多梯度流域变换算法与传统算法比较

流域变换是图像分割的有力工具，流域分割方法的性能主要依赖于图像梯度。文中利用传统单尺度梯度算子流域分割算法和多尺度形态梯度流域变换算法，分别作用于计算机视觉细胞图像和水果图像，结果显示传统分割算法和多尺度算子流域分割算法在不同的图像中显示出各自的优越性，第一种算法更适合于交叠区域不是很多，但质地不必十分均匀的图像；第二种则更适合于交叠区域较多，质地较均匀的图像。     

基于改进帝国竞争算法的大跨斜拉桥成桥索力优化

为了确定大跨斜拉桥成桥索力,综合考虑成桥状态大跨斜拉桥的受力和变形特点,建立大跨斜拉桥成桥索力优化的数学模型.从计算精度和收敛速度两方面对帝国竞争算法进行改进,提出一种改进的帝国竞争算法.采用改进的帝国竞争算法,结合罚函数技术和有限元法求解索力优化模型,实现了斜拉桥成桥索力的改进帝国竞争算法优化计算.最后,采用提出的索力优化方法对某大跨斜拉桥进行索力优化研究.研究结果表明:提出的索力优化方法具有很好的全局搜索能力,能够有效地解决高维多变量的大跨度斜拉桥成桥索力的优化问题;采用该方法进行斜拉桥索力优化,可考虑各种非线性效应,从而可获得更合理的成桥状态.     

单装单卸模式下集装箱装卸系统集成调度优化

从考虑三阶段作业的整体调度出发,对集装箱码头装卸设备调度进行集成优化,考虑了码头集装箱装卸作业中的设备的特点,以最小化系统所有集装箱作业的总完成时间（makespan）为目标函数,建立了一个混合整数规划模型.另一方面,考虑到大规模情况下不易求解的问题,以减少设备阻塞时间和空闲时间为目标,设计了基于岸桥阶段作业能力的轮廓适合启发式算法,求得集装箱码头集成调度问题的近最优解.通过数据实验,验证了算法的可行性和优越性.     

一种改进的K-means聚类算法

传统的K-means聚类算法对初始聚类中心的依赖程度很大,聚类结果会随聚类中心的选择不同波动很大,为了消除这种中心选择不确定性,提出一种改进的K-means聚类算法,从而有效地改善初始聚类中心点选择的随机性,提高聚类结果的稳定性.仿真实验结果表明,改进后的K-means聚类算法优于传统的算法.     

混合遗传算法在智能交通信号控制中的应用

传统的交通信号控制方法不能适应交通流的实时性变化.提出混合遗传算法,并运用到交通控制系统中,使得一段时间内每辆车的延误时间最短.     

双刚体航天器姿态运动规划的样条逼近方法

双刚体航天器系统在无外力矩作用时,其姿态运动可通过连接双刚体航天器的关节铰进行控制,这种关节铰可由球铰或万向节铰构成．本文利用系统相对于总质心的动量矩守恒这一特性研究了双刚体航天器的三维姿态运动控制问题．分别导出带球铰和万向节铰连接的双刚体航天器系统三维姿态运动控制模型,并将系统的姿态运动控制问题转化为无漂移系统的运动规划问题．利用最优控制和样条逼近方法,在控制输入的样条逼近中引入粒子群算法,提出基于样条逼近的最优运动规划数值算法．运动规划的最优控制是光滑的,且初值和终值均为零,通过数值仿真,表明该方法对带球铰和万向节铰连接的双刚体航天器三维姿态运动规划是有效的．     

考虑GIS的物流配送区域划分与路径规划算法

针对大规模VRP配送问题,提出一种配送区域划分的启发式-模拟退火混合搜索算法.针对GIS中实际路网建立路网数学模型,并在大规模VRP路径规划问题研究中与实际GIS路网相融合.对配送路径规划问题提出一种结合GIS模型约束的启发式路径搜索算法.对杭州市某配送区域实际问题求解并与另一种启发式算法对比,验证了算法的有效性.     

基于人工神经网络烟度计有效光路的算法

为准确计算烟度计的有效光路，基于人工神经网络提出了对QN-1型全流消光式烟度计有效光路的计算方法．该方法利用烟度计有效光路的关键影响因素即空气扫气压力和发动机的转速为输入，构造了一种反向传播神经网络，并利用试验数据进行训练，然后仿真烟度计的有效光路．试验表明，仿真数据与试验数据偏差在-0．0399～0．0486之间．由此可见，利用人工神经网络计算烟度计的有效光路准确实用．     

对称Loewner矩阵Moore-Penrose逆的快速算法

对称Loewner矩阵在自然科学及工程技术中有着广泛的应用,许多问题都归结为求对称Loewner矩阵及其相关矩阵的代数问题.论文通过构造特殊分块矩阵并研究其逆矩阵,给出了秩为n的m×n对称Loewner矩阵Moore-Penrose逆的快速算法,该算法的计算复杂度为O(mn)+O(n2),而通过L+=(LTL)-1LT计算的复杂度为O(mn2)+O(n3).实验数据也表明前者在用时和效率方面均优于后者.     

基于BP神经网络的电机转子故障诊断的研究

介绍了一种基于 BP算法的神经网络在电机转子常见故障诊断中的应用。首先利用测振传感器获得转子的振动信息 ,然后用 FFT分析 ,将振动信号的频谱分析作为神经网络的训练样本。通过选择足够的故障样本来训练神经网络 ,将代表故障的信息输入训练好的神经网络后 ,由输出结果就可以判断发生的故障种类。