两阶段随机线性优化问题的等价形式

在极小极大两阶段随机线性优化问题中,往往只知道随机变量的概率分布所满足的一些条件,并不能精确求得。文章假设随机变量的一阶矩和二阶矩是已知的,将最坏情况下的条件风险值(CVaR)作为效用函数,基于矩理论和对偶理论,最终将概率分布由一阶矩和二阶矩描述的极小极大两阶段随机线性优化问题转换为可求解的半定优化问题。     

一个较精确加强型的半离散Hilbert型不等式

应用权函数的方法及Hermite Hadamard不等式, 建立一个较精确且加强型的半离散非齐次核Hilbert型不等式, 并给出该不等式具有最佳常数因子联系参数的一组等价性质及一些特殊参数不等式.      

风力发电机组偏航余压动态控制分析

某风电场水平轴风力发电机组在大风条件下偏航控制运行过程中频繁报振动类故障,导致多台机组故障停机,降低了整个风场的可利用率.通过对机组故障数据进行分析发现,机组的加速度在偏航动作时存在瞬时突变,导致机组容易触发振动加速度超限,且机组在偏航过程中存在机舱"跑飞"现象.为了解决该问题,对机组偏航控制逻辑进行分析,给出了偏航卡钳制动力与偏航余压关系,确认了偏航液压不足是引起该故障的根源.通过给定动态偏航余压控制方式,解决了偏航过程中振动过大情况、偏航过程中"跑飞"现象以及偏航加速度跳变问题.     

多功能浮力舱的双目标优化设计

为优化多功能浮力舱设计方案,进一步发掘半潜船潜在作用,以多功能浮力舱可提供的最大净浮力、生命周期内平均年成本两个指标为目标函数,建立综合考虑技术性能及经济性能的多功能浮力舱双目标优化模型,并采用加权理想点法将双目标优化问题转化成单目标问题实现模型求解.通过实例计算确定了多功能浮力舱的选材以及相应的多功能浮力舱优化设计方案,验证了模型的有效性.通过敏感性分析总结了钢材价格和板材腐蚀速率对多功能浮力舱平均年成本与可提供的最大净浮力的影响规律,可为多功能浮力舱的优化设计提供理论依据.     

ICP-AES法测定压裂返排液中镧系示踪剂的影响因素研究

采用ICP-AES法通过逐级稀释确定了镧系金属元素的检出限,并研究了不同金属阳离子和有机物对镧系金属元素测定的影响,提出分别采用基体匹配和硝酸-双氧水半干式消解法消除二者的影响。研究结果表明:镧系金属元素La、Ce、Pr和Nd的检测下限分别为0.025、0.010、0.050和0.050 mg/L;Na+、Ca2+、Mg2+和有机物都会大大影响镧系金属元素的测定结果,通过使用模拟油田污水建立标准曲线,可有效降低测量金属阳离子产生的误差,硝酸-双氧水半干式消解法可有效消除有机物对测定的影响。通过加标回收实验得出此方法的加标回收率在89%~106%之间,满足压裂示踪剂的定量测定要求。     

三角矩阵余代数上的倾斜余模

基于经典的同调代数方法,通过研究三角矩阵余代数上的倾斜内射余模,得到三角矩阵余代数的右倾斜整体维数的上、下界。     

认知荒漠、护育荒漠

<正>荒漠通常指气候干旱、地面组成物质粗瘠、风沙作用强烈、地表径流贫乏且生物种类稀少的自然地带。荒漠和森林、草甸、草原一样,都是重要的地表生态系统和自然地带。长期以来,荒漠地带的生物形成了独有的生理生态结构和特征。荒漠植被是以超旱生和旱生灌木、半灌木、小半灌木、小半乔木和肉质叶等植物为主组成的稀疏植被,建群种以藜科、蒺藜科、菊科、石竹科和麻黄科等为主,植株低矮,茎叶退化变态,茎枝常呈绿色或为同化枝和肉质叶(多汁)等。除了能适应极干旱的气候、抵抗沙面的     

带有二次约束的一类特殊三次规划问题的全局最优性充分条件

利用拉格朗日函数和L-次微分的方法,研究了带有二次约束的一类特殊三次规划问题的全局最优性条件。首先刻画出该类三次规划问题的拉格朗日函数的抽象次微分,从而得到了带有二次约束的三次规划问题的全局最优性充分条件。最后举例说明如何利用本文所给出的全局最优性充分条件来判定当前可行解就是全局最优解。
     

基于水准数据的芦山7.0级地震震间期和同震位移场特征

利用1985~2010年跨龙门山断裂带南段的精密水准观测,并消除2008年汶川地震同震变形的影响,获取了龙门山断裂带南段震间期的地壳垂直形变场.结果表明,双石-大川断裂(龙门山前山断裂)和新开店断裂(大邑断裂南段)之间的芦山地块处于正、负垂直形变梯度带相交的区域,说明该区域在芦山地震前25年内已闭锁.根据2010~2013年穿过震区的水准观测数据,同时消除震前近3年的地壳垂直变形,得到了芦山地震同震垂向位移.同震位移场揭示距离震中最近的达多35水准点最大同震位移达到198.4 mm(相对马雅165基),西北盘(上盘)相对东南盘(下盘)向上运动,显示发震断层以逆冲错动为主.对比芦山地震垂向同震变形和震间期变形,可发现该地震符合弹性回跳学说,芦山地块震间期积累的弹性应变能(位移亏损)在震时得到弹性回跳释放.     

Semiparametric Preference Learning

Unlike traditional supervised learning problems,preference learning learns from data available in the form of pairwise preference relations between instances.Existing preference learning methods are either parametric or nonparametric in nature.We propose in this paper a semiparametric preference learning model,abbreviated as SPPL,with the aim of combining the strengths of the parametric and nonparametric approaches.SPPL uses multiple Gaussian processes which are linearly coupled to determine the preference relations between instances.SPPL is more powerful than previous models while keeping the computational complexity low （linear in the number of distinct instances）.We devise an efficient algorithm for model learning.Empirical studies have been conducted on two real-world data sets showing that SPPL outperforms related preference learning methods.