水翼空化流场的调控和优化研究

为抑制水力机械中水翼绕流流场空化的形成和发展,通过对比分析NACA0009、NACA0012以及Clark Y 3种经典水翼不同攻角和空化数工况下的性能,获得型线优化思路,建立了新水翼。进一步地,在新水翼上布设多个流动控制结构,通过广义模式搜索算法进行快速优化设计,对空化流场进行整体控制和局部调控。研究结果表明：新水翼吸力面凸起高度介于NACA0012和Clark Y水翼之间,最大凸起高度位置后移;新水翼的空化性能和水动力性能提升,升阻比最大提高48.8%,空泡脱落和回射流发展得到抑制;在新水翼吸力面均匀布设的多个控制结构能够对回射流起到连续抑制作用,改善压力分布;通过优化算法实现了控制结构设计的精准快速寻优,优化后的水翼性能得到了进一步提升,升阻比继续提高4.8%～13.6%,空化厚度与长度减小。型线优化和添加连续流动控制结构实现了空化流场的整体和局部控制,是提高水翼的空化和水动力性能的有效方法。     

用于物联网的可重构的祖冲之密码算法的硬件设计

针对应用在资源有限的物联网中的祖冲之(ZUC)256密码算法,本文介绍了一种资源优化的ZUC-256密码算法的硬件实现方案,设计了面向资源优化的循环型ZUC-256密码算法的硬件架构和基于块随机存取存储器(BRAM)的可重构S盒(S-box)单元,从而有效地降低了资源消耗。硬件方案在现场可编程逻辑门阵列(FPGA)上进行了硬件验证,结果表明本文资源优化的循环架构中的各个硬件开销相比已有的方案有明显的降低。     

基于SSA-LSTM-GF的混凝土坝变形预测方法

针对混凝土坝变形分析预测的复杂性,应用相空间重构思想和融合建模理念,提出了一种基于SSA-LSTM-GF的混凝土坝变形分析预测方法。SSA-LSTM-GF方法利用奇异谱分析法(SSA)将变形实测数据序列分解为趋势分量、周期分量和剩余分量,并将剩余分量视为噪声分量予以剔除;采用长短期记忆神经网络(LSTM)模型和高斯拟合(GF)算法分别进行周期分量和趋势分量的分析预测,并将二者结果进行叠加重构,得到最终预测结果。实例验证结果表明,SSA可以达到较好的数据分解和消噪效果,LSTM模型针对周期分量的预测性能优越,GF算法能够很好地实现趋势分量的拟合预测和部分信息的挖掘提取,LSTM模型和GF算法的成果重构效果良好,SSA-LSTM-GF方法具有一定的可行性和应用价值。     

基于混合团树的贝叶斯网络智能推理算法

提出了一种基于混合团树的智能推理体系架构,利用原始贝叶斯网络中变量之间的依赖关系对连接树进行改造,使得在推理过程中满足以下两个优势：(1)它能直接消除与证据和查询的无关的变量集,使得混合团树得以缩减为更小规模的二级树状结构,进而使消息不必在所有节点中传播;(2)它继承了连接树传播算法中可以重复利用混合团树中预先储存的信息进行加速推理.     

融合电池温度和寿命的深度强化学习PHEV能量管理策略

针对当前插电式混合动力汽车能量管理策略忽略电池老化成本和电池温度变化过大而导致的热失控问题,制定融合电池寿命和电池温度的深度Q-Learning神经网络(DQN)强化学习能量管理策略.首先,从融入能量管理策略的角度,建立动力电池热模型和老化模型,引入调节目标价值函数的严重因子和量化电池老化程度的安时通量.其次,建立由超温惩罚、等效电池老化成本和燃油消耗组成的目标价值函数,进而构建深度强化学习能量管理策略.最后,通过仿真实验对所制定的控制策略进行验证.结果表明：融合了电池老化和电池温度的能量管理策略能够有效抑制电池老化和温度.在4个随机工况中,DQN策略下的电池有效安时通过量相较于CD-CS最大下降了35.75%;与CD-CS相比,DQN策略下单个驾驶任务的行驶总成本最大降低10.36%,证明了所制定策略的有效性.     

应用禁忌粒子群算法的车间调度及其并行化实现

为了解决批量生产、制造、装配等车间调度问题,基于Hadoop集群,提出应用禁忌粒子群算法的车间调度及其并行化实现.以某装载机制造车间最小化完成时间为目标,通过使用禁忌粒子群算法对车间调度问题进行求解.结果表明：在车间批量大的情况下,禁忌粒子群算法可得出有效的调度方案,避免算法陷入局部最优解.与现有的智能算法相比,禁忌粒子群算法更有利于实现全局最优解.     

多vCPU环境中基于容器的科学工作流调度策略

现有科学工作流调度研究较少考虑计算资源的多道程序设计,难以同时实现有效的容器共享并优化任务并行度与资源利用率。为了解决以上难点,文章提出了一种分布式多vCPU环境中基于容器技术的分段式工作流调度策略。该策略通过分段调度方法,降低启发式算法的解空间大小,使用带遗传算子的自适应离散粒子群优化算法(ADPSOGA),在设备使用成本的约束下优化各个工作流的完成时间,并制定一种容器与设备间的动态伸缩方案,实现容器的复用并解决单个设备中任务并行时的资源争用问题。结果表明：ADPSOGA的性能优于其他同类启发式算法,并且分段调度方法与容器伸缩方案在工作流调度方面表现出良好的性能,能很好地适应因任务并行度增加所带来的影响。     

一种基于Retinex理论的图像去雾算法研究

针对Retinex算法去雾存在自适应能力差、容易产生光晕现象的缺点,通过对Retinex方法去雾后的图像依次做对比度拉伸、统计R/G/B分量像素亮度个数、用三次B样条拟合、计算曲线右侧的极值、确定天空区域分割阈值、得到分割图像,然后对分割后的非天空区域做色偏校正,对天空区域做均值化处理,最后将处理后的图像融合.实验结果表明,算法处理后峰值信噪比提高约9.14%,信息熵提升约22.2%,对比度提高约6.41%,说明改进后的算法效果较好.     

基于量子微粒群优化算法的半透明介质光学参数反演

针对半透明介质光学参数估计问题,建立了脉冲激光辐照下半透明介质光学参数反演模型,采用量子微粒群优化(QPSO)算法反演了折射率和吸收系数,分析了测量误差、热物性参数对反演结果的影响,并利用敏感性分析揭示了反演精度与测量误差的关系.计算结果表明：建立的反演模型和采用的QPSO算法可以精确估计折射率和吸收系数,即使人为添加10%的测量误差,反演结果依然具有较强的鲁棒性和准确度.本研究可为半透明介质物性参数获取提供技术参考.     

具有优先级的深度确定性策略梯度算法在自动驾驶中的应用

深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法在自动驾驶领域中应用广泛,但DDPG算法因采用均匀采样而导致低效率策略比例较高、训练效率低、收敛速度慢等.提出了基于优先级的深度确定性策略梯度(priority-based DDPD,P-DDPG)算法,通过优先级采样代替均匀采样来提升采样利用率、改善探索策略和提高神经网络训练效率,并且提出新的奖励函数作为评价标准.最后,在开源赛车模拟(The Open Racing Car Simulator,TORCS)平台上对P-DDPG算法的性能进行了测试,结果表明相对于DDPG算法,P-DDPG算法的累积奖励在25回合之后就有明显提升而DDPG在100回合之后训练效果才逐渐显现,提升约4倍.P-DDPG算法不仅训练效率提升且收敛速度加快.