核电厂周围液态有毒化学品类外部人为事件危险源评价方法研究

核电厂附近如果存在有毒化学品类潜在危险源,可能会对核电厂的安全构成严重威胁,因此在核电厂外部人为事件影响分析评价时必须评估其是否会对核电厂安全构成潜在影响。对于核电厂周围液态有毒化学品类潜在危险源,可采用筛选距离值的方法进行初步筛查。对于无法筛查掉的危险源,由于相关的核安全法规和导则中未给出针对有毒化学品类潜在危险源的具体评价方法,通过对国内外相关标准和文献的分析研究,提出了一套有毒液体危险化学品对核电厂影响的评价方法:首先采用适当的事故泄漏模型计算出泄漏量和蒸发量,再采用适当的扩散模型计算出到达核电厂处的浓度,最后通过与毒性浓度限值比较,判断是否会对核电厂安全构成潜在危险。本文提出的分析和评价方法可为核电厂周围有毒化学品类外部人为事件潜在危险源的影响评价提供参考。     

大中型体育场馆定位与交通可达性关联性研究——以广佛地区为例

交通区位与交通基础设施条件是影响大型体育场馆是否成功建设运营的重要因素。在交通网络多样化复杂化的发展背景下,更精准认知把握交通设计条件是进行场馆规划选址、新场馆建设策划旧场馆改造等活动的重要基础。基于已有可达性理论基础上,探讨大中型体育场馆定位与交通可达性之间的关联性。并尝试构建大型体育场馆交通可达性量化分析模型,实现对大中型场馆交通可达性的定量认知。最后以广佛地区为例选取拟建三水区体育场及周边多个场馆,应用该量化方法,并将分析结果作为参考依据之一用于拟建三水体育场规模与功能定位的决策工作。     

基于代理模型进化的履带车辆动力学参数优化

为解决履带车辆动力学优化过程因代理模型构建和应用的不足而导致的参数寻优精度和效率不高的问题,提出基于代理模型进化的参数优化方法,将优化迭代和代理模型动态构建相融合,来降低仿真模型调用次数和提高优化效率。根据车辆几何拓扑结构,构建考虑履带包络效应的车辆多体动力学模型;提出优化设计变量空间的3层子空间划分方法,以及具有空间聚焦、空间约简和跳出局部寻优的多级模糊聚类空间约简方法,实现设计参数在3层子空间的高效缩减。以履带车辆多体动力学模型参数优化过程为例进行应用验证。研究结果表明：在3种路况下的履带车辆多体动力学优化过程降低仿真模型调用次数最高可达85%;表征履带车辆行进特性的综合性能指标分别提升约32.4%、24.5%、20.4%。证明了新方法可有效提高动力学模型的优化效率和精度。     

产权单位管理模式下的老旧小区物业管理对策研究

城市老旧小区物业管理的良性发展应该协调多元主体间的关系和利益。构建地方政府、产权单位和居民群体三方演化博弈模型,求解相关利益主体行为变化的影响因素,揭示老旧小区物业管理行为主体达到良性互动的形成机制。研究结果表明,政府的补贴、监管惩罚、产生的城市整体效益、政府付出的成本、产权单位的企业形象、产权单位的管理成本、企业形象损失、居民群体选择违背合约,拖欠缴费策略带来的额外收益和定期缴纳的物业费等是影响三方主体协作配合的关键因素;在不同的成本和收益关系下,各参与主体初始意愿比例、政府补贴和监管惩罚均会对演化结果产生影响。     

设计院牵头的 EPC 模式合作关系博弈研究

通过实地调研结合对国家出台的有关 EPC 项目政策研究,构建 EPC 项目中业主方、设计单位和施工单位的演化博弈模型,借助系统动力学仿真方法分析了三方演化路径和趋势。研究结果表明:业主激励成本和设计施工优化成本对合作关系的建立呈负向影响,公平合理的收益分享系数和额外优化收益能加速合作关系的建立。并根据仿真结果分析,针对 EPC项目三方实现合作共赢提出优化建议。     

