兴凯湖灌区杨木分灌区灌排结合灌溉模式的优势

以往灌区常规的灌溉模式是自流灌溉模式,而灌排结合的模式是近几年来被逐渐认可的一种模式.针对杨木分灌区灌溉模式的调整,分析了灌排结合模式的优势,使工程在经济上合理,实施上简单.     

交会法在基坑水平位移监测中的应用与分析

该文介绍了基坑水平位移采用交会法(测角、测边和边角)监测的实际应用和分析,同时给出了水平位移量的直接计算式及其精度计算式,最后提出一些实用中的建议,供参考。     

社会媒体短文本内容的语义概念关联和扩展

随着微博、照片分享等社会化媒体的快速发展,每天产生了大量的短文本内容如评论、微博等,对其进行深入挖掘有重大的应用价值和学术意义。该文选取微博作为例子,详细阐述我们提出的方法。微博信息流因其简短和实时的特性而具有非常大的价值,已经成为市场营销,股票预测、舆情监控等应用的重要信息源。尽管如此,微博内容特征极其稀疏、上下文语境提取困难,使得微博信息的挖掘面临着很大挑战。因此,我们提出一种基于Wikipedia的微博语义概念扩展方法,通过自动识别那些与微博信息语义相关的Wikipedia概念来丰富它的内容特征,从而有效提高微博信息数据挖掘和分析的效果。该文工作首先通过可链接性剪枝、概念关联和消歧,发现微博信息中重要的n-gram所对应的Wikipedia概念;其次,采用基于概念-文档关联矩阵的NMF分解(非负矩阵分解)方法获取Wikipedia概念之间的语义近邻,为微博信息扩展相关的语义概念。基于TREC 2011的微博数据集和Wikipedia 2011数据集进行实验,与已有两个相关研究工作比较,该文提出的方法取得了较好的效果。     

一种新颖的函数优化进化算法

进化算法在求解全局优化问题时易陷入局部最优且收敛速度慢. 为了解决这一问题, 设计了一个基于下降尺度函数的杂交算子, 利用下降尺度函数与种群的关系来寻找实值函数的下降方向. 为了提高非均匀变异算子在进化后期的搜索能力, 通过均衡算子的局部搜索和全局搜索能力使其在算法后期仍能跳出局部最优. 在此基础上给出了一种新的进化算法. 最后将其与9个现有的算法进行了比较, 数值实验表明新算法快速有效.     

一类求多变量函数所有局部极小点的算法

为求出具有箱式约束的非线性全局优化问题所有的局部极小点,提出了一种基于Multistart 方法的新算法.结合目标函数在可行域内的总变差、下降率和凹凸性等信息,构造了一个刻划局部极小点分布的G-度量.将可行域剖分为若干个小区域,把初始点按G-度量值的比例分配在每块区域上,使得局部极小点密集的区域能够被分配较多的初始点进行搜索;给出了有效初始点的判断条件为了进一步减少局部优化算法的运行次数.针对G-度量计算量较大的问题,设计了相应的近似计算方法,降低了计算量.选择了4 个2 维~10 维具有大量局部极小点的测试函数进行求解,与Multisatart 和Minfinder 算法的实验结果进行对比,表明了该方法在收敛速度和搜索全部局部极小点上都有了较大的改进和提高.     

浅议欧盟环境政策在国际气候变化领域中的领导力及脆弱性

欧盟近几年来在环境问题上出台了一系列的政策,如到2020年,温室气体排放量在1990年的水平上减少20%等,这些目标旨在推动《京都议定书》的签署。欧盟有着长远的领导力目标,但这项计划进行的并不顺利。欧盟外交的成功依赖于致力减少温室气体排放的政策,但是其成员国多元的经济形势以及政治上的一体化程度差等问题导致其在国际上推进环境政策陷入尴尬的局面,显得异常脆弱。     

解决一类特殊多目标优化问题的因子分析方法

根据国际最新提出的采用统计方法解决多目标优化的思想,提出了采用因子分析方法来解决多目标优化问题（FA-SMOEA）,在个体聚类过程中充分考虑了目标函数对pareto解的影响,用灵敏度向量和相似程度作为过渡量,将目标函数和个体聚类结合起来.在交叉和变异过程中再次考虑了公因子对个体进化的影响,利用公因子对个体进行了局部修正.最后用数值实验验证了其有效性.     

基于新模型的多目标Memetic算法及收敛分析

将多目标函数优化问题转化成单目标约束优化问题.对转化后的问题提出了基于约束主导原理的选择方法,克服了多数方法只使用Pareto优胜关系作为选择策略而没有采用偏好信息这一缺陷;Memetic算法是求解多目标优化问题最有效的方法之一,它融合了局部搜索和进化计算.新的多目标Memetic算法引进C-metric,将模拟退火算法与遗传算法结合起米,改善了全局搜索能力.用概率论的有关知识证明了算法的收敛性.仿真结果表明该方法对不同的试验函数均可求出一组沿着Pareto前沿分布均匀且散布广泛的非劣解.     

基于混合的GA-PSO神经网络算法

粒子群优化(PSO)算法是一类随机全局优化的技术,它通过粒子间的相互作用发现复杂搜索空间中的最优区域。提出了一种基于GA和PSO混合的算法(GA-PSO)用于神经网络训练。算法在产生下一代时,结合了交叉、变异算子和粒子群算法中的速度—位移公式,充分利用了遗传算法的全局寻优和粒子群算法收敛速度快的优点。经GA-PSO训练的神经网络应用于三元奇偶问题和IRIS模式分类问题,与BP、GA和PSO算法相比,该算法在提高训练误差精度的同时加快收敛速度,并能有效避免早熟收敛。仿真结果表明,GA-PSO算法是有效的神经网络训练算法。