炼化企业特种设备管理问题及对策

介绍了个别炼化企业特种设备使用管理工作中存在的问题，分析了产生原因。提出了处理对策，目的在于优化特种设备的有效使用管理，保证其安全平稳运行。     

泾河东庄水库灰岩坝址岩溶渗漏三维电网络模拟试验研究

本文采用三维电网络模拟试验方法对泾河东庄水库碳酸盐岩库段岩溶渗漏量进行了模拟计算。模拟了天然状态及库水位８１０ｍ时的渗流场，并计算出相应条件下泾河的渗漏量；对四种不同的防渗处理方案进行了效果预测及分析评价     

江苏省机电灌排管理工作的几点经验

江苏是机电灌排发展较早的省份之一,从1908年开始,先后在无锡、常州等地发展了少量的机电灌排,但速度非常缓慢,到1949年解放时,总共只有设备6.04万马力。解放后,特别是1958年大跃进以来,我省机电灌排得到了高速度的发展,至1962年底为止,总计设备能力已达82.48     

一个成本低效益高的抽水机站

江苏省建湖县上岡抽水机站,建于1954年。全站现有25台内燃机,54匹马力。灌溉期间,除留一台备用机外,全部投入运行,共灌溉40,920亩水稻,平均每马力灌溉76亩,比当地一般机灌站灌溉指标高一倍以上。这个站建站以来,由于有水费和副业生产收入,不仅从来没有向国家伸手要钱,而     

可调分度回转工作台

当自动加工多孔的零件(如离心机转子)时,需要具有很多分度的可调分度回转工作台。这种工作台在设计上有一定困难,因为一般说来,分度(工位)数决定着工作台花盘的定位元件(孔、定位销等等)的数量,所以分度数通常不超过100～114。     

基于混合预测策略与改进社会学习优化算法的动态多目标优化方法

近年来,国内外学者针对基于预测的动态多目标优化算法开展了深入研究,并提出了一系列有效的算法,然而已有的研究工作通常采用单一的预测策略,使得算法不能有效地应对剧烈的环境变化。针对上述问题,提出了一种基于混合预测策略与改进社会学习优化算法的动态多目标优化方法。具体地,当环境发生变化时,该方法首先基于代表性个体预测策略生成一部分群体;其次,基于拐点预测策略生成一部分新群体,特别地,为了提高种群的多样性,根据算法迭代的历史信息和环境变化情况随机地生成一定数量的新个体;为了提高问题的求解效率,对社会学习优化算法进行了改进,为每个进化空间设计了适用于动态多目标优化问题的算子;最后,将混合预测策略与改进的社会学习优化算法结合,构成了一种新的动态多目标优化方法。以FDA、DMOP和F函数集作为实验测试函数集,与四种代表性算法进行了性能对比;并以反向世代距离(inverted generational distance, IGD)对该方法的性能进行了深入的分析。实验结果表明所提方法具有较好的收敛性和鲁棒性。     

MEC环境下多维属性感知的边缘服务二次聚类方法研究

移动边缘计算（mobile edge computing,MEC）环境下,海量的领域服务分布在边缘服务器上,如何对大规模的边缘服务进行精确的聚类是亟需解决的重要问题之一。为此提出了一种MEC环境下多维属性感知的边缘服务二次聚类方法。该方法首先分析并建立了MEC环境下边缘服务二次聚类指标模型。之后,提出了一种基于密度的最小生成树启发式分段聚类算法（heuristic segmented for MST clustering based on service density,DMSC）,基于DMSC算法依据一级指标对边缘服务进行一次聚类;最后,将密度峰值算法中γ值引入到层次聚类中,构建了基于密度峰值的层次聚类算法（hierarchical clustering based on density peak,HCDP）,基于HCDP算法依据二级聚类指标,在一次聚类的基础上对边缘服务进行二次聚类。在人工数据集和UCI数据集上开展了大量验证实验。实验结果表明,DMSC算法与HCDP算法提高了聚类的准确率,减少了算法的平均迭代次数,增强了算法的稳定性。     

汉语语音识别中融合发音信息的随机段模型研究

提出了一种基于随机段模型的发音信息集成方法.根据随机段模型的模型特性,建立了阶层式人工神经网络来获取语音段信号属于各类音素的后验概率,并通过一遍解码的方式集成到随机段模型系统中.在“863-test”测试集上进行的汉语连续语音识别实验显示汉语字的相对错误率下降了5.93％.实验结果表明了将发音信息应用到随机段模型的可行性.     

QoS感知的云服务优化组合研究

为了更好地解决服务质量感知的云服务优化组合问题,首先对社会认知算法进行了改进,提出了面向离散型优化问题的模仿学习方法以及基于多次变异的观察学习方法。然后使用改进的社会认知算法对服务质量感知的云服务优化组合问题进行了求解。实验结果表明,改进的社会认知算法具有较强的搜索能力和较快的收敛速度,并且具有较强的推广性,可以用来求解其他离散型优化问题。     

一般间隙与One-Off条件的序列模式匹配

带有间隙约束的模式匹配问题是序列模式挖掘的关键问题之一.目前大多数的研究都为非负间隙,对字符串中的每个字符的出现顺序有着严格的要求.为了增加匹配的灵活性,并且考虑到在序列模式挖掘中采用one-off条件更加合理,研究一般间隙与one-off条件下的模式匹配问题,该问题为NP-Hard问题.为了有效的求解该问题,提出了MSAING(Maximum Sequential pattern mAtching wIth oNe-off and General gaps condition)算法,首先利用Reverse策略使模式与序列达到最佳的匹配状态;然后,使用线性表的结构使匹配过程中消耗的时间和空间大幅度的降低,同时利用回溯机制提高匹配的成功率;最后,根据inside_Checking机制,判断模式串是否会产生内部重复现象,进一步提高算法的执行效率.理论证明了MSAING算法的完备性,实验结果验证了MSAING算法匹配结果的准确性,以及在时间和空间方面的高效性.