新的粒子群优化算法

粒子群优化(PSO:Partic le Swarm Optim ization)算法是一种有效的全局优化技术。对于PSO算法,很容易陷入局部极值。针对上述缺点,提出了两点改进:对基本PSO算法的速度更新公式中的全局极值给出新的定义,以使粒子群体保持多样性;适当地缩放适应值,与随机规则共同决定某个粒子作为速度公式中的全局极值。改进的两点用于PSO算法后期,形成新的PSO算法(NPSO:New PSO)。NPSO能有效地改善算法,具有摆脱局部极值的能力。在给定的条件下,选用3个函数进行了测试。实验结果显示,在获得平均适应值方面,该算法比PSO算法提高1.62%~16.5%,明显优于基本的PSO算法。     

创新网络合作方式的选择策略

创新网络是促进技术、产品创新的重要制度安排。在创新网络中,企业应根据自身的知识、品牌、能力等禀赋,采用适合的网络合作模式,选择正确的合作伙伴,以达到整合资源、促进创新的目的,这对于处在国际金融危机冲击下的我国中小企业,尤其具有重要战略意义。     

灵山大佛精神测绘及质量控制

研究了一整套的测绘造型技术,主要包括微型控制网的建立、高精度近景摄影测量、数字化造型、投影基点导线等新方法及精度分析,并对造型中的质量较全面地实施监控,确保了灵山大佛修建的高质量完成了,本文研究方法有较好的应用价值。     

巯基交联淀粉的制备及其对汞等重金属离子絮凝性能的研究

交联玉米淀粉与巯基乙酸在酸催化下,以THF为反应介质,在适当的配料比和反应条件下,可以制得巯基含量为0.5～0.8mmol/g的巯基交联淀粉。对一些重金属,它是一种有效的絮凝剂,可用于含汞、铅和镉等废水的处理。     

拉压弹性模量不等材料杆的纯弯曲及偏心压缩

基于弹性力学的基本理论 ,分析了拉压弹性模量不等材料直杆在纯弯曲变形状态下的应力和应变 ,给出相应的应力计算公式 ,并讨论了拉压弹性模量的比值参数对应力分布的影响 .在此基础上又分析了拉压弹性模量不等材料杆在偏心压缩时的应力、应变 ,给出了横截面中性轴位置的数值计算方法和数值解 ,并进行了定性的讨论 .     

专业课教学中培养数学建模思想的研究

数学建模是利用数学方法解决实际问题的一种实践活动,开展数学建模活动既可以丰富学生的知识结构．又能培养学生的人文素质,是培养学生创新能力与综合实践能力的重要途径,数学教师在教学中应该有意识的培养学生的数学建模意识、思想。培养并提高学生的数学建模能力可遵循以下几点：（1）在概念中渗透数学建模思想;（2）在内容中培养数学建模意识;（3）在习题和作业中强化数学建模方法;（4）在考核中包含数学建模内容。     

江西桃红岭国家级自然保护区梅花鹿种群生存力分析

梅花鹿华南亚种(Cervus nipponkopschi)是我国Ⅰ级重点保护野生动物。目前仅分布于江西、浙江、安徽等狭窄的区域内,形成多个孤立种群。根据梅花鹿种群的相关参数,借助漩涡模型Vortex 9.99,以江西桃红岭国家级自然保护区梅花鹿种群为研究对象,对其梅花鹿种群在1983年后100 a内的动态及敏感性进行了模拟分析。模型结果表明,在自然情况下,该种群在100 a内灭绝概率为0。第1阶段(1983-1998年)种群数量从60只快速增长至226只,第2阶段(1998-2011年)种群数量从226只增长到341只,第3阶段(2011-2083年)种群数量维持在352只左右,年均增长率分别为9.25%、3.32%、0.04%。虽然高死亡率、灾害延缓了种群增长的速度,近亲繁殖导致近100 a内基因杂合率下降了7.46%,但这些因素并没有显著影响桃红岭梅花鹿种群近100 a内的命运。在不考虑其它条件的情况下,环境容纳量对梅花鹿种群遗传多样性损失具有明显的影响,是限制该梅花鹿种群发展的重要因素。因此,改善生境质量,提高环境容纳量是促进该梅花鹿种群增长的有效途径。有计划的火烧、植被矮化以及开辟生境走廊,可以有效地改善鹿类环境容纳量,是当前梅花鹿保护亟待开展的工作。同时,应进一步提高当地社区居民的保护意识,杜绝偷猎盗猎,降低人类生产经营活动对梅花鹿的影响。     

论可持续发展战略的文化因素

可持续发展战略的文化因素主要表现为：该战略的形成是建立在深刻的文化变革基础上，该战略的本质内容包含着丰富的文化含量，该战略的实施要依靠文化力的推动和整合。     

油田废水余热发电的可行性分析

分析了某油田废水的特性,提出特油污水热能综合利用的方案,并设计了工艺流程图．结果表明,该工艺不但可以充分利用污水的低温余热,每天产生10．2×104kW·h的电能．该系统还有助于削减二氧化硫和二氧化碳污染物的排放．关于油田废水污水对换热设备造成的腐蚀问题,可将涂层或者镀层应用于金属表面是比较方便和经济的．     

基于变精度邻域粗糙集的多标记子空间研究

多标记学习是目前机器学习中的热点研究问题。本文基于变精度邻域粗糙集探究多标记学习中的特征选择方法,并对所得到的多标记子空间进行了详细的分析。首先提出了基于多标记学习的变精度邻域粗糙集模型,进而给出了一种多标记学习中的特征选择方法。在此基础上,基于不同的精度和邻域能够得到不同的特征选择结果,即不同的特征子空间。该文详细分析了精度和邻域对特征子空间的影响,并将所得到的特征子空间进行集成,详细分析了相应的集成效果。