确的语义描述,难以直接用数学工具对UML模型进行分析、验证。而CPN（Coloured Petri Nets）作为一种建模工具,有着严格的形式化语义和分析方法。主要针对UML的类图,给出类图到CPN的转换方法,并以实例说明。     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.