积分马尔柯夫算子谱的一些性质

在A.Lasota,M.C.Mackey,J.Tyrcha,J.JTyson和Hannosgen专家们的一些文章中出现了平稳密度,用积分马尔柯夫算子的数学模型来研究问题,H.Gackt和A.Kason给出算子A的渐近平稳的充要条件.本文在理论上研究积分马尔柯夫算子获得一些结果.     

一类具有转移条件且边界条件中含有特征参数的四阶微分算子的自共轭性

研究了一类具有转移条件且边界条件中含有特征参数的四阶微分算子的自共轭性问题.此类问题是在一个适当的Hilbert空间中研究的,需要定义一个与问题相关的算子A,证明算子A不仅是对称的,而且在H中是自共轭的.     

基于LVQ神经网络的水果图像分割研究

由于传统边沿检测算子在水果颜色多样、亮度不均匀时,难以分割得到完整、无噪声的二值图像且依赖优化的阈值,本研究提出了一种基于LVQ神经网络的水果图像分割方案。首先将彩色图像转变为灰度图像;然后对Canny算子获得的边沿图像随机选取一些像素作为网络的学习监督信号,仅以灰度图像中相同位置像素3×3邻域的Kirsch算子梯度值作为输入,训练权值;最后重新将原灰度图像的Kirsch算子梯度值输入到训练好的网络中,获得封闭的边沿并填充得到二值图像。考察了14幅像素为640×480的水果图像,结果表明：网络在很宽广的阈值范围内（0.001 ~ 0.99）分割得到完整、一致的二值图像;面积误差最小为0.9%,最大为8.83%,不依赖于优化的阈值,不需要对原始图像滤波预处理。与没有阈值及滤波的算法相比,本方案的误差和时间复杂度均更低;与设置了阈值和/或滤波的算法相比,本方案与之相当,甚至效果更优。     

STOKES问题的优化结果

为了研究Stokes问题的最小二乘有限元近似解的超收敛结果,利用最小二乘曲面拟合的方法给出了Stokes问题的最小二乘有限元解中速度的优化结果.该结果表明:随着构成拟合空间的分片多项式次数的增加,理论上得到的速度的近似解精度越高.该结果是以Stokes问题的正则性为前提的.     

基于依赖型算子的不确定语言多属性群决策法

研究了属性权重以实数形式给出、属性值以不确定语言变量形式给出的多属性群决策问题。基于不确定语言变量的运算法则,给出了一种基于不确定语言变量及其运算法则的新算子：依赖型不确定语言有序加权几何 (dependent uncertain linguistic ordered weighted geometric, DULOWG) 算子。与该类算子相关联的加权向量依赖于被集结的不确定语言变量,并且对错误或有偏见的不确定语言变量赋予较低的权重来减轻不公平性对评价结果的影响。提出了一种基于ULWGM算子和DULOWG算子的不确定语言多属性群决策方法,并进行了实例分析。     

基于多元共生遗传神经网络的藻类预测仿真

提出一种多元共生遗传神经网络(PGANN),从遗传算法和神经网络——进化和学习两方面及其相互关系着手完善进化过程,以提高优化效果和泛化能力。该算法包括一个共生平衡交叉算子,一种多元选择策略和一种神经网络的分级优化策略,其中共生平衡算子能够兼顾进化过程中的方向性、多样性和自适应性;多元选择策略能够适应进化过程不同时段对选择压力不同的需求;而分级优化使运算规模和运算速度之间的矛盾得到缓解。将该改进的遗传神经网络PGANN应用于水库和湖泊有毒的优势蓝绿藻爆发预测,取得了满意的效果。     

有序分位加权集结算子及在激励评价中的应用

为在信息集结过程中体现指标值的相对发展水平,提出了一种新的集结方法,即有序分位加权集结算子.该算子尤其适用于激励评价问题,其主要特征是用分位数表示指标值的相对发展水平,并且在信息集结过程中融入了决策者不同程度的激励偏好.通过性质分析,发现该算子具有置换不变性、界值性和条件单调性等特征.进一步,以算例的方式分析了该算子在激励评价中的应用问题,发现该算子在信息集结中通过权重加和不等于1的方式能够放大或缩小集结值,从而凸显被评价对象之间的差异,实现激励的目的.     

基于ET-WG和ET-OWG算子的二元语义群决策法

针对一类属性值和权重值均为语言评价信息的多属性群决策问题,提出了一种群决策分析方法.首先,为了便于语言评价信息的集结运算,提出了一些新的集结算子:扩展的二元语义加权几何(ET-WG)算子和扩展的二元语义有序加权几何(ET-OWG)算子,并分析了这些算子的性质.然后提出了一种基于ET-WG算子和ET-OWG算子的群决策方法,其核心是通过语言信息的集结运算,得到各方案的群体综合评价信息,从而根据二元语义信息的比较原则,得到所有方案的排序结果.最后给出了一个实例分析,说明了本文提出方法的可行性和实用性.     

解特殊工艺约束双目标调度问题的新遗传算法

针对特殊工艺约束下非一致并行多机双目标调度问题,设计了一个双目标调度模型(BOSP).进而基于遗传算法和免疫理论的思想,提出了新的遗传算法(IGA).算法的编码采用了向量组编码方法,能有效地反映实际调度方案;免疫算子的引入,保证了种群的多样性和种群的质量,加快了算法收敛速度.仿真结果表明,算法是有效的,免疫算法的引入,使算法能较好地收敛到最优解,优于没有引入免疫算子的遗传算法,并能适用于解实际的此类调度问题.