轨道交通站点周边存量用地更新策略研究

对成都地铁7号线各站点及周边800 m范围用地进行了分析,提出了在交通引导开发(TOD)理念下利用城市更新及存量规划归类分析的方法。进行了站点分类的研究,达到了从用地布局、开发强度、道路交通接驳三个方面提出城市用地更新策略的效果。解决了轨道站点服务范围不均衡,轨道站点周边用地混合性较差,轨道站点与公共交通接驳系统不完善,站点周边发展相对独立的问题。     

轴流压气机引气的多通道三维数值模拟方法研究

以单级轴流压气机为例,针对轴流压气机引气开展了多通道全三维数值模拟方法的研究。首先对具有试验结果的NASA Stage35单级轴流压气机的内部流场进行详细的数值模拟,对比计算结果与试验结果,确定了一套准确可靠的数值模拟方法。再对某一单级轴流压气机无引气、全周开缝引气、周向均布集中开孔引气进行多通道三维数值模拟,确定该方法用于研究轴流压气机引气的可行性。结果表明,引气量、喘振裕度和压气机效率是分析引气对轴流压气机气动性能影响的三个关键因素,多通道三维数值模拟方法可对不同引气方式下轴流压气机的气动性能进行仿真计算,并为引气方式的防喘/退喘技术研究提供依据。     

对称不确定性和粒子群的高维特征选择算法

高维数据中存在着成千上万个特征,大量的特征导致问题搜索空间过大,增加了计算代价,影响了数据分类预测的准确性.为了提高特征选择的效率,本文提出了一种对称不确定性和种群降维机制的粒子群特征选择算法,该算法设计了一种基于对称不确定性指标的初始化方法,降低特征选择的计算代价.通过非支配排序的种群降维机制,减少进化过程中冗余特征的影响.在5个公开生物医学的高维数据集上的实验结果表明,该算法能够针对高维数据特征选择问题取得更好的分类精度和更小的最优子集特征个数,并在时间运行方面有一定的优势.     

基于非线性BP算法的中密度纤维板（MDF）调施胶系统辨识

利用三层前馈神经网络作为被辨识对象的模型,对中密度纤维板(MDF)调施胶控制系统进行建模与仿真,并给出基于非线性BP算法的调施胶系统辨识计算步骤,实现了对中密度纤维板调施胶非线性动态系统的辨识.实验结果表明,文中建立的中密度纤维板调施胶系统模型是有效的,将其系统模型嵌入调施胶控制系统中可使系统响应时间变快并获得较好的控制效果.     

基于自适应t分布与随机游走的麻雀搜索算法

针对麻雀搜索算法在解决复杂问题时存在的收敛精度降低以及陷入局部最优等问题,文中提出了一种基于自适应t分布与随机游走的麻雀搜索算法。该算法在初始化过程中使用反向学习来生成反向解,从中选择优秀的个体组成初始化种群。在原始麻雀搜索算法上采用自适应t分布策略和高斯随机游走策略可以提高麻雀个体的寻优能力,同时防止算法早熟。仿真结果表明,相较于对比算法,文中所提算法的收敛精度和收敛速度都有所提升。     

教与学信息交互粒子群优化算法

针对单一种群在解决高维问题中收敛速度较慢和多样性缺失的问题,提出了一种教与学信息交互粒子群优化(PSO)算法.根据进化过程将种群动态地划分为两个子种群,分别采用粒子群优化算法和教与学优化算法,同时粒子利用学习者阶段进行子种群之间信息交互,并通过评价收敛性和多样性指标让粒子的收敛能力和多样性在进化过程中得到平衡.与粒子群...     

自适应两阶段分组求解大规模全局优化问题

协同进化是解决大规模全局优化问题的一种有效策略,但是该策略不能对存在相关性变量的大规模问题进行有效分组,最终导致算法性能下降.针对上述问题,提出一种基于自适应两阶段分组的差分协同进化算法.首先,在第1阶段分组中,根据决策变量贡献度,将其分为正促进组和负抑制组;然后,在第2阶段分组中,分别对两组内的变量进行相关性识别,根据相关变量所占比例进行自适应分组;最后,采用差分协同进化算法对分组后的组件进行优化.实验结果表明本文所提方法能够实现对大规模全局优化问题中相关变量的有效分组,提高了算法的收敛性,通过标准大规模优化测试函数集验证了算法的有效性和适用性.     

知识图谱的增强CP分解链接预测方法

CP分解作为知识图谱链接预测的方法之一,能够对一些包含常规数据的知识图谱进行链接预测补全。但当知识图谱存在大量稀疏数据及可逆关系时,该方法不能体现两个实体间具有的隐藏联系,无法对此类数据进行处理。为解决上述问题,提出增强CP分解方法,对三元组中前实体和后实体的两个嵌入向量分别进行学习,并在训练过程中使用概率方法生成更高质量的负例三元组,引入ELU损失函数和AMSGrad优化器,有效对可逆关系和稀疏数据进行处理。在通用数据集上的实验结果表明,所提方法可以有效提升链接预测精度,与对比模型相比取得了5%的性能提升,同时应用在汽车维修知识图谱数据集补全中,取得83.2%正确率的实体补全结果。     

基于多因子粒子群的高维数据特征选择算法

特征选择是机器学习和数据挖掘领域中一项重要的数据预处理技术,它旨在最大化分类任务的精度和最小化最优子集特征个数。运用粒子群算法在高维数据集中寻找最优子集面临着陷入局部最优和计算代价昂贵的问题,导致分类精度下降。针对此问题,提出了基于多因子粒子群算法的高维数据特征选择算法。引入了进化多任务的算法框架,提出了一种两任务模型生成的策略,通过任务间的知识迁移加强种群交流,提高种群多样性以改善易陷入局部最优的缺陷;设计了基于稀疏表示的初始化策略,在算法初始阶段设计具有稀疏表示的初始解,降低了种群在趋向最优解集时的计算开销。在6个公开医学高维数据集上的实验结果表明,所提算法能够有效实现分类任务且得到较好的精度。     

异构集成代理辅助多目标粒子群优化算法

针对代理辅助进化算法在减少昂贵适应度评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法。该方法通过使用加权平均法将Kriging模型和径向基函数网络模型组合成高精度的异构集成模型,达到增强算法处理不确定性信息能力的目的。基于集成学习的两种代理模型分别应用于全局搜索和局部搜索,在多目标粒子群优化算法框架基础上,新提出的方法为每个目标函数自适应地构造了异构集成模型,利用其模型的非支配解来指导粒子群的更新,得出目标函数的最优解集。实验结果表明,所提方法提高了代理模型的搜索能力,减少了评估次数,并且随着搜索维度的增加,其计算复杂性也具有更好的可扩展性。