不确定条件下多产品第四方物流闭环网络鲁棒优化研究

在不确定条件下,构建了一个包括生产商、集中退货中心、消费区/初始退货点、维修处理中心、分销中心和废弃处置中心的单周期多产品第四方物流闭环网络选址模型。在销售量和退货率均不确定的情况下,用鲁棒优化的方法进行优化,目标是使总成本最小。通过lingo 10对具体算例进行求解。结果验证了该模型的鲁棒性。     

一类风险模型的破产概率的渐近性分析

本文运用中心极限定理分析一类风险模型的破产概率的影响因素,分析破产概率随初始资本、安全负载和索赔的方差变化情况。最后,运用概率不等式给出指数破产概率的一个渐近行为,从而得到破产概率按指数衰减到零。     

一种基于MH改进的重启随机游走链路预测算法

基本随机游走相似性指标由于其转移概率仅由当前节点的度决定,影响链路预测效果.鉴于此,在MH (Metropolis-Hasting)算法的基础上,充分利用邻居节点的度信息,并采用将当前节点的自环率按邻居节点的度值加权分配给邻居节点的方法重构转移概率矩阵,再融合重启随机游走(Random Walk with Restart,RWR)相似性指标,提出一种改进MH的链路预测算法.首先,根据当前节点与邻居节点的度信息重新定义节点间的转移概率;然后,将新的转移概率重构成概率矩阵;最后,融合RWR相似性指标进行链路预测实验.结果表明,新算法相较于RWR、CN (Common Neighbors)等7种基准算法在AUC指标上均有提升,在排序分指标上也有所改善;AUC指标上最高可提升3.98%,排序分指标上最高下降1.92%,提升了链路预测的准确性.     

全概率公式的启发式教学方法研究

通过实例对全概率公式的启发式教学方法进行了总结和探讨,提出了教学中应该注意的几个问题,以便使学生更容易理解和掌握有关知识.     

北京市生态安全格局保护紧迫性分级

以北京市为例,通过粒度反推法和景观连通性识别重要生态用地,通过邻域分析法构建生态阻力面,采用MCR模型构建北京生态安全格局,利用人工神经网络计算建设用地扩张概率,对构建的生态安全格局进行保护紧迫性分级。结果表明,北京市重要生态用地面积为6488.53 km²,主要分布在西部和东北部山区,小部分位于东南平原。一级生态用地面积为4482.48 km²,主要分布在西北和西南地区;二级生态用地面积为1338.27 km²,主要分布在西部远郊山区、西南部近郊平原和东南部平原;三级生态用地面积为669.77 km²,主要分布在中北部和东南部平原。重要生态廊道长度为2410.47 km,分布在远郊城镇以及城乡交界处。一级生态廊道长度为1477.63 km,主要分布在西北和西南远郊山区;二级生态廊道长度为390.91 km,主要分布在远郊平原的生态用地附近;三级生态廊道长度为541.93 km,主要分布在城市中心的周边地区,呈环状包围中心城区。     

基于后验概率的住房信贷评估SVM模型

针对标准SVM模型在信贷评估中单纯将客户划分为违约或者未违约的不足,提出了利用基于后验概率的SVM用于住房信贷评估的方法.利用商业银行的住房信贷数据进行的实证研究表明,基于后验概率的SVM模型通过将标准SVM的决策值转化为后验概率输出,能够对住房信贷客户的违约概率进行估计,对于商业银行根据客户的违约概率制定相应的信贷政策以及设计相应的住房信贷产品更具有实践意义.     

保险失效或退保概率的马尔可夫链预测模型

利用连续时间时齐马尔可夫链构建关于保险失效或退保概率的预测模型,用以计算任一时刻处于各个状态的概率,并给出参数估计的方法.由于实际中保单的状态在特定的时刻会发生离散事件,因此使用多阶段的马尔可夫链模型来刻画这一特点,即在发生离散事件的特定时刻,定义一个跳跃矩阵描述该时刻的状态转移情况.将该模型应用到保险公司的寿险失效或退保概率的研究中,通过实际的数据对模型参数进行估计和校准,通过校准的马尔可夫链模型对其寿险失效或退保概率进行预测并得到较好的预测结果.     

复杂流动下泥沙起动概率的图像测量

提出了一种适合于复杂流动下泥沙起动概率的测量方法--图像测量法.该方法对床面上砂颗粒的运动图像进行采集,根据采集到的图像采用互相关算法计算出砂颗粒的运动速度,由砂颗粒运动速度得到泥沙的起动概率.采用该方法测量了槽道流动及后台阶流动2种情况下床面泥沙的起动概率.在槽道流动下,床面泥沙的起动概率随着床面剪应力的增大而增大.由本文测量方法得到的临界起动剪应力与希尔兹曲线所得到的结果相一致.在后台阶流动下,测量结果表明,再附点附近处泥沙的起动概率最大.这一结果能够解释在后台阶下游床面局部冲刷实验中发现的再附点附近冲刷最为严重的现象.     

基于参数嵌入算法的支持向量机分类可视化研究

针对常用的降维算法只能可视化高维数据某一方面或某几方面特征的不足,运用参数嵌入算法在低维空间可视化其所有的特征。首先假设数据的类别在嵌入空间服从高斯分布,通过支持向量机分类算法获得训练数据在高维空间类别属性的后验概率,然后运用参数嵌入算法得到测试数据在嵌入空间的坐标和类别属性,从而实现高维数据分类的可视化．在Usps,YaleB,Mini Newsgroups数据集上的实验结果表明,该方法不仅能在低维空间表示高维数据与所属类别的联系,而且能正确揭示出数据集内部和类别集内部的关系,有利于深入研究高维数据分类的性质,参数嵌入算法的可视化效果优于直接应用PCA,ISOMAP等算法得到的低维图形,并且计算复杂度仅是数据类别和相应个数的乘积,非常适合于数据量大,类别数较少的数据分类可视化。