随机控制序在保险决策中的应用

通过介绍随机控制序的概念和性质 ,从而探讨了随机控制序在保险决策问题中的应用 ,得到了很有意义的结果     

一维核废料污染问题的一个二阶格式

利用降价法研究了多孔介质中一维核废料污染问题，此模型由一非线性抛物－椭圆耦合偏微分方程组的初边值问题来描述，对此问题给出了一个关于时间和空间均具有二阶精度的差分格式，并进行了理论分析。     

IFS-BN结合的辐射源威胁评估方法

针对辐射源威胁评估实时性、复杂性和信息不确定性的问题,将直觉模糊集与贝叶斯网络相结合,提出一种基于IFS-BN的辐射源威胁评估方法。IFS-BN算法通过直觉模糊集刻画贝叶斯网络的节点信息,充分描述节点信息的确定性,不确定性以及犹豫度。同时,将直觉模糊集求得的各辐射源先验概率代入贝叶斯网络模型之中,得出后验概率进行威胁等级排序,并在此基础上建立了相应的评估指标体系。仿真分析表明,算法具有较好的可行性与有效性。与经典贝叶斯网络评估方法相比,IFS-BN算法的结果更加客观合理。     

借助Matlab遗传算法反演火山区压力源参数

首先分析了Mogi模型的经典最小二乘反演由于出现矩阵奇异或接近奇异而发散的局限性,决定采用具有全局高效搜索性和优化计算时不需要求导的遗传算法来反演火山区压力源参数。反演程序调用Matlab7.0 Release14工具箱中的选择、交叉和变异等相关程序。最后应用该程序和长白山天池火山区水准和GPS观测资料联合反演火山区压力源参数,经过比较遗传算法和阻尼最小二乘方法的反演结果,可看出2种方法结果近似,可见此方法方便快捷地实现了目标函数的最小化。     

光谱辐射标准和计量实验站的建设和研究

介绍了光谱辐射标准和计量光束线（U27）的光学设计、结构和实验站设备，利用透射光栅和AXUV100G探测器系统研究了掠入射分支（SGM）5～140nm的高次谐波情况；给出了研究结果和不同滤片材料对高次谐波的抑制情况，Zr，Si3N4和Al滤片可以有效的抑制5～34nm的高次谐波，MgF2能有效的抑制115～140nm的高次谐波．     

（BN）n及SiB（n-1）Nn（n=2-11）稳定结构的研究

利用遗传算法及Gastreich提出的经验势函数,研究了（BN）n（n=2-11）和SiBn-1Nn（n=2-11）团簇的可能稳定结构,对能量较低的异构体在HF/STO-3G水平进行优化,得到了（BN）n（n=2-11）和SiBn-1Nn（n=2-11）团簇稳定结构单环及线状结构,并进一步分析了单环的结构特征及相对稳定性。     

遗传算法模式理论研究

给出了多种交叉方式遗传算法的模式定理及相关的证明.该定理避免了遗传算法模式理论的不足,使模式理论更加准确、严格.     

序列模式挖掘的两种典型算法及比较

序列模式挖掘是数据挖掘的重要分支,GSP算法与PSP算法是序列模式挖掘中的两种典型算法。本文介绍了这两种算法并对其进行了分析与比较。     

多维函数全局寻优的团队进步算法

通过模仿团队进步需要的学习、探索行为和成员更新规则,提出了一种新颖的双群体演化算法,称为团队进步算法(TPA).算法将一个团队的成员分为精英和普通组,建立了两组的学习样板,定义了学习和探索运算,并合理设定了成员更新规则.两组成员在搜索过程中出现了明显分工,使算法兼备了全局搜索、局部搜索和定向搜索的能力.数值试验结果验证了新算法具有实现简单、全局寻优成功率高、收敛快、计算量少、坚韧性强和参数选择相对容易等特性,对解决优化应用问题具有较大的价值.     

Finding finer functions for partially characterized proteins by protein-protein interaction networks

Based on high-throughput data, numerous algorithms have been designed to find functions of novel proteins. However, the effectiveness of such algorithms is currently limited by some fundamental factors, including (1) the low a-priori probability of novel proteins participating in a detailed function; (2) the huge false data present in high-throughput datasets; (3) the incomplete data coverage of functional classes; (4) the abundant but heterogeneous negative samples for training the algorithms; and (5) the lack of detailed functional knowledge for training algorithms. Here, for partially characterized proteins, we suggest an approach to finding their finer functions based on protein interaction sub-networks or gene expression patterns, defined in function-specific subspaces. The proposed approach can lessen the above-mentioned problems by properly defining the prediction range and functionally filtering the noisy data, and thus can efficiently find proteins’ novel functions. For thousands of yeast and human proteins partially characterized, it is able to reliably find their finer functions (e.g., the translational functions) with more than 90% precision. The predicted finer functions are highly valuable both for guiding the follow-up wet-lab validation and for providing the necessary data for training algorithms to learn other proteins.