基于时间与支出预算的交通模式划分模型

交通模式划分是交通政策与规划研究中的重要内容。基于时间与支出预算的概念,建立宏观交通模式划分实用模型,并利用中国的数据,区分城市交通与城间交通,农村与城市居民进行了模型模拟。结果表明,模型具有较好的适应性与预测能力。     

基于图示评审技术的风险投资组合模型

运用系统论和GERT网络理论的思想及其原理,揭示了组合中各项目之间的组合规律,提出了风险投资组合的串联、并联和混联这3种不同的组合模式,构建了其风险与周期评估的组合GERT网络模型,为更加深入地理解与正确客观地把握风险投资状态提供了算法模型和理论依据。     

项目进度中的离散时间-费用决策问题研究

离散时间-费用权衡问题(DTCTP)是项目进度文献中被研究最多的双目标优化问题,它通常以三种形式出现:1)P1:截止日期问题;2)P2:预算问题;3)P3:工期-费用曲线问题.然而,对问题研究都集中在P1上,P2被关注较少.首先建立了与一般项目网络对应的P2的数学模型,在分析模型特征基础上,设计求解模型的遗传算法.最后,通过3个数值实例,验证模型的正确性和算法的有效性.     

动态输出反馈网络控制系统鲁棒控制器设计

研究了具有不确定时延的动态输出反馈网络控制系统鲁棒控制器设计问题.考虑小于等于一个采样周期的不确定时延,将动态输出反馈网络控制系统建模为含有不确定性的离散时变系统.利用Lyapunov理论和矩阵不等式方法,推导出系统鲁棒控制律存在的条件,并转化为矩阵不等式表示的可行性问题,从而可利用Matlab LMI工具箱来求解,以便构造鲁棒控制律.Matlab仿真算例说明分析方法和结果是有效可行的.     

不确定需求下的电力竞价贝叶斯博弈模型

电力竞价是一个不完全信息的博弈过程.假定竞争对手的报价服从已知区间上的某种分布,分别构建了确定需求与不确定需求条件下的二发电商电力竞价博弈模型,并给出这2个模型的贝叶斯纳什均衡解,即发电商在不同条件下的均衡报价.最后假定竞争对手的报价服从均匀分布,对构建的模型进行了分析,分析结论表明:在确定电力需求情况下,发电商的均衡报价一般在报价上,下限附近波动;而在不确定电力需求下,发电商的报价在报价下限与报价区间中点之间波动:当竞争对手的最大可供电量很少时,选择报价区间中点,而当发电成本很少时,很可能选择报价下限.     

"已实现"双幂次变差与多幂次变差的有效性分析

近年来,基于金融高频数据的波动率研究成为金融学研究领域的热点,而有效性是衡量波动率估计量优劣的重要标准,本文对波动率估计量的新方法“已实现”双幂次变差和“已实现”多幂次变差的有效性进行了研究,得出“已实现”双幂次变差在一般条件下比“已实现”波动更有效的结论,并且证明了在一定条件下,“已实现”多幂次变差的幂次个数越多,该波动率估计量的有效性越高.这一结论为“已实现”多幂次变差的幂次个数选取提供了原则.     

真空助力器带主缸总成疲劳试验系统辨识

真空助力器带主缸总成是汽车制动系统的关键增力部件,其气动疲劳试验系统由气动子系统、液压子系统、电控子系统等多个子系统构成,属于复杂的非线性系统。该系统存在众多不确定因素,因此无法直接建立数学模型。为了考察该系统的动态性能,采用递归BP神经网络对该系统进行辨识。试验结果表明,递归BP神经网络能够很好的逼近该复杂非线性系统,在不同时间序列作用下均有较好的泛化能力。     

综合集成系统中模型按需服务研究

基于综合集成模拟环境,针对广域网环境下本地、异地模型资源的集成管理与使用问题,对模型集成管理与模型服务机制进行研究,提出了模型按需服务（Modelingand Simulation On Demand,简称MSOD）。MSOD的作用就是建立一个基于综合集成模拟环境下的公共平台,满足环境中对模型资源的查询、集成、管理、组织、调用和控制的需要,为综合集成模拟环境中相应问题研究提供按需服务,即集成管理、按需建模和按需仿真。     

基于图论的电网脆性仿真

系统的脆性分析的关键是要建立脆性模型。图论针对网络系统可以描述出系统脆性传播的方向和权重。提出了基于图论理论的系统脆性模型建立的方法和步骤。针对7节点电力系统进行了理论的建模和分析,求出了分层的电力系统脆性模型和脆性源。证明了此方法对于网络系统分析的有效性。     

高阶FD-WENO格式用于Richtmyer-Meshkov不稳定性数值模拟

用双曲守恒律组的高阶加权本质上无振荡有限差分格式(FD-WENO)求解在众多领域有着重要应用的高马赫数二维流体界面Richtmyer-Meshkov不稳定性问题及激波与气泡相互作用问题,获得了较为理想的数值结果。表明高阶FD-WENO格式的确特别适合于求解这类既具有激波有具有复杂流动结构的流体动力学问题,它比通常的二阶Godunov格式(如PPM等)更为优越。