癸醇-棕榈酸/膨胀石墨低温复合相变材料的制备与性能

为了寻求温度段在2~3℃的低温相变材料,采用低共熔法,以理论计算为基础制备了癸醇-棕榈酸（DA-PA）二元复合相变材料。为提高其热导率,利用膨胀石墨（EG）的多孔特性,制备了最佳质量比为15∶1的DA-PA/EG复合相变材料。通过DSC、步冷曲线、红外光谱测试、SEM、Hot Disk热常数分析、高低温循环实验对复合相变材料的结构和性能进行了研究。实验结果表明,当DA-PA质量比为97.8∶2.2时的低共熔温度为2.9℃,相变潜热为203.6 J·g^-1。真空吸附后DA-PA被均匀地包裹在EG的多孔网状结构中,DA-PA/EG的相变温度为2.7℃,相变潜热为193.9 J·g^-1,热导率为1.416 W·（m·K）^-1,相比DA-PA提高了4.3倍。经过100次高低温循环后,DA-PA/EG仍保持良好的稳定性,在冷链物流中有较大的应用价值。     

电力GIS基础软件平台EPGIS——基于泛MDA架构、灵活插件体系的BASK业务构件平台

业务基础软件平台是解决软件行业基本矛盾的有效方法,BASK业务构件平台规避了目前大多数同质产品在架构设计、模型建模等方面存在的不足,提出了基于泛MDA架构,灵活插件体系的平台建设思路,详细介绍了BASK业务构件平台的架构、体系、模型、功能等内容。     

现代企业管理信息系统的开发与设计

针对当前企业管理信息系统的现状,分析了基于客户机／服务器计算模式设计和开发现代企业MIS应用系统的方法。     

地域农产品包装设计探索

地域农产品是地域自然因素和人文因素综合作用的产物,是地域文化传播的载体。本文从地域文化、农产品品牌形象的建设展开,从材料与工艺、造型与结构、视觉元素等方面探究地域农产品包装如何融入地域文化,促进整体品牌形象的建设。     

漂烫,化学处理和冻结方法对速冻豌豆品质的影响

本文从冷冻食品P.P.P.原理出发,分析了豌豆在漂烫、化学处理和冻结过程中叶绿素、维生素C、水分、蛋白质含量及过氧化氢酶活性的变化。得出以下结果: 1.豌豆最佳漂烫时间为1min。 2.豌豆速冻生产中不必使用柠檬酸和食盐添加剂。 3.流态床冻结设备(I.Q.F)最适宜豌豆速冻加工。     

用电引火远距离烧毁废火工品的方法

本文介绍一种经我厂多次试验并已用于实践的安全、可靠的远距离用电引火同时烧毁几堆废火工品的方法。该方法是将废易燃物(我厂是用废钝化黑索金)约100～300g,摊在事先准备好的     

动态信息素更新和路径奖惩的蚁群算法

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题的情况,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效地平衡算法的多样性和收敛性。在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,跳出局部最优。同时基于最优路径集合,对较优路径进行奖励,对其他路径进行惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度。并且使用三种局部优化方法,从而进一步提高解的精度。经过实验测试,该算法用于解决旅行商问题（traveling salesman problem,TSP）,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾。     

渝沪试点房产税立法的合法性

房产税是我国房地产市场宏观调控"组合拳"中的工具。对于重庆和上海颁布的房产税试点办法的合法性,可以从房产税的演化、立法的规定、税收征管法的要求等方面得以证成。     

基于动态重组和协同交流策略的蚁群优化算法

针对传统蚁群算法在解决旅行商问题(TSP)时所存在的收敛速度慢、易陷入局部最优等问题,提出了基于动态重组和协同交流策略的蚁群优化算法(RCACO).首先,将蚁群划分为贪婪蚁群和探索蚁群,两类蚁群执行不同的路径构建规则和信息素更新策略,以平衡算法的收敛速度和多样性.其次,采用一种基于线索二叉树的新型动态重组算子,并根据不同的重组策略对解集进行有导向性的动态重组,以提升算法的多样性.进一步,提出一种基于相似度和潜力值的协同交流策略,从全局的角度出发,找到最有潜力成为最优解的路径,并对这些路径给予信息素奖励,以提升算法的收敛速度.最后,算法还加入了停滞规避策略,以帮助蚁群跳出局部最优,提升算法的求解精度.通过Matlab对TSPLIB中的多组案例进行仿真实验,与传统蚁群算法和其他优化算法进行对比分析,仿真结果表明,改进的蚁群算法显著提高了收敛速度和求解精度.     

融合奖惩学习策略的动态分级蚁群算法

为应对传统蚁群算法在解决旅行商问题(TSP)中求解精度不高、算法易早熟等问题,提出融合奖惩学习策略的动态分级蚁群算法(DHL-ACS).首先将蚁群动态划分为帝国蚁、殖民蚁及国王蚁,其中帝国蚁与殖民蚁执行局部信息素更新,国王蚁执行全局信息素更新,在局部信息素更新中帝国蚁执行较大权重系数,负责对较优解的开发增强算法导向性,殖民蚁执行较小权重系数,负责对次优解的探索保证算法多样性,并利用帝国蚁与殖民蚁交换优质解的方式提高解的精度.其次提出一种改进的学习策略,通过奖励帝国蚁与殖民蚁的公共路径以实现较优解的同化作用,进而提高算法收敛速度;进一步当算法停滞时,引入反馈算子来减少国王蚁路径上的信息素,以达到对较高信息素路径的惩罚作用,从而提高种群多样性,增强算法跳出局部最优能力.通过对多组TSP数据集实验对比分析,实验结果表明改进后的算法很好地平衡了收敛速度与多样性之间的关系,尤其应对大规模TSP问题,能有效改善解的精度.