基于有限信息的网络邻接关系识别研究

如何根据有限的网络交互信息确定网络结构是当前网络科学研究的重要问题之一。该文提出了基于网络单一结构属性的网络结构重构分析方法。首先,该方法通过Holme-Kim模型生成一系列集聚系数可调的人工网络。然后,该方法通过压缩感知识别模型对有限信息下的网络结构进行重构。实验结果表明,当仅能掌握20%的网络节点间交互的时间序列信息时,网络邻接关系的平均识别准确率和平均真实关系召回率均随网络平均集聚系数的增大而提高。当网络的平均集聚系数在0.1~0.6变化时,平均集聚系数为0.6的网络将获得最高的平均识别准确率和平均真实关系召回率。进一步的实验分析说明,网络中度小于8的节点其平均识别准确率是决定网络平均识别准确率的关键。     

改进混合量子算法在Job Shop调度中的研究

自从科学的管理思想引进生产过程中,管理者开始注重计算机的辅助作用。Job Shop调度问题（JSP）是许多实际生产调度的简化模型,由于解空间的规模巨大,给求解带来了很大的挑战。在量子比特编码的基础上,设计了两种解码方式,结合微粒群算法（PSO）的更新式对量子角进行智能调整,形成了混合量子算法（HQA）。但HQA在求解JSP时,效果并不好。在HQA的框架下,增加了一些寻优机制,使得算法求解性能有显著的提高,并称其为改进混合量子算法（IHQA）。     

Flow shop排序问题Fm|prmu|Cmax的改进分枝定界法

针对Flow shop排序问题,提出一种改进的分枝定界法,该算法融入了Gupta启发式算法和分枝定界算法,在保证求得最优解的前提下减少了计算量,提高了效率.实例结果证明算法的有效性.     

基于置换Flow Shop调度问题的混合量子算法研究

安排合理有效的生产调度是生产活动能井然有序开展,生产资源得到最佳配置,运作过程简明流畅的有力保证。置换Flow Shop调度问题是流水车间的典型问题,同时也是NP-C难题。从问题出发,设计了由量子进化,最佳模式和其他优化技术所构成的混合量子算法(HQA)。HQA模仿量子行为迭代演化,将种群一分为二,种群1在量子作用和其他优化作用下,探索解空间。种群2保留最佳模式,提高了搜索的效率。经计算测试,验证了HQA在求解排序问题中的可行性,测试结果表明HQA具备了求解置换Flow Shop调度问题的能力。     

复杂人流网络下的COVID-19传播模型

考虑复杂人流网络的统计特征和SI传播模型,该文基于实证数据构建了新型冠状病毒肺炎在湖北省和4个省传播和扩散的P-SI模型。基于实证数据的研究分析表明,P-SI模型能够根据各省感染COVID-19情况拟合每天新增感染人数的变化趋势。此外,P-SI模型能够根据4省2020年1月23日前的感染情况预测2020年1月24日后的每天新增感染人数。该模型有助于理解COVID-19的传播特性,为阻断传播源,遏制疫情扩散,制定有效的防控措施提供决策依据。     

基于供应链不确定性的企业生产计划控制研究

以制造企业为研究对象,从供应链角度分析企业面临的不确定性因素,提出基于供应链的企业生产计划控制模型,构建一个科学的、鲁棒性较强的企业生产计划控制系统,从而尽可能地降低不确定性对企业生产的干扰和影响.     

混合量子算法及其在flow shop问题中的应用

量子进化算法（QEA）是目前较为独特的优化算法,它的理论基础是量子计算。算法充分借鉴了量子比特的干涉性、并行性,使得QEA求解组合优化问题具备了可行性。由于在求解排序问题中,算法本身存在收敛慢,没有利用其它未成熟个体等缺陷,将微粒群算法（PSO）及进化计算思想融入QEA中,构成了混合量子算法（HQA）。采用flow shop经典问题对算法进行了测试,结果证明混合算法克服了QEA的缺陷,对于求解排序问题具有一定的普适性。