基于改进神经网络的模糊聚类算法

文章提出了一种新的聚类方法NFC,首先用模糊逻辑神经元网络的聚类算法和Cauchy训练的模拟退火算法相结合的局部算法得到初始聚类中心,然后用FCM算法进行模糊聚类;实验证明,NFC算法在一定程度上解决了FCM局部极值问题且有效性非常高。     

构造有理插值函数的一种方法

关于有理插值的算法有很多种,但都较为繁杂.受二元多项式插值的迭加算法的启发,给出一种简便的求有理插值函数的方法,同时通过实例进行验证.     

基于任意字串的全文检索算法

通过分析基于单字或词的全文检索方法,讨论衡量信息检索速度的一个重要指标———系统最长检索时间.针对中文海量信息,提出了一个基于任意字串的快速全文检索算法.     

装配式建筑生产-运输-施工调度研究

装配式建筑是建筑工业化的重要标志,但由于施工、生产及运输等多个作业空间不能有效协同导致的建筑成本高、工期优势不明显成为其推广应用的瓶颈问题.在对装配式建筑生产施工调度过程分析的基础上,以缩短施工进度及协同各作业空间为目标,基于建造过程研究作业空间的协同管理机制,建立装配式建筑项目全过程协同调度模型,采用粒子群算法对该模...     

利用统计估算放大法推求可能最大暴雨

由于中国对赫氏法有不同的看法,因此在引进该法后,需要对该方法加以修正和改进,倾向于以离均系数Φm取代统计估算法中的Km值.统计估算法仅从实际发生的大暴雨中寻求Φmm,而没有放大的概念,所以利用该方法计算的PMP值往往偏小.统计估算放大法是通过水汽放大,对统计估算方法进行改进.应用统计估算放大法推算宁德地区PMP,计算结果表明,该方法较其他方法更合理.     

基于烟花算法的基站群协作计算卸载模型研究

车联网、AR、AI等计算密集、时延敏感型应用迅速发展,而移动设备因自身计算能力相对不足,执行此类应用任务时会因高时延而严重影响用户体验甚至无法满足用户需求。针对此问题,提出综合考虑时延与成本的多用户、多MEC (mobile edge computing)服务器的基站群协作计算卸载模型。并提出基于凸优化的改进烟花算法（improved fireworks algorithm based on convex optimization, CVX-FWA）来对模型进行求解,对用户任务进行合理的卸载与资源分配。仿真结果表明,提出的计算卸载方案有效降低了任务总时延成本值,实现计算卸载资源的整体优化配置。     

基于递推最小二乘改进算法的洪水预报模型研究

由递推最小二乘算法估算出的自回归系数在一定条件下具有最佳的统计特性,但在实际应用中,这种方法往往难以动态地把握水文现象的动态特性.为提高自回归洪水预报模型的精度,分别用衰减记忆、有限记忆及2种算法相结合的方法对基本的递推最小二乘算法进行改进,并利用这几种改进算法对白马寺水文站的实测径流序列进行了模拟演算.结果表明,这3种改进的递推最小二乘算法,都可以使自回归洪水预报模型取得较好的预报效果,但实际应用时应根据不同预报的侧重点选择相应的算法.     

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。     

Toeplitz矩阵填充的尾端修正增广拉格朗日乘子算法

基于均值的增广拉格朗日乘子（MALM）算法,提出了一种尾端修正的Toeplitz矩阵填充新算法.该算法利用增广拉格朗日乘子（ALM）算法迭代速度较快的优点,对迭代矩阵序列进行结构化与尾端修正.在一定程度上减少了每步均值处理所产生的数据传输量,从而降低了计算代价.同时详细讨论了新算法的收敛性.最后通过数值实验证明了新算法比l步修正的增广垃格朗日乘子（l-MALM）、MALM以及ALM算法在计算时间上有较大程度的减少.