RFID辅助生产实时监控的复杂事件处理研究

为了将射频识别(RFID)读写器采集到的大量原始数据高效地转化为有用信息,以实现生产实时监控并提升其效率,提出一套基于复杂事件处理的体系结构。该结构定义RFID事件模型与复杂事件运算符,并以脚本的方式导入复杂事件处理计算引擎,从RFID原始数据中提炼出系统状态信息以实现生产实时监控。通过实验分析了RFID事件处理的性能,并对复杂事件业务逻辑的创建提出了合理化建议。     

移动传感器网络非均匀事件区域节点部署优化

针对移动传感器网络中热点事件监测场景,研究传感器节点的快速优化部署策略.首先假定事件随机产生,针对事件优先模型及节点感知误差函数推导基于Voronoi剖分时感知误差最小,然后定义节点有效覆盖权值,证明了当所有节点有效覆盖权值一致时,整个网络覆盖效能将达到最大.结合虚拟力及节点有效覆盖权提出一种分布式优化部署算法SDOA(Sparse Deployment Optimization Algorithm),其在保证覆盖能效最大化时保证网络连通性.最后仿真比较了本文提出部署策略能够快速有效实现对热点区域部署,并保证较高的覆盖效能.     

Signalling chains with probe and adjust learning

Many models explain the evolution of signalling in repeated stage games on social networks, differently in this study each signalling game evolves a communication strategy to transmit information across the network. Specifically, I formalise signalling chain games as a generalisation of Lewis' signalling games, where a number of players are placed on a chain network and play a signalling game in which they have to propagate information across the network. I show that probe and adjust learning allows the system to develop communication conventions, but it may temporarily perturb the system out of conventions. Through simulations, I evaluate how long the system takes to evolve a signalling convention and the amount of time it stays in it. This discussion presents a mechanism in which simple players can evolve signalling across a social network without necessarily understanding the entire system.     

基于分解的多目标花朵授粉算法

在过去几十年里，许多多目标进化算法被广泛应用于解决多目标优化问题，其中一种比较流行的多目标进化算法是基于分解的多目标进化算法(MOEA/D)。花朵授粉算法是一种启发式优化算法，但迄今为止，花朵授粉算法在基于分解的多目标进化算法领域的研究还非常少。本文在基于分解的多目标进化算法的框架下，将花朵授粉算法拓展至多目标优化领域，提出一种基于分解的多目标花朵授粉算法(MOFPA/D)。此外，为了保证非支配解的多样性，本文提出一种基于网格的目标空间分割法，该方法从找到的Pareto最优解集中筛选出一定数量且分布均匀的Pareto最优解。实验结果表明，基于分解的多目标花朵授粉算法在收敛性与多样性方面均优于基于分解的多目标进化算法。     

Efficient estimation of extreme quantiles using adaptive kriging and importance sampling

This study considers an efficient method for the estimation of quantiles associated to very small levels of probability (up to O(10⁻⁹)), where the scalar performance function J is complex (eg, output of an expensive-to-run finite element model), under a probability measure that can be recast as a multivariate standard Gaussian law using an isoprobabilistic transformation. A surrogate-based approach (Gaussian Processes) combined with adaptive experimental designs allows to iteratively increase the accuracy of the surrogate while keeping the overall number of J evaluations low. Direct use of Monte-Carlo simulation even on the surrogate model being too expensive, the key idea consists in using an importance sampling method based on an isotropic-centered Gaussian with large standard deviation permitting a cheap estimation of small quantiles based on the surrogate model. Similar to AK-MCS as presented in the work of Schöbi et al., (2016), the surrogate is adaptively refined using a parallel infill criterion of an algorithm suitable for very small failure probability estimation. Additionally, a multi-quantile selection approach is developed, allowing to further exploit high-performance computing architectures. We illustrate the performances of the proposed method on several two to eight-dimensional cases. Accurate results are obtained with less than 100 evaluations of J on the considered benchmark cases.