基于UML扩展的数据仓库多维数据PIM建模

针对数据仓库多维数据PIM建模问题,对多维数据模型维和事实进行了定义.在UML(Unified Modeling Language)扩展的基础上,提出了与多维模型相关的八个版类,从而可以对数据仓库中PIM模型的各种情况进行图形化描述.最后基于某钢铁企业采购系统的采购价格差异分析主题进行了建模.     

应用控制系统设计工具箱PIMCSD求解卫星编队重构问题

利用线性时变系统终端约束最优控制方法,为椭圆轨道卫星编队的队形重构控制问题设计了均衡耗能最优控制器.由于描述椭圆轨道卫星编队相对运动的Lawden方程是时变方程,给卫星编队重构的最优控制器设计带来一定的困难.利用基于精细积分算法的控制系统设计工具箱-PIMCSD进行系统设计,求解卫星编队重构所需的时变最优反馈控制律和前馈控制律,最后给出了由三颗卫星组成的编队队形重构控制仿真计算结果.     

基于精细积分理论与算法体系的时变最优控制方案工程应用

以航天器的编队飞行控制为工程背景,利用PIMCSD工具箱设计了航天器远/近程逼近的时变控制方案,并在飞行控制仿真平台上通过了验证.仿真结果表明,相对于传统的定常控制器方案,新的时变控制器方案可以在更短的控制时间内,以更少的燃料消耗,达到更高的终端控制精度,从而验证了控制方案的可行性、有效性和先进性.同时,提出的时变控制器简化实现方案不仅可以保持良好的性能指标,也便于工程设计和实现.这些工作为航天器编队控制系统的工程设计提供了有益的参考.     

微粒群优化算法在车间调度中的研究与应用

在对某印染企业的生产状况进行了深入调研和分析的基础上,对流水车间调度、混合流水车间调度进行了对比,同时对微粒群算法进行了深入研究,并根据实际情况对算法进行了部分改动和改进,使之能适用于离散的生产调度问题.最后将改进后的微粒群算法应用到印染企业的车间调度中,同时实现了甘特图的动态生成.研究结果可直接应用于企业流水车间调度和作业车间调度,具有一定的实际应用价值.     

实现兼类样本增量学习的一种算法

针对兼类样本,提出一种增量学习算法.利用超球支持向量机,在特征空间对属于同一类别的样本求得一个能包围该类尽可能多样本的最小超球,使各类样本之间通过超球隔开.增量学习过程中,只对新增样本以及与新增样本具有相同兼类的旧样本集中的支持向量进行训练,且每次训练只针对一类样本,使得算法在很小的样本集、很小的空间代价下实现兼类样本增量学习,同时保留了与新增样本类别无关的历史训练结果.分类过程中,通过计算待分类样本到各超球球心的距离判定其所属类别,分类准确快捷.实验结果证明了该算法的有效性.     

校园多媒体课堂门禁设计

采用MIFARE完成IC读卡器射频天线相关的设计,提出具体射频天线和对应匹配电路的设计要求,以达到无接触式读卡通信的最佳性能.对射频卡的数据结构,数据传输的方式,相关的时序,典型电路的设计参数,匹配电路,电磁兼容性电路,数据安全性与完整性,门禁控制方式等进行了详尽地探讨,并给出了一个根据射频天线接口电路理论和无接触读卡通信协议设计出校园多媒体课堂的门禁系统.非接触式高频射频卡用于门禁系统,克服了传统门禁功能单一,升级困难,保密性差的缺点,是各类门禁系统的发展方向.     

模糊控制器输出值不变的两个充分条件

模糊控制器通常由模糊化、模糊推理以及清晰化三部分构成, 而模糊推理决定了一个由输入论域到输出论域的模糊映射. 当模糊映射为常值映射时, 任意选择模糊化和去模糊化方式, 模糊控制器的输出值不因输入信号变化而改变. 本文给出了模糊映射为常值映射的两个充分条件, 并将结论从单入单出模糊系统推广到多入单出模糊系统.     

TSP问题的脂肪计算复杂性与启发式算法设计

旅行商问题(traveling salesman problem,简称TSP)是经典的NP-难解组合优化问题之一,求解它的高效启发式算法一直是计算机科学研究的热点.脂肪作为描述TSP结构特征的新工具,对启发式算法设计具有重要意义.目前,TSP问题的脂肪研究还处于初始阶段,缺乏理论分析结果及相关的启发式算法.首先分析了TSP问题的脂肪计算复杂性,通过构造偏移实例的技巧,证明了获取TSP的脂肪是NP-难解的,即在P(NP的假设下,不存在算法可以在多项式时间内获得完整脂肪.在此基础上,通过分析TSP问题局部最优解与脂肪的关系,给出了求解TSP问题的元启发式算法--动态候选集搜索(dynamic candidate set search,简称DCSS)算法.利用该算法,改进了目前求解TSP问题最好算法之一的LKH.TSPLIB典型实例的实验结果表明,改进后的算法在解的质量上有较为明显的提高.新的基于脂肪的启发式算法对于求解其他NP-难解问题具有一定的参考价值.     

一种基于GPU加速的细粒度并行蚁群算法

为改善蚁群算法对大规模旅行商问题的求解性能,提出一种基于图形处理器(GPU)加速的细粒度并行蚁群算法.将并行蚁群算法求解过程转化为统一计算设备架构的线程块并行执行过程,使得蚁群算法在GPU中加速执行.实验结果表明,该算法能提高全局搜索能力,增大细粒度并行蚁群算法的蚂蚁规模,从而提高了算法的运算速度.     

基于改进量子遗传算法的过程神经元网络训练

针对过程神经元网络由于模型参数较多BP算法不易收敛的问题,提出一种基于量子位Bloch坐标的量子遗传算法.将该算法融合于过程神经网络的训练.按权值参数的个数确定量子染色体上的基因数并完成种群编码,通过新的量子旋转门完成个体的更新.算法中的每条染色体携带3条基因链,因此可扩展对解空间的遍历性,加速优化进程.以两组二维三角函数的模式分类问题为例,仿真结果表明该方法不仅收敛速度快,而且寻优能力强.