基于前景理论的区间直觉模糊双向投影决策方法

针对准则权重不完全确定, 方案准则值为区间直觉模糊数的多准则决策问题, 提出一种基于前景理论的双向投影决策方法. 首先, 给出一个考虑犹豫度的区间记分函数; 其次, 以零点为参考点计算各准则下的综合前景值; 然后, 利用定义的方案和理想点以及临界点形成的向量表达方式, 建立双向投影测度方法, 构建并求解基于方案区间投影总偏差最小的非线性规划模型, 并结合最大熵原理获得准则权重; 接着, 利用所提出的基于两个方向区间贴近度公式对各方案进行排序; 最后, 通过算例验证了该方法的有效性和可行性.

     

液压支架漏液分析研究

液压支架在井下工作中发挥着重要的作用,其密封可靠性是它是否能够工作的主要标准之一.本文从液压缸和密封件两方面出发研究液压支架的漏液问题,通过现场的实践经验,找出解决问题的基本途径,结论表明通过这些途径可以很好的解决液压支撑的漏液问题.     

液压支架漏液分析研究

液压支架在井下工作中发挥着重要的作用,其密封可靠性是它是否能够工作的主要标准之一。本文从液压缸和密封件两方面出发研究液压支架的漏液问题,通过现场的实践经验,找出解决问题的基本途径,结论表明通过这些途径可以很好的解决液压支撑的漏液问题。     

基于区间直觉模糊数的双向投影决策模型

研究了权重不完全确定,评价信息为区间直觉模糊数的多属性决策问题。提出了方案与理想方案、临界方案形成的向量表达方式,建立了针对区间直觉模糊信息的向量投影测度方法;构建了基于Jaynes最大熵原理和方案公平竞争下的非线性规划属性权重确定模型;提出了基于理想方案与临界方案的贴近度测算公式,以此对方案进行排序。通过算例对比分析说明了该方法的有效性和可行性。     

考虑客户价值的卡车与无人机联合配送时变路径优化方法

针对拥堵情况日益严重导致的物流业配送时效不高、客户价值低等问题,综合考虑客户价值和成本等因素,提出了一种卡车与无人机联合配送时变路径的优化方法。考虑到配送过程中不同时段的拥堵情况,采用速度分布函数刻画车辆的行驶速度,同时考虑客户的时间窗、车辆的载重和无人机的载重等约束条件,建立了成本最小的数学模型。根据模型的特点,引入K-means对客户的位置进行聚类,设计混合的粒子群算法对模型进行求解。最后通过Solomom数据进行模拟仿真实验,对模型和算法的有效性进行验证。实验结果表明,与未考虑客户价值静态路网模型相比,该模型在降低9.32%成本的情况下,同时提高了16.83%的客户价值和21.28%的客户满意度,所提算法在降低配送成本和提高企业经济效益方面具有一定的有效性。     

不平衡样本下的金融市场极端风险预警研究

为了提高金融市场极端风险识别及预警能力,采用沪深300指数作为研究数据,通过少数类样本过采样算法（SMOTE）解决样本不均衡问题,利用因子分析提取特征,通过粒子群（PSO）优化的最小二乘支持向量机（LSSVM）算法构建（SMOTE-PSO-LSSVM）预测模型。使用SMOTE-PSO-LSSVM模型对2007-2010年沪深300指标样本进行预测,样本含极端风险样本193条,模型成功识别风险样本154条,识别准确率达到了83.1%。研究结果表明SMOTE-PSO-LSSVM模型对金融风险数据识别能力较强,能够较为精准地识别风险样本,且求解速度快运行效率高,比传统BP网络和支持向量机等方法性能更优秀。该研究结论对金融市场的风险识别、市场趋势把控、股市交易管制以及投资者决策具有一定意义。     

基于灰色关联熵的煤与瓦斯突出概率神经网络预测模型*

煤与瓦斯突出是严重威胁矿井安全生产的重大自然灾害之一。为解决煤与瓦斯突出影响因素、突出危险性关联预测问题,在综合分析煤与瓦斯突出影响因素的基础上,利用灰色关联熵理论分析影响因素与突出危险性的关联度,得到各影响因素的权重及关联度排序,并结合概率神经网络（PNN）原理,构建基于灰色关联熵的煤与瓦斯突出PNN预测模型。用煤与瓦斯突出样本数据,对影响因素加权的PNN模型进行训练和测试。结果表明：用灰色关联熵分析可获得影响因素与突出危险性的关系,量化输入变量的重要性;瓦斯放散初速度、开采深度对于煤与瓦斯突出危险性的影响程度最大,可重点对瓦斯放散初速度、开采深度进行预处理以产生更为理想的预测效果;该预测模型能更好地考虑影响因素对突出危险性的综合影响,改善煤与瓦斯突出危险性预测的准确性。     

网页弹出窗口的实现

弹出窗口的方式 (1)用函数控制的弹出窗口浏览器读页面时弹出窗口;②(body onunload=”openwin()”)浏览器离开页面时弹出窗口;③用一个连接调…     

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。