基于灰色系统理论GM(1,1)预测的易变质商品最优补货模型

针对仓库容量有一定限制的补货间隔期不受零售商控制情况下的多周期补货问题,在是否租借仓库未知的情况下和一定服务水平约束的条件下给出一种可选则的预期利润模型,从而确定最优补货量及最优方案,并用Matlab仿真方法分析租借仓库率和随机补货间隔期的分布函数对预期利润的影响,验证模型的有效性.     

公路军事交通运输勤务综合演习项目GERT网络模型研究与分析

运用随机网络理论 ,构建了在现代高技术战争条件下 ,“红、兰”军双方激烈对抗时 ,公路军事交通运输勤务系统运行过程的 GERT网络模型 ,并举例求出了其解析解 .在此基础上 ,提出了演习 (或战争 )时 ,公路军事交通运输保障的“失败”概率与“转移”(战术、战役或战略转移 )概率的概念 ,并对其因素构成及其相互关系进行了剖析 .     

主生产计划日报的神经网络监控

本文将生产计划作为动态系统,采用BP网建立了主生产计划的神经网络模型,依据梯度算法建立了优化器,对主生产计划日报的调度进行了研究,并以某公司为实际背景进行了仿真实验.     

模糊评判在住宅价格评估中的应用

模糊特征在住宅价格评估中占有重要地位,在科学定义若干基本概念的基础上,提出了运用模糊综合评判进行住宅价格评估的方法,该方法把模糊评判和享乐价格方法相结合,解决了住宅价格评估中模糊特征的合理量化问题,具有科学、合理、易于操作等特点。     

基于PID理论的平衡梁控制系统仿真与实验

平衡梁控制系统是我们研制的一种新型现代控制理论实验装置。本文通过建立系统的数学模型并对系统进行了仿真。比较了系统在ＰＩＤ控制器作用下的仿真结果和实际控制效果,最后讨论了模型的准确性和平衡梁系统的控制控制效果。     

基于ET-WG和ET-OWG算子的二元语义群决策法

针对一类属性值和权重值均为语言评价信息的多属性群决策问题,提出了一种群决策分析方法.首先,为了便于语言评价信息的集结运算,提出了一些新的集结算子:扩展的二元语义加权几何(ET-WG)算子和扩展的二元语义有序加权几何(ET-OWG)算子,并分析了这些算子的性质.然后提出了一种基于ET-WG算子和ET-OWG算子的群决策方法,其核心是通过语言信息的集结运算,得到各方案的群体综合评价信息,从而根据二元语义信息的比较原则,得到所有方案的排序结果.最后给出了一个实例分析,说明了本文提出方法的可行性和实用性.     

不确定网络化控制系统鲁棒故障检测

针对一类具有未知输入和模型不确定性的网络化控制系统,基于H_∞滤波器研究了系统的鲁棒故障检测问题.利用输入时滞方法,将含有网络传输时滞和数据丢包的不确定网络化控制系统建模成一类具有双加性状态时滞项的连续系统.采用Lyapunov-Krasovskii泛函方法分析了新系统的H_∞性能,并将所得结果应用于原系统鲁棒故障检测滤波器的设计,得到了滤波器存在的时滞依赖条件.最后,通过仿真验证了该方法的有效性.     

基于大系统理论的高校科研创新团队知识创新过程管理

将大系统论应用于高校科研创新团队知识创新过程管理,阐述了高校科研创新团队内涵、结构及大系统特征,分析了高校科研创新团队知识创新管理的现状及存在的问题;建立了高校科研创新团队知识创新过程管理的大系统理论模型,并结合神经网络方法进行了实例分析.结果表明:基于大系统理论的高校科研创新团队知识创新过程管理模型能从高校科研创新团队知识创新的全局出发,定量地分析高校科研创新团队知识创新过程,提高了科研创新团队对信息的掌握、利用和分析能力,从而提高了领军人物对团队的预测、控制和决策能力.     

基于可拓学的行为模型验证

虚拟实体行为的逼真度和可信度是行为建模的两个重要指标,行为模型验证是断定行为模型是否真实可信的重要手段.行为模型具有决策空间多维性和响应结果不确定性等特征,传统的面向数学物理模型的验证方法难以凑效.提出依据可拓学基本原理,结合专家经验评估法,对虚拟实体行为模型进行验证的方法.算例表明该方法对于行为模型的验证是有效的,可以实现多层次验证指标的分解与合成,并最大限度地降低了验证过程中的主观因素.     

人工记忆优化算法

为了求解复杂函数优化问题,根据人类记忆原理构造出了具有全局收敛性的人工记忆优化算法. 在该算法中,每个记忆元对应着一个试探解; 将记忆原理的记忆和遗忘规律用于控制每个记忆元的状态转移; 记忆元的状态由与试探解相关的状态描述量以及记忆残留值构成,该值分为瞬时记忆、短时记忆和长时记忆三种状态类型,并依据记忆元接受刺激的强度被加强或衰减; 处在瞬时记忆、 短时记忆和长时记忆状态的记忆残留值衰减速度由快到慢,记忆残留值低于某个阈值的记忆元要被遗忘,不再被处理. 在记忆元状态转变过程中,记忆元从一个状态转移到另一个状态实现了对优化问题最优解的搜索. 该算法将试探解与记忆关联,使得试探解依据其质量好坏被自动分类; 处于长时记忆状态的试探解因其质量好,其部分变量的状态值将被传给其它质量差的试探解对应的变量,使其质量得到改善; 处于不同记忆状态的试探解交换信息时,只有很少部分变量进行状态信息交换,这样既可以使试探解的大部分变量的状态保持不变,又能使其质量得到改善,且可大幅减少变量处理个数,对于高维优化问题此举可大幅提高算法收敛速度; 随着演化的进行,质量差的试探解会不断被遗忘,被处理的试探解的数量会不断减少,因此,随着时间的推移,本算法的收敛速度将越来越快. 应用可归约随机矩阵的稳定性条件证明了本算法具有全局收敛性. 测试结果表明本算法的性能与现有的群智能优化算法相比,具有收敛速度快,求解精度高的优势.