基于AHP方法的湖泊群引水方案综合评价方法

针对湖泊群整治中引水活水方案实施前均需对各方案进行可行性分析,建立一种基于AHP层次分析方法的综合评价方法(ESLI),可以对包含水质改善指标、水动力学指标、经济指标和感观指标等多目标、多层次的湖泊群引水方案进行综合评价,并将ESLI方法用于福州市西湖左海湖泊群水质改善的方案优选中,为设计与决策提供相对较优的方案集.     

PSO电机低损方案模糊预补偿转速转矩优化

针对矿用驱动电机节能控制中存在的电动机转矩脉动和速度波动问题,提出模糊预补偿调速控制方案.以元器件分类建立异步电机损耗模型并提出基于粒子群算法的变磁通控制方案.提出模糊预补偿给定转速控制以降低系统对参数摄动、干扰和非线性因素的敏感度,修正由于磁通降低带来的电机转速波动问题.利用YVP-100电机参数实验表明,所提方案在额定转矩下,降低了约0.1kw的无功损耗,同时保证了电机转速/转矩的平稳输出.     

基于惯性权重自适应改变的混沌粒子群算法

粒子群算法是美国学者受鸟类觅食行为启发提出的一种群体优化算法,在迭代后期易早熟收敛.为此利用混沌运动的随机性、规律性和遍历性的特点对粒子群算法进行优化,提出了一种惯性权重自适应改变的混沌粒子群算法.在算法中对惯性权重进行调整加快算法前期收敛速度,而且加入了变异操作以帮助粒子后期跳出局部极小.最后用测试函数进行仿真实验,结果表明该算法收敛快,寻优能力强,寻优精度高.     

统一化 平台化 国土资源部门户信息服务的“云平台”

云应用与云服务是近年来信息化领域的热点"。云"作为一种新型的应用与服务的理念和思路,其核心特点和优势体现在两个方面:一是对资源的集约、共享和复用,二是对服务的灵活创建、交付和利用,这些优势吸引着人们自发地去应用和实现它。在"云"概念体系以完整成熟的面貌展现在世人之前,云应用的雏形就已经出现了,不断的实践与经验积累又使得"云"及其相关技术不断地发展、完善和普及起来。     

点迹-曲线关联算法的旋转对称群目标分辨

基于微多普勒效应分析的弹道目标识别得到了广泛研究,然而传统的微多普勒特征提取技术大都难以解决空间群目标的分辨与识别。针对这一问题,提出了一种基于点迹-曲线关联算法的空间群目标分辨方法。在以旋转对称群目标为研究对象的前提下,建立了具有滑动散射特性的目标模型并分析推导了散射点的微动表达式,利用点迹凝聚处理抑制了一维距离像旁瓣,在此基础上,提出了点迹-曲线关联算法分离出混叠的群目标微多普勒曲线,通过各曲线的极值包络特性差异实现了旋转对称群目标分辨。实验仿真验证了本方法的正确性和可行性。     

一种改进的粒子群优化算法

标准粒子群算法能够解决各类优化问题,得到了广泛的应用,也引起很多研究人员的关注.为了提高全局搜索能力,使其不易陷入局部最优,提出了一种新的优化策略.首先,采用了佳粒子的概念,每次更新时,对所有粒子进行排序;然后,在此基础上,对所有的粒子进行评估,衡量每个粒子是否可以保留;最后,删除那些不符合保留要求的粒子,同时生成相应数目的新的粒子,以保持种群的规模,从而提高种群的整体适应性能.实验数据表明,新算法提高了算法的性能,具有更好的全局性能.     

基于收益-风险双目标规划的随机能力扩张模型

能力扩张问题是指在不同计划期,根据不断增长的市场需求,调整生产能力,使产能与需求合适匹配以寻求企业盈利的最佳表现.能力扩张涉及长期的产能投资,是生产领域的战略决策问题.当面对不确定需求时,这一决策任务变得十分复杂,需要从回报与风险两个角度评估能力扩张方案的性能.本文基于Scenario树描述多阶段的随机需求,从而建立随机环境下能力扩张问题的Scenario决策模型.其中考虑两个决策目标:最大化利润和最小化期望下方风险,因而形成了一个双目标规划问题.为求解该问题,基于二进制粒子群优化技术,提出了双目标优化的粒子群算法.算例表明该算法可以得到近似Pareto前沿,且能揭示利润与风险的同向变化关系.     

自适应粒子群神经网络交通流预测模型

针对传统神经网络预测模型预测结果准确性低且存在大量无效迭代的问题,提出了自适应权重粒子群神经网络交通流预测(PSOA-NN)模型。首先根据待预测点的上下游观测点数和历史数据,随机初始化若干组模型参数并计算每组参数对应粒子的适应度;然后采用改进的sigmoid函数替代原有模型中的固定惯性权重,并根据其中适应度变好的粒子更新粒子速度和位置,一直迭代到粒子适应度小于预设值为止;最后将满足条件粒子对应的模型参数应用到神经网络模型,根据实时交通流数据预测出15min后的数据。仿真结果表明,使用PSOA-NN模型,可使得在同等预测误差范围内收敛速度提升0.6~1.7倍。     

基于多目标离散粒子群的产品服务系统方案配置规则提取

为有效辅助工程师将顾客需求转化为产品服务系统方案,针对其技术特征,提出一种离散粒子群优化算法(DPSO)与帕累托(Pareto)结合的配置规则提取方法.该方法包括建立产品服务系统配置规则模型及构造Pareto-DPSO算法模型.Pareto-DPSO算法基于Sobol序列的频率初始化方法及离散化粒子更新方式,将连续粒子映射到十进制离散空间;并利用Pareto进行多目标下粒子优劣性评价,以获取非支配的最优规则集.以汽车产品服务系统方案配置设计为例,经与常规多目标粒子群算法及DPSO算法对比,验证了该方法对于解决多维空间内产品服务配置规则挖掘的可行性及有效性.     

基于改进量子粒子群算法的无分流换热网络综合

用数学规划法求解换热网络优化问题,当换热网络模型考虑所有分流情况时,会包含大量的连续和离散优化变量,因此对大规模换热网络的优化求解非常困难。相比有分流模型,无分流的网络模型结构简单,变量少,求解难度低。本文以分级超结构模型为基础,建立了无分流换热网络模型,以年综合费用为优化目标,提出用单层改进量子粒子群算法综合无分流换热网络,即在生成无分流换热网络结构变量的同时,生成换热负荷变量。相比有分流同步综合模型,不考虑分流的同步综合模型的复杂度和求解时间显著降低。采用两个典型算例对该方法的有效性进行了验证。