救援效率视角下灾后动态应急配送网络优化

针对应急救援问题,在受灾点的位置、需求以及受灾人口等信息动态变化的情况下,建立动态有向救援网络,以救援效率最大化为目标构建数学模型。运用数据包络分析模型,对各段救援路线的效率进行评价;建立基于效率的动态路由模型,通过时间片的划分将动态路由转化为多阶段的静态路由;设计了改进的混合贪心蚁群优化算法对模型进行求解,并将该算法与遗传算法、粒子群算法以及基础的蚁群算法进行对比。实验结果表明：改进的混合贪心蚁群优化算法能够有效处理动态路由问题,寻求到更高的救援效率。     

基于协作式深度强化学习的火灾应急疏散仿真研究

火灾是威胁公共安全的主要灾害之一,火灾产生的高温和有毒有害烟气严重影响了疏散路径的选择。将深度强化学习引入到应急疏散仿真研究,针对多智能体环境提出了协作式双深度Q网络算法。建立随时间动态变化的火灾场景模型,为人员疏散提供实时的危险区域分布信息;对各自独立的智能体神经网络进行整合,建立多智能体统一的深度神经网络,实现所有智能体之间的神经网络和经验共享,提高整体协作疏散效率。结果表明：所提方法具有良好的稳定性和适应性,训练和学习效率得到提升,具有良好的应用价值。     

基于区间直觉模糊数ANP的体系贡献率计算方法

体系贡献率主要用于体系建设中度量装备对体系的贡献程度。为解决目前体系贡献率计算存在的一些问题,提出一种“任务–能力–指标–装备”的多层次装备指标体系结构。考虑了装备指标体系结构、网络分析法和区间直觉模糊数的特点,提出了一种基于区间直觉模糊数的网络分析法以得到更准确的体系贡献率。实验表明,该方法不仅能够解决体系贡献率计算公式现存的问题,而且与AHP(analytic hierarchy process)和ANP(analytic network process)相比,可以得到更准确的体系贡献率,为体系建设提供更有效的支持。     

量子全加法器的修改和算法研究

通过与经典全加器的基本模型进行比较后,讨论了一个改进后的量子平面加法器的基本构型.对其原理、组件和算法进行了研究,比较了本加法器两个主要组件与一般量子加法器的不同.作为应用的例,设计了一个n比特量子全加法器的模型,对其具体运算过程和基本功能进行了说明.     

基于故障树分析和贝叶斯网络方法的液压举升机构故障诊断

为应对液压举升机故障原因复杂,诊断方法准确性不高等问题,提出一种基于故障树和贝叶斯网络的液压举升机故障诊断方法。首先建立液压举升机构故障树,然后将故障树转换为贝叶斯网络,利用三角模糊函数表示举升机底事件发生概率,得到底事件模糊概率,将其做为先验概率计算叶节点发生概率,进而求得根节点后验概率以及概率重要度,可快速诊断出故障点。     

一种新的模糊神经网络删剪策略

模糊规则的数量直接决定模糊神经网络结构的复杂度和效率.基于神经网络自构行学习(NNSCL)算法,用共轭剃度预条件正则方程算法求取删除隐层神经元后的剩余权值,得到改进的NNSCL-1算法.将此算法应用到模糊神经网络的规则推理层,可以极大地优化网络的规则及结构,并且结构优化后不需要重新训练也能保持网络的精确度和泛化能力.仿真结果显示了此算法的有效性和可行性.     

公路网路线综合重要度评价研究

公路网路线重要程度的评价对公路网规划、投资、建设和运营管理具有重大意义.建立了公路网路线综合重要度评价指标体系即路线功能、技术等级和交通量,运用模糊综合评判以及层次分析法测算路线的重要程度.     

生物统计学MCAI网络教学平台的研制

利用计算机多媒体技术研制了生物统计学MCAI网络教学平台.该教学平台是基于windows 98以上的操作系统,主要运用PowerPoint 2000,Office 2003,Photoshop 8.0,Flash MX 2004,Dreamweaver MX 2004,vb 6.0,Macromedia FlashPaper 2等软件,将教学内容通过生动形象的图、文、声、像等要素有机地组合成网络多媒体教学系统,具有友好的界面和良好的人机交互功能,既便于教师课堂演示,使教学过程形象生动,提高学生的学习兴趣,又适合于使用者自学,加深对该门课程的系统掌握.     

高校校园网环境下的计算机教学模式(综述)

信息技术在教学中的使用越来越广泛,在校园网络环境下,教师应建立现代教学理念,分析计算机教学中存在的问题,了解校园网的基本组成和功能,力求转换师生角色,探索出新的教学模式,逐步引导学生充分利用计算机网络资源,进行网上探究,自主学习和协作学习,从而大幅度提高教学效果。     

基于粗糙-模糊神经网络的焊接图像缺陷识别

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重以及现有的识别算法准确率低的问题,提出了一种基于粗糙模糊神经网络的缺陷识别算法。该算法充分利用了粗糙集的属性约简、模糊集的处理不精确数据以及神经网络的自学习、对任意函数逼近的优点,有效地解决了不确定建模过程中样本数据受到噪声干扰、模型结构难以确定的问题。仿真结果表明:该算法能有效地提高焊缝图像的缺陷识别能力。