时变路网无能力约束车辆路径优化

讨论了一类时变路网下的无能力约束车辆配送路径优化问题,建立了基于时变路网的以配送总耗时最短为优化目标的无能力约束车辆配送路径优化模型。提出了基于实时Dijkstra算法的模型求解方法。数值算例表明考虑路网时变特性得到的优化配送方案将更加符合配送实际。     

单件离散型生产作业排程的多目标协同优化

以某重机企业为背景,分析了单件离散型生产作业排程的特征,提出多目标协同优化问题。基于改进的田口质量损失函数,确立质量、工期与成本之间的非线性关系,综合考虑单件离散型的约束条件,构建了生产作业排程多目标协同优化模型。集成仿真技术和遗传算法,为模型求解提供了有效方法。最后将模型和算法应用到企业的生产实践中,验证了其实用性和有效性,为解决单件离散型生产排程问题提供了科学方法。     

时变步长自适应均衡算法的设计与仿真

研究了自适应均衡算法中步长因子对算法性能的影响。步长因子大,算法收敛速度和跟踪速度快,但收敛后稳态剩余误差大;步长小,算法收敛速度和跟踪速度慢,收敛后稳态剩余误差小。因此,采用固定步长时,算法在收敛速度和收敛精度方面对步长的要求是相互矛盾的。因此本文采用均方误差的Sigmoid函数和误差信号的非线性函数作为步长控制因子,得到了几种改进算法,经计算机仿真表明,改进算法收敛速度加快,稳态剩余误差减小。     

国家高新区经济效益的综合评价

近年来,国家高新区已成为我国经济发展新的增长点。文章在建立高新区经济效益综合评价指标体系的基础上,提出了一种基于改进BP算法(采用自适应学习率、动量因子等)的经济效益综合评价模型。该方法不仅能够模拟专家对国家高新区经济效益进行综合评价,而且避免了评价过程中的人为失误,利用样本数据进行实证检验的结果表明,采用该方法获得的结果是令人满意的。     

一种多信道的分簇式短波令牌协议

传统的短波令牌协议（HFTP）调度方式单一,在没有数据传送时,信道资源会被各节点间的令牌传递所占用,且令牌在通信质量较差时易丢失。基于此,提出一种多信道的分簇式短波令牌协议（CHFTP）,通过以通信质量评估为标准的分簇算法和基于预约的动态令牌调度,减小了令牌丢失的概率和令牌传递、处理的开销,并给出了仿真分析。仿真结果表明,该协议的端到端平均时延和网络吞吐量明显优于短波令牌协议,CHFTP的平均时延最多可减少75%,网络吞吐量最多可增加66.7%,适合在短波通信网络中使用。     

基于改进粒子群算法的无人机航迹规划

针对当前基本粒子群算法无人机航迹规划在后期收敛速度比较慢、效率不高、易陷入局部最优等问题,提出一种改进粒子群算法。首先,在迭代前期和后期分段设置惯性权值的调整,实现粒子惯性和寻优行为的平衡;其次,设置一个定值与相邻2次适应度函数最优值比较策略,防止陷入局部最优;最后,引入遗传算法的交叉、变异机制,得出更优的结果。并通过仿真验证了改进粒子群算法在三维空间航迹规划的有效性和可行性。结果表明,与其他航迹规划算法相比,新算法具有路径长度更短、耗时更少、路径更平滑等优点,加快了收敛速度,提高了航迹规划效率和稳定性。因此,改进算法的航迹规划可得到满足约束关系的最优航迹,对实现自主飞行有重要的参考价值。     

物流配送中心选址数学模型和算法问题研究

在对物流配送中心选址问题进行理论综述和分析的基础上,以综合运输成本最低为基本约束条件构建了选址的数学模型,并通过启发式算法求得了模型的最优解,得出了各工厂对各物流配送中心以及物流配送中心到各货物配送需求点的最佳配送数量,并通过一个实例对模型进行验证和分析,结果证明该模型和算法可以有效优化物流系统的运作和提高运行效益.     

采用改进遗传算法的变压器优化设计

电力机车变压器的优化设计,采用遗传算法是比较好的选择,但传统遗传算法存在一些弊端,文章从编码方式、遗传操作等几个方面探讨了如何对其进行改进,并使用Visual C++编写了一套设计软件,实践证明这种改进是有效的。     

基于遗传算法的供应链分销网络模型及其求解

本文研究了由多个厂商、多个分销中心和零售商组成的供应链分销网络,建立了综合考虑库存成本、订货成本和运输成本的分销网络优化模型。该模型是一个整数规划问题,采用遗传算法,并建立一个有效的编码方式来进行快速求解。最后通过一个实例验证了该模型的有效性和实用性。     

Analysis of marginally specified semi-nonparametric models for clustered binary data

Generalized linear mixed models are widely used for analyzing clustered data. If the primary interest is in regression parameters, one can proceed alternatively, through the marginal mean model approach. In the present study, a joint model consisting of a marginal mean model and a cluster-specific conditional mean model is considered. This model is useful when both time-independent and time-dependent covariates are available. Furthermore our model is semi-parametric, as we assume a flexible, smooth semi-nonparametric density of the cluster-specific effects. This semi-nonparametric density-based approach outperforms the approach based on normality assumption with respect to some important features of 'between-cluster variation'. We employ a full likelihood-based approach and apply the Monte Carlo EM algorithm to analyze the model. A simulation study is carried out to demonstrate the consistency of the approach. Finally, we apply this to a study of long-term illness data.