浅谈企业核心竞争力评价指标体系的设计

核心竞争力是企业获得持续发展的竞争优势的基础。根据企业核心竞争力的涵义及特征,提出了评价企业核心竞争力指标体系的设计原则;并据此设计了对企业核心竞争力评价的指标体系。     

微粒群算法在现代物流系统优化中的应用

根据物流系统优化问题和微粒群优化算法的各自特点，提出了采用微粒群优化算法求解物流系统优化问题的相关策略，对微粒群优化算法在旅行商问题、车辆路径问题、配送中心选址问题、布局优化问题上的应用进行了研究。     

基于混合微粒群算法的带时间窗的车辆路径问题研究

本文在基本微粒群算法（PSO）的位置更新中引入了模拟退火算法思想，并改进了模拟退火算法（SA）中的降温操作该算法结合了基本PSO的快速寻优能力和SA的慨率突跳性，避免了基本PSO易于陷入局部最优的缺点，提高了进化后1期算法的收敛精度.把该算法用于解决有时间窗的车辆路径问题（VRHTW），它可以有效地求得有时间窗车辆路径问题的优化解。     

基于改进粒子群的分布式通信干扰资源分配

为了解决分布式通信干扰场景下面临的资源分配效率低、干扰效益无保障等问题,结合通信干扰资源分配数学模型,设计了一种改进的粒子群算法。首先设计了分布式通信干扰场景并构建了通信干扰资源分配模型,以最大化干扰效益作为目标函数;其次采用自适应惯性因子和学习因子,并引入遗传变异策略和精英保留策略,提出一种改进的粒子群算法,最后对不同场景规模的通信干扰资源分配进行仿真实验。结果表明,相比小生境遗传算法、粒子群算法、遗传算法,改进的粒子群算法在不同场景规模下,均能获得更优的干扰效益,性能方面具备整体干扰效益更高、算法收敛速度更快、算法收敛误差更小等优势。所设计的改进粒子群算法可应用在分布式通信干扰场景中,为指挥决策提供参考。     

基于价值链理论的工程项目目标优化研究

近年来工程建设项目的实施对周边环境影响备受关注,环境目标也成为工程项目管理的重要研究目标。本文围绕工程项目工期、成本、质量和环境等目标因素为研究内容,基于价值链理论运用工作分解法,对价值链基本活动最终分解为n项单项工作T、C、Q、E的优化问题。借助效用理论及多属性效用函数建立工程项目价值链量化分析模型,采用粒子群优化算法得到最佳的决策方案,即工期-成本-质量-环境的综合优化目标,从而达到项目工期短、造价合理、质量优良、环境影响小的效果,实现最佳的经济效益和社会效益。     

采取有效技术措施,增强水泥与外加剂适应性之浅见

本文就G公司水泥与外加剂的适应性问题进行具体分析,阐述了水泥与外加剂适应性不稳定的原因及解决措施,最终水泥的适应性得到明显提高。     

自由下落微粒流中气固两相流的数值模拟

在微粒流的自由下落过程中,环境空气会被卷吸到微粒流中,形成微粒羽流,有关微粒羽流与环境空气关系的基础理论及数值模拟研究文献相对较少。本文通过RNGk-ε模型对二维微粒羽流中的微粒与环境空气的耦合进行数值模拟,并讨论了微粒羽流速度分布、微粒羽流密度与羽流的流速变化关系,以及微粒羽流质量流对羽流流速的影响。     

粒状土孔隙率与其颗粒级配的分形关系

粒状土是填(构)筑地基、路基和土石坝等构筑物最常用的工程材料之一。对粒状土孔隙空间的研究有助于揭示其粒状结构承受和传递外力的机理。以仿真颗粒的相互作用为基础的颗粒离散元法是研究粒状土力学行为的有力有效工具。然而,仿真计算所耗时间与颗粒数量成正比,在计算颗粒数量较多的大模型时会受计算机计算性能的制约,阻碍了颗粒离散元法在工程中的普及。为了减小颗粒数量,常常忽略粒状土中细小的颗粒,带来的问题是,颗粒体的孔隙率被低估,同时影响粒状土中力的传递。借助颗粒流离散元法开展一系列仿真试验。结果表明,模型孔隙率随着最小颗粒粒径的变小而变小且两者呈分形关系。基于分形理论建立粒状堆积体孔隙率与最小粒径的数学关系。研究结果可用于提高颗粒流(或计算流体动力学-离散元法耦合)模型计算的准确性和效率。     

NONLINEAR FORECASTING OF THE GOLD MINER SPREAD: AN APPLICATION OF CORRELATION FILTERS

This paper models and forecasts the Gold Miner Spread from 23 May 2006 to 30 June 2011. The Gold Miner Spread acts as a suitable performance indicator for the relationship between physical gold and US gold equity. The contribution of this investigation is twofold. First, the accuracy of each model is evaluated from a statistical perspective. Second, various forecasting methodologies are then applied to trade the spread. Trading models include an ARMA (12,12) model, a cointegration model, a multilayer perceptron neural network (NN), a particle swarm optimization radial basis function NN and a genetic programming algorithm (GPA). Results obtained from an out‐of‐sample trading simulation validate the in‐sample back test as the GPA model produced the highest risk‐adjusted returns. Correlation filters are also applied to enhance performance and, as a consequence, volatility is reduced by 5%, on average, while returns are improved between 2.54% and 8.11% across five of the six models. Copyright © 2013 John Wiley & Sons, Ltd.     

混合邻域结构的粒子群算法

为了克服标准粒子群算法的早熟、停滞进化或易于陷入局部最优的现象,提出了一种混合模型(简称NSPO)。NSPO将一个粒子映射到无标度网络的多个网络节点上,借助网络结构获得该粒子的邻域拓扑。对粒子的更新,NSPO既考虑种群的最优,又考虑邻域的最优。在3个具有不同难度特点的测试函数上,将NSPO与标准粒子群算法进行了比较。实验结果表明:对于全局最优和梯度信息明显的函数,NSPO具有非常优越的表现;对于具有诸多局部最优的函数,NSPO逃逸局部最优的能力要强于标准粒子群算法;对于具有误导性梯度信息的函数,NSPO偶尔表现优异。