一类矩形切割的优化模型

研究了工业中常遇到的先将原料板切割成加工拼板后，再将拼板切割成单元板的一类矩形板材切割问题，此类问题归结为二维排布的双层优化，针对单元板在拼板上和拼板在原料板上的4种不同排布情形，建立了统一的非线性整数规划模型，根据问题的特点，给出了该模型的一个化双层优化为单层优化的求解算法，实际应用中，该算法能在数秒钟内按工艺要求给出最优切割方案，与传统方法相比，料板利用率常可提高5％～10％．     

可重构制造系统的车间作业调度策略

提出了一种实用的分层调度策略 ,通过对制造系统组织的重构 ,以最小作业生产延迟和最大系统设备利用率为目标产生可行的次优调度方案 .该策略分 3个阶段 :首先 ,采用增广拉格朗日松弛法获得复杂可重构制造系统的车间作业预调度方案 ,该方法能将复杂作业调度问题分解成多个任务层的子问题 ,通过求解子问题获得任务的作业时间和对应工序加工的生产设备类型 ;然后 ,对制造系统进行组织重构以形成多个虚拟制造单元 ,旨在使制造单元内的生产设备间物流传送 (由自动导航小车承担 )费用最小 ;最后 ,通过离散动态规划形成虚拟制造单元的生产作业调度次优可行方案 .通过数值仿真分析 ,该策略能针对快速变化的产品需求 ,有效地重构生产制造系统 ,产生次优的调度方案 .     

C语言程序设计课题分析

C语言中的结构体数据类型具有足够的灵活性，可以通过基本类型来表示各种各样所需要的数据。以栈程序设计课题为例，对C语言程序设计的抽象的数据类型方法进行了具体分析。     

模糊系数交叉规划

在模糊系数规划和交叉规划的理论基础上，对模糊系数交叉规划进行讨论，在以各个子规划的最小目标满意度最大化为最优性条件的要求下，提出模糊系数规划的模糊最优解的定义，并给出一种可行的求解方法．     

利用(k,n)-门限方案实现任意访问结构的新方法

使用整数规划，提出了一种利用(k，n)-门限方案实现任意访问结构的新方法．该方法具有如下优点：使用同一个(k，n)-门限方案分享秘密，每个秘密分享的参与者得到子秘密集合的一个子集；秘密分享方案的设计不依赖于特定的(k，n)-门限方案，可以使用任何(k，n)-门限方案实现任意的访问结构；对访问结构没有任何要求(如要求访问结构为图等)；对任意给定的访问结构Γ，该方法所得到的秘密分享方案的(平均)信息率是所有可以使用同一个(k，n)-门限方案实现Γ的秘密分享方案中(平均)信息率最大的．     

基于Visual Basic6.0的ADO数据库编程技术

主要讨论了利用ADO编程实现数据库访问的具有代表性的相关技术和方法.     

线性规划在视频点播中的应用

基于代理的视频点播系统中，用优化的思想建立了一个线性规划模型，证明了模型解的存在性，并且用算例说明了模型的有效性。     

卫星构架结构固有频率特性的试验研究和优化设计

以某卫星构架结构为研究对象，在有限元分析和模态试验验证的基础上，建立合理的优化模型，采用序列二次规划法进行固有频率的优化分析，力求尽可能地降低构架结构的总质量，同时保持原有的模态特性基本不变．优化结果表明，减重效果显著，即星上结构部件的减重潜力以及优化设计在工程设计领域的应用具有现实意义．     

基于Microsoft Agent的.Net ActiveX编程技术的实现

Microsoft Agent可提供人性化编程技术，支持VC 、VB、Delphi、Java、JSefipt和VBScript等多种编程语言，既可以把它加入到普通应用程序中供本地系统使用，也可以把它嵌入到HTML文档中供Internet／Intranet使用，详细介绍了在Visual Basic ．Net开发工具中调用Microsoft Agent来开发人性化用户界面的基本编程方法和实现技术。     

An extended Lagrangian support vector machine for classifications

Lagrangian support vector machine (LSVM) cannot solve large problems for nonlinear kernel classifiers. In order to extend the LSVM to solve very large problems, an extended Lagrangian support vector machine (ELSVM) for classifications based on LSVM and SVMlight is presented in this paper. Our idea for the ELSVM is to divide a large quadratic programming problem into a series of subproblems with small size and to solve them via LSVM. Since the LSVM can solve small and medium problems for nonlinear kernel classifiers, the proposed ELSVM can be used to handle large problems very efficiently. Numerical experiments on different types of problems are performed to demonstrate the high efficiency of the ELSVM.