流固耦合法模拟岩石爆破时耦合范围的确定

为研究岩石爆破问题模拟中的流固耦合算法以及提高计算效率,文章采用LS-DYNA软件开展大量计算,分别讨论了不同装药半径(r)、不耦合系数(K)和网格精度条件下流固耦合区域半径(R)对单元峰值应力衰减曲线的影响,并结合应力云图和应力时程曲线分析,确定出合理的流固耦合范围。结果表明:随着耦合装药半径r的增大,最小合理流固耦合半径R_(min)与r比值呈减小趋势;相同装药半径下随着K增大,R_(min)/r逐渐增大;网格精度对流固耦合半径取值影响较小;相同条件下,当R较小时,应力云图不稳定且应力时程曲线后期会迅速衰减,适当增大流固耦合半径会逐渐消除该现象。对于一般的岩石爆破问题,建议R/r取5～10。     

考虑多种工况的乘员约束系统可靠性优化设计

在车辆发生碰撞时,乘员约束系统对乘员有重要的保护作用,而现有的相关研究大多只针对单一工况,应对乘员保护要求已有明显的局限性。为了提高乘员约束系统的保护功能,文章综合考虑了中国新车评价规程2种正面碰撞工况,结合试验设计、多种近似模型、多目标优化算法和可靠性优化方法,对乘员约束系统参数进行优化。在优化之前,对约束系统模型进行了实验验证;之后对约束系统参数进行了可靠性优化设计,并对优化结果进行MADYMO仿真验证。优化后的约束系统与原设计相比,明显提高了2种工况下的乘员保护功能,为乘员约束系统的设计提供了一定的参考。     

一种基于简单遗传算法的K-Means改进算法

针对k-means算法对初始值敏感、易陷入局部极小值等缺点,结合遗传算法的思想,提出了一种基于遗传算法和k-means算法的混合聚类方法,为了测试该聚类算法的性能,用k-means 算法和改进的算法进行了1组实验,并对2种算法的聚类结果进行比较,实验结果表明算法能够有效地解决聚类问题.     

考虑多资源约束的非等效并行机节能调度算法

针对瓶颈工序光刻过程中考虑能源消耗、多类型多数量的掩膜资源、换模等约束的非等效并行机调度问题,进行了改进型免疫克隆选择算法的调度方法研究.首先对问题域进行描述,以最小化总加权完成时间与能源消耗量为优化目标,建立了数学模型;在此基础上提出了一种带精英策略的多目标免疫克隆选择算法,该算法融合了非支配排序遗传算法的排序规则,并引入深度邻域搜索算子、种群更新算子以提高算法搜索性能及挖掘性能.最后,对算法进行仿真实验,结果表明该算法是有效的、可行的.     

一类离散正交三角变换快速算法

根据离散三角变换的一般形式,在正交条件下,按频域分法提出了一类具有二分结构的快速算法,其运算量为ｏ（Ｎｌｏｇ2Ｎ).这样,离散余弦、离散正弦、离散W变换快速算法就有了一个统一的格式.     

基于混沌天牛群算法优化的神经网络分类模型

针对传统BP神经网络受初始权阈值影响大且易陷入局部极值,标准天牛须搜索算法局部搜索能力差、寻优精度低等问题,提出一种自适应步长因子的混沌天牛群算法用于优化BP神经网络分类模型。通过增加天牛种群,引入自适应步长更新策略优化天牛须搜索算法的局部搜索能力,使其跳出局部最优,提高算法的计算精度;利用Logisitic混沌映射产生新个体,替换性能较差的个体,增强全局搜索效果。为了改善BP神经网络对非均衡数据集中少数类的分类效果,采用SMOTE算法处理非均衡数据集。将改进的天牛须搜索算法用于优化BP神经网络中的初始权值和阈值,建立IBAS-BPNN（Improved Beetle Antennae Search and Back Propagation Neural Network）分类模型,提高BP神经网络分类模型的准确率。为验证分类模型的性能,将改进的BP神经网络分类模型与其他六种典型的分类算法进行比较,实验结果表明IBAS-BPNN分类模型的平均分类正确率高于其他算法。改进的混沌天牛群算法泛化能力强,鲁棒性好,具有一定的优越性。     

一类基于非单调信赖域技术的信赖域修正算法

基于传统信赖域算法,为了解决约束最优化问题,利用非单调信赖域技术调整信赖域半径,矫正罚参数,提出了一种信赖域的修正算法,给出了收敛性证明.数值实验表明了算法的有效性.     

基于改进粒子群优化算法求解带时间窗的车辆路径问题研究

针对粒子群优化算法易出现早熟收敛、陷入局部最优的问题,提出了在粒子群搜索解的过程中监控粒子健康度的方法,对健康度低的粒子进行交叉操作。该方法既保证了健康粒子继续搜索最优解,又有效地改变了非健康粒子的状态,提高了粒子群的寻优能力以及跳出局部最优解的能力。最后通过实验数据集验证了新算法,实验结果表明与标准粒子群算法相比新算...     

一种SVM增量学习算法

分析了SVM理论中SV（支持向量）集的特点，给出一种SVM增量学习算法，通过在增量学习中使用SV集与训练样本集的分类等价性，使得新的增量训练无需在整个训练样本空间进行，理论分析和实验结果表明，该算法能然保证分类精度的同时有效地提高训练速度。     

基于信息熵的量子免疫遗传算法

针对目前的量子进化算法在高维函数优化时容易陷入局部最优,利用信息熵的概念,将量子进化算法和免疫遗传算法进行改进与融合,提出一种基于信息熵的量子免疫遗传算法.该方法对抗体采用相位编码,用信息熵准确地度量量子比特的不确定信息;提出了一种按变量的种群熵降序排列的邻域搜索策略;对于抗体之间的相似度,给出了一种按个体熵相同变量位数的度量方法;用繁殖概率对抗体的多样性进行评价,并分别以函数优化问题和VRPSDP问题进行了仿真验证.研究结果表明:该算法收敛速度快,求解精度高.