考虑中断的制造型供应链协调调度模型

供应链协调调度能有效提高企业应对供应链中断的能力。以两阶段制造供应链为研究对象，研究了中断情境下具有交付时间约束的多产品类型制造供应链协调调度问题。制造商接到包含多产品类型的工件加工订单，各工件需经供应商处理为原材料工件后，交付给制造商处理为完成品，各工件均有一个独立的交付期。如果供应商单方面调整工件加工顺序，会导致制造商冲突成本的增加，需双方协商处理。以最小化供应商总拖期交付成本和最小化制造商总冲突成本为目标，基于收益共享契约协调机制，构建了考虑中断的制造型供应链协调调度模型。设计了一个融合自适应邻域搜索算子的混合自适应遗传算法。通过算例仿真，验证了所提模型与算法的有效性。     

轧制道次间插入冷却对特厚钢板组织与性能的影响

使用实验轧机旁冷却装置配合轧机进行轧制实验，研究轧制道次间不同冷却工艺对特厚钢板组织和性能的影响规律.研究结果表明:采用道次间冷却工艺可以在全厚度方向获得组织细化及强韧性提高效果，采用强冷道次间冷却实验钢1/4处晶粒尺寸可细化至10μm，强度为376MPa，-40℃冲击功为169J;心部晶粒尺寸可细化至15μm，强度为360MPa，-40℃冲击功为123J.本工艺可形成470μm厚表层细晶层，晶粒尺寸可细化至5μm;粗轧道次间插入冷却工艺轧制钢板强度和冲击韧性优于中间坯冷却工艺;随冷却强度增加，钢板内部组织明显细化且强度大幅提高.     

冷轧带钢局部高点卷取过程起筋控制的建模与仿真

为了研究带钢局部高点卷取起筋的控制方法，利用三维弹塑性变形基本理论，并引入带钢塑性流动因子，建立了弹塑性卷取应力和起筋量模型.基于应力函数假设、S. Timoshenko最小功原理和伽辽金虚位移法建立了起筋带钢的应力场分布和可用于在线计算的起筋临界卷取张力设定模型.仿真结果表明：局部高点在径向累积叠加所引起的带钢张力不均匀分布和轴向压应力是导致带钢起筋的主要原因；起筋量随局部高点高度、卷径和卷取张力增加而增大，薄带钢比厚带钢起筋量增幅明显；临界卷取张力随卷径、带钢厚度和局部高点高度增大而减小.     

浅谈基于浸润原理的事务安排算法

针对单个安排事务避免冲突的传统方法 ,提出一种基于浸润原理的事物安排算法。该算法采用漫布式将各个事务分摊到各个位置 ,根据条件计算权值 ,并有意造成冲突 ,从而发现冲突位置 ,最后从最不可能冲突的位置入手 ,逐步完成安排过程。该方法事务安排的复杂度为 O(n2× k× x) ,大大减少事务安排所需的时间 .     

异步轧机轧辊稳定性的探讨

本文通过对异步轧制特点的分析,求出中性角及力能参数间的关系,从而导出了不同工作制度下的异步轧机工作辊偏移值的计算公式。本文结论将对改造现有轧机和设计新轧机提供理论依据。     

小波分析在证券分析中的应用

传统股市投资分析中的证券分析方法之一———MACD法 ,利用DIF的移动平均值以确定证券的买卖时机 ,存在着时滞性 ,对非平稳的股市信息分析不能及时、较好地刻画股市的基本变化趋势 .作者根据证券投资理论 ,建立了相应的证券投资分析数学模型 ,根据小波分析多尺度分析能力强的特点 ,利用小波分解提取反映股市基本变化趋势的低频信息 ,改进了传统分析方法 ,建立了改进后的数学模型Ⅲ .该模型求解方便 ,同时与实际模型较好地逼近 ,具有时效性 .此外 ,以路桥建设股票 14 0个交易日的DIF和MACD值作为原始数据 ,用Matlab作为工具进行计算 ,求解模型Ⅲ .结果表明 :与传统分析方法相比 ,从模型Ⅲ中能得到更多的买卖点信息 ,而且价差更大 ,效果显著 ,充分显示了小波分析在股市技术分析中的强大生命力     

堆焊切粒刀技术初探

介绍堆焊切粒刀的优点 ,着重探讨了采用靠模法加工堆焊切粒刀螺旋槽的原理 ,论证了所介绍加工工艺的合理性 .事实证明 ,采用介绍的加工工艺生产的堆焊切粒刀 ,可满足设计的技术性能 ,质量可达到国外同类产品的水平     

六台轧机热轧钢板在线测长及产品统计微机系统

本论文选用Apple-Ⅱ作主机,开发了一套外设接口扩展箱和相应的应用软件,用于实现在钢厂中对六台单轧机的热轧钢板长度在线检测和现场显示,同时对钢板的长度按照合格、超长、超短进行分类统计,打印生产报表。此外还提供随时修改钢板长度(标尺)设定值和随机查询各台轧机产质量状况的功能。在接口扩展箱中,采用了包括光电耦合在内的若干抗干扰措施,保证系统能在钢厂恶劣环境中正常运行。本系统已在工厂轧机上试用成功。     

机载GPS天线的研制

本文论述了作者最近研制的机载ＧＰＳ天线．使天线的波束宽度很宽，满足飞机在上３０°范围内翻滚要求，而能很好的地接收ＧＰＳ导航卫星的信号．实验证明使天线满足设计要求，天线性能是优良的．     

Forecast accuracy after pretesting with an application to the stock market

In econometrics, as a rule, the same data set is used to select the model and, conditional on the selected model, to forecast. However, one typically reports the properties of the (conditional) forecast, ignoring the fact that its properties are affected by the model selection (pretesting). This is wrong, and in this paper we show that the error can be substantial. We obtain explicit expressions for this error. To illustrate the theory we consider a regression approach to stock market forecasting, and show that the standard predictions ignoring pretesting are much less robust than naive econometrics might suggest. We also propose a forecast procedure based on the ‘neutral Laplace estimator’, which leads to an improvement over standard model selection procedures. Copyright © 2004 John Wiley & Sons, Ltd.