基于常微分方程的城市交通网络分析

首先建立城市交通网络的连续Petri网模型,用一组常微分方程来描述其语义,每个常微分方程描述交通流量的变化,交通流量可由介于0和1之间的数值来度量,此度量值显示交通堵塞的程度.针对不同的交通流速分析了各路段交通流量状况,适当调整信号灯的点火速率可以缓解城市交通阻塞问题.最后着重分析了某路段发生事故时对其它路段交通流量的影响.该方法的好处在于在做系统分析时,可避开状态爆炸问题.     

基于改进的BASS模型的服装产品生命周期研究

为提高服装的销售预测准确度,通过产品的生命周期曲线模型,使得服装销售预测的定性分析与定量预测有机地结合在一起。针对目前服装产品生命周期曲线模型的局限性,引入改进的BASS模型,对服装产品生命周期进行研究。通过销售实例探讨改进的BASS模型用于描述服装生命周期的可行性,建立了以改进的BASS模型为基础的服装产品生命周期模型,并利用该模型对服装销售量做预测,取得了比其他模型更高的精度。     

基于人工神经网络的服装结构设计

 1.Institute of Science;Zhejiang Sci-Tech University;Hangzhou;Zhejiang 310018;China;2.Institute of Fashion;Zhejiang Sci-Tech     

基于贝叶斯方法的织物分类研究

提出基于贝叶斯决策理论的织物图像自动分类的新方法。先对织物图像的分类问题建立贝叶斯模型 ,再提取织物图像的形态结构参数作为特征向量 ,并计算出分类结果。该法能准确、快速、有效地对各类织物实现自动分类识别。     

基于模块化的服装混合流水线平衡优化

针对服装生产存在的多品种、小批量、短周期等普遍现象,提出以模块化为基础的服装智能生产编排算法,以实现混合流水线下多款服装的快速生产。以服装模块划分为基础,建立模块化服装生产排序与工序分配的联合优化数学模型,设计目标追踪遗传算法求解模型,实现模块化服装在同一流水线上的投产排序优化及服装加工工序的自动化编排。以2款相近衬衫为例进行测试,结果表明:模块化服装混合流水线平滑系数和编制效率分别达到3.359和97.9%,相较于小批量的单件流生产,编制效率和流水线的平衡稳定性均有显著提升。本文研究可为服装智能制造与精益生产的推进提供理论参考。     

碳交易及消费补贴下的服装行业碳减排决策问题

在“双碳”目标下,全国碳交易市场悄然上线,为使服装企业更好地应对碳交易,建立由原料供应商、制造商、零售商和回收商组成的服装闭环供应链模型,着重探讨了政府对再制造服装消费者补贴及制造商碳减排投资对服装行业发展、供应链成员利润及供应链碳排放总量的影响等。研究发现:随着碳交易价格的上涨,若无减排及无补贴,服装企业难以长久维系;仅制造商投资减排的情形有利于增加传统服装、再制造服装的需求及供应链成员的利润,但同时也会刺激碳排放;既减排又补贴时,再制造消费补贴可提升制造商的最优减排率,增强再制造服装的竞争优势,降低供应链的碳排放总量;本文研究可为碳交易下服装生产企业碳减排投资决策及政府的政策制定提供指导和参考。     

新零售背景下服装销售渠道整合转型研究

为探究新零售模式与传统双渠道模式的异同,帮助传统服装企业的新零售模式转型,基于效用理论并结合服装特性,分别设计双渠道模式和新零售模式的服装消费者效用函数,定量刻画服装消费者需求和服装零售商利润模型。通过数值算例,探讨线上信任程度、线下体验服务水平以及“线上订购,线下取货”(BOPS)不便利程度对渠道整合转型的作用以及对服装零售商利润的影响。结果表明:线上信任程度达到一定阈值时,双渠道模式下的服装企业实行线上线下同价策略更为有利;新零售模式下,BOPS不便利程度对服装零售商利润影响最大,线上信任程度对服装零售商利润影响最小;新零售模式的施行将大幅提升服装零售商的利润。     

模块化生产模式下的服装产品组合优化决策

为有效克服服装零售商面临多款式产品难以决策的困难,基于模块化生产的服装产品组合进行优化决策,构造了模块化生产模式下的服装时尚度函数;基于消费者效用最大化,构建确定型需求的产品组合决策模型和零售商利润模型;设计了关于垂直差异化服装产品之间的有向图来优化产品集合,以最短路径求得零售商利润最大化的产品组合;研究了市场上多个零售商与供应商之间的利润分配问题。研究结果表明:利用有向图优化零售商的服装产品组合决策问题,其效果明显优于穷举法;该方法将提高服装零售商和供应商的决策水平,获得最大化利润。     

服装加工选址决策模型

针对我国经济发达地区的服装贸易企业面临的发单决策实际问题 ,综合归纳各种成本要素为 4种类型 ,运用整数线性规划 ,建立以成本最小化为目标的服装加工选址决策模型。并以实际案例 ,说明此模型对服装贸易公司提高加工选址决策的效率和效果颇具价值。     

基于神经网络集成的软件故障预测及实验分析

软件系统故障预测是软件测试过程中软件可靠性研究的重点之一。利用软件系统测试过程中前期的故障相关信息进行建模,预测后期的软件故障信息,以便于后期测试和验证资源的合理分配。根据软件测试过程中已知的软件故障时间序列,利用非齐次泊松分布过程、神经网络、神经网络集成等方法对其进行建模。通过对三个实例分别建模,其预测平均相对误差G-O模型依次为3.02%、5.88%和6.58%,而神经网络集成模型为0.19%、1.88%和1.455%,实验结果表明神经网络集成模型具有更精确的预测能力。