30t/h蒸汽锅炉的技术改造

介绍了大庆油田化工集团甲醇分公司动力车间30 t/h蒸汽锅炉在日常生产运行中的常见问题、针对锅炉自身缺陷制定了改造方案,通过更换燃烧器、改造锅炉构造和配置减温减压装置等多种手段对锅炉进行了改造,取得了良好的投用效果,保证了30 t/h蒸汽锅炉的平稳长期运行.     

预测函数算法在同步发电机励磁系统中的应用

预测函数控制(Predictive Function Control)方法克服了传统预测控制算法复杂、在线计算量大的缺点,具有算法简单、计算量小、跟踪速度快和精度高等优点,适合同步发电机励磁等快速系统.介绍了预测函数控制(PFC)的基本原理和特点,成功地将预测函数控制算法运用到同步发电机励磁系统中.仿真结果表明:预测函...     

可活化稳定同位素^70Zn示踪研究儿童膳食中锌的生物利用率

使用中子活化分析法,以国内仅有的低深缩度^70Zn（18．3％）作为可活化稳定浓缩同位素示踪剂,对我国儿童膳食中锌的生物利用率进行了研究。建立了以阴离子树脂交换法对儿童便样中的锌元素进行富集,经反应堆中了辐照、测量和放射化学分离、测定锌的生物利率方法。提出了普适于各种^70Zn浓缩度锌作为示踪剂、以^70Zn和^68Zn和^64Zn的质量丰度进行生物利率率的计算公式。克服了以^68Zn作为唯一的天然锌指示而引入的计算误差。     

口服氨酚羟考酮和盐酸曲马多治疗妇科腹腔镜手术后早期疼痛的研究

目的:观察妇科腹腔镜手术病人术后早期单次口服氨酚羟考酮(泰勒宁)和盐酸曲马多(奇曼丁)进行镇痛的有效性和安全性。方法:120 例VAS 评分>3 分的妇科腹腔镜手术病人, 随机分3 组, 分别口服泰勒宁、奇曼丁或安慰剂1 片, 3 组病人均给予吗啡静脉自控止痛泵作为补救镇痛用药。观察并记录服药即刻、服药后0.25、0.5、0.75、1、2、4、6、8、12、24 h 的VAS 评分、PCA 用量以及不良反应, 根据VAS 评分计算疼痛缓解度, 24 h 进行总体镇痛满意度评估。结果:泰勒宁组和奇曼丁组VAS 评分低于安慰剂组(P<0.05), 泰勒宁组和奇曼丁组之间VAS 评分相近(P>0.05)。泰勒宁组和奇曼丁组补救PCA 吗啡用量明显低于安慰剂组(P<0.05), 泰勒宁组和奇曼丁组补救PCA 吗啡用量相当(P>0.05)。泰勒宁组和奇曼丁组总体镇痛满意度评估优于安慰剂组(P<0.05)。24 h 恶心呕吐率方面,奇曼丁组明显高于其他两组(P<0.05)。结论:口服泰勒宁和奇曼丁能有效地缓解妇科腹腔镜病人手术后的中至重度疼痛, 早期口服给药镇痛的方式安全、有效。与奇曼丁组相比, 泰勒宁组的不良反应发生率更低。     

多智能体路径规划综述

多智能体路径规划（multi-agent path finding,MAPF）是为多个智能体规划路径的问题,关键约束是多个智能体同时沿着规划路径行进而不会发生冲突。MAPF在物流、军事、安防等领域有着大量应用。对国内外关于MAPF的主要研究成果进行系统整理和分类,按照规划方式不同,MAPF算法分为集中式规划算法和分布式执行算法。集中式规划算法是最经典和最常用的MAPF算法,主要分为基于[A*]搜索、基于冲突搜索、基于代价增长树和基于规约四种算法。分布式执行算法是人工智能领域兴起的基于强化学习的MAPF算法,按照改进技术不同,分布式执行算法分为专家演示型、改进通信型和任务分解型三种算法。基于上述分类,比较MAPF各种算法的特点和适用性,分析现有算法的优点和不足,指出现有算法面临的挑战并对未来工作进行了展望。     

多智能体深度强化学习研究综述

多智能体深度强化学习是机器学习领域的一个新兴的研究热点和应用方向,涵盖众多算法、规则、框架,并广泛应用于自动驾驶、能源分配、编队控制、航迹规划、路由规划、社会难题等现实领域,具有极高的研究价值和意义。对多智能体深度强化学习的基本理论、发展历程进行简要的概念介绍;按照无关联型、通信规则型、互相合作型和建模学习型4种分类方式阐述了现有的经典算法;对多智能体深度强化学习算法的实际应用进行了综述,并简单罗列了多智能体深度强化学习的现有测试平台;总结了多智能体深度强化学习在理论、算法和应用方面面临的挑战和未来的发展方向。     

基于强化学习的无人坦克对战仿真研究

对标准的强化学习进行改进,通过引入动机层,来引入先验知识,加快学习速度。策略迭代选择上,通过采用“同策略”迭代的Sarsa学习算法,代替传统的“异策略”Q学习算法。提出了基于多动机引导的Sarsa学习（MMSarsa）算法,分别和Q学习算法、Sarsa学习算法在坦克对战仿真问题上进行了三种算法的对比实验。实验结果表明,基于多动机引导的Sarsa学习算法收敛速度快且学习效率高。     

基于神经网络的知识推理研究综述

知识推理是知识图谱补全的重要手段,一直以来都是知识图谱领域的研究热点之一。随着神经网络不断取得新的发展,其在知识推理中的应用在近几年逐渐得到广泛重视。基于神经网络的知识推理方法具备更强的推理能力和泛化能力,对知识库中实体、属性、关系和文本信息的利用率更高,推理效果更好。简要介绍知识图谱及知识图谱补全的相关概念,阐述知识推理的概念及基本原理,从语义、结构和辅助存储三个维度展开,综述当下基于神经网络的知识推理最新研究进展,总结了基于神经网络的知识推理在理论、算法和应用方面存在的问题和发展方向。     

基于动态融合目标的深度强化学习算法研究

针对深度强化学习算法中存在的过估计问题,提出了一种目标动态融合机制,在Deep [Q] Networks（DQN）算法基础上进行改进,通过融合Sarsa算法的在线更新目标,来减少DQN算法存在的过估计影响,动态地结合了DQN算法和Sarsa算法各自优点,提出了DTDQN（Dynamic Target Deep [Q] Network）算法。利用公测平台OpenAI Gym上Cart-Pole控制问题进行仿真对比实验,结果表明DTDQN算法能够有效地减少值函数过估计,具有更好的学习性能,训练稳定性有明显提升。