非线性科学视域下大学核心竞争力探讨

从非线性科学的视角审视,大学是一个复杂的非线性系统,其学术、资本、组织、文化、外部关系等要素之间是一种非线性关系,大学核心竞争力是大学系统整体能力正效应的涌现,是大学子系统竞争力与合作力非线性相互作用基础上的协同整合,是大学系统演进中的序参量。     

随机条件久期模型的贴近度新息构建方法

针对随机条件久期(SCD)模型伪似然估计方法的非有效性问题,分析了新息对数正态分布的可能,证明了经修正的对数正态分布不仅满足SCD模型新息构建要求,其在期望值设定和随机取值方面优于原有新息分布,并进一步在此分布基础上提出了贴近度新息构建方法,该方法不同于期望新息构建方法,目的在于产生更少极端值使拟合久期接近实际久期,进而提高模型拟合和预报性能.同时也证明了新方法能包含原新息构建方法,具有一般性.当然,新息的对数正态分布也保证了SCD模型卡尔曼滤波解具备有效性,属于非伪似然估计.最后,通过一组模拟数据证实了新息对数正态分布的可行性,以及所提贴近度新息构建方法的优越性.     

带跳市场中随机利率下的美式—亚式期权定价

在假设期权标的资产价格服从跳跃-扩散模型、利率遵循短期随机利率模型的基础上,运用总体最小二乘拟蒙特卡罗方法为美式-亚式期权定价,并将得到的定价结果和不带跳市场中美式-亚式期权的价格进行比较,数值结果表明,运用总体最小二乘拟蒙特卡罗方法得到的期权价格更好地反映了实际期权价格,并且该方法用于美式-亚式期权定价是合理的,时效性强,收敛速度快.     

基于配载约束的配送优化问题及其求解算法

车辆配载与配送是两个相互联系与相互影响的子问题,考虑了货物的易损性、装载的稳定性、物品不可倒置、车辆平衡性、先下后装等配载约束,构建了车辆配载与配送联合优化的混合整数规划模型,基于问题自身的特点开发了由配载启发式算法和基于节约值的蚁群算法有机结合的交互式混合算法,采用基准实验问题(benchmarkproblems)进行了一系列对比试验,结果显示了所提出的模型及算法的有效性与实用性.     

末制导雷达目标与诱饵的联合参数估计和辨识

拖曳式诱饵干扰条件下目标与诱饵的参数估计和身份辨识是制导雷达实现精确打击的前提条件。不可分辨角度范围内的目标和诱饵引起导引头雷达回波的干涉混叠,导致常规测量方法失效。当目标和诱饵处于相邻的两个匹配滤波采样点之间时,这些采样点所包含的信息将有助于参数估计的获取。通过充分挖掘两个连续匹配滤波采样点所包含的特征信息获得接收回波的概率分布,结合干扰形式和特点采用改进的粒子群优化方法从最大似然估计的角度获取目标与诱饵的对应参数,实现删除二者的身份辨识。各种条件下的仿真实验验证了方法的有效性。     

基于UT变换的MMPHD机动目标跟踪

基于序列蒙特卡罗方法的多模概率假设密度(probability hypothesis density, PHD)滤波算法及其改进方法,在预测过程中依据多个并行的状态转移模型将大量粒子散布到下一时刻目标所有可能出现的状态空间,从而实现目标状态的捕获。由于这些方法大量使用粒子,造成计算量巨大、算法实时性差。为此,提出了基于无迹变换的多模PHD机动目标跟踪方法。该方法利用最新量测信息获得粒子预测过程中的建议密度函数,从而将粒子聚合在目标最可能出现的状态空间邻域中,充分实现粒子的有效利用。仿真实验表明,论文提出的算法不仅显著减少了多模PHD算法的计算量,而且在一定程度上提高了多模PHD算法的精度。     

基于量子遗传算法的港口目标瞄准点选择

使用多枚巡航导弹攻击港口目标时,瞄准点选择非常关键,传统方法所用模型较为简单、算法较为耗时。为此,根据港口子目标幅员特性,构建矩形化子目标,并按离差最大思想赋予威胁指数。从毁伤效果出发,以毁伤下界为限,构建港口目标威胁消除模型。将量子理论引入遗传算法,构建量子遗传融合算法,并用其求解瞄准点分布。仿真结果表明,得出的瞄准点具有较高可靠性,验证了模型的有效性,所用算法能在短时间内找出最优解,提高了解的收敛速度。     

军事信息系统服务资源分配并行优化方法

针对如何提高面向服务军事信息系统中任务工作流执行的时效性和成功概率, 提出了服务资源分配的并行优化方法. 首先给出了服务资源分配的系统框架, 在分析服务并行执行数目、 任务成功率、任务完成时间及服务执行代价之间关系的基础上, 建立了服务并行优化的目标规划数学模型, 并提出了一种求解该模型的改进粒子群算法(DPSO). 该算法通过引入粒子细微扰动、优化粒子飞行边界及粒子优胜劣汰等扩大搜索范围,提高获得最优解的概率. 实验结果表明服务分配的并行优化及其DPSO 求解算法是提高任务工作流执行成功率和时效性的有效方法.     

面向多极值质量特性的全局式序贯性实验设计方法

针对多极值质量特性的全局性建模和参数优化问题, 为降低实验设计样本量, 提高模型预测性能, 提出一种全局式序贯性设计方法. 首先在一定的初始实验设计方式下, 建立过程粗略的SVR模型; 而后根据模型中支持向量的分布, 在支持向量样本各维度的45度角或轴向方向同步地增加实验点, 再拟合过程新的SVR模型; 如此迭代进行, 当模型精度达到要求或样本量达到上限时终止序贯性设计. 仿真与实证研究表明, 该方法能够在可行域全局的范围内将实验点合理地分配在质量特性的多个极值附近, 避免了传统的单路径式序贯性设计只能发现单个极值的不足, 充分提高了实验效率; 与均匀空间网格设计、 拉丁超立方设计和均匀设计相比, 在样本量接近的情况下, 基于全局式序贯性设计的SVR 模型的预测均方误差至少降低了30%; 而在预测误差较为接近的情况下, 全局式序贯性设计的样本量至少降低了12%.