桥面不平度随机激励模型

桥面不平度是影响车辆-桥梁振动的主要因素,定量地研究桥面的凹凸不平对车辆-桥辆振动的影响程度,关键是要能够建立一个能正确模拟实际桥面状况的桥面不平度模型.指出了传统的用周期性函数表示不平度模型的缺点,引入随机不平度理念,建立了一种用路面功率谱函数表示桥面不平度的方法,并建立了桥面不平度随机激励时域模型.通过对比分析发现,建立的桥面不平度模型是可信的,从而提供了一种在缺少实测数据时如何通过计算机模拟获得桥面不平度仿真数据的方法.     

重视施工企业在投标报价中的策略和技巧

投标竞争获胜的关键因素是报价。一个准确的报价，不仅要求对投标单位有足够的吸引力，而且使建筑施工企业获得一定的甚至是较多的利润。为此，施工企业投标时，就需要针对一定的工程对象确定具体的报价指导思想，并据此确定投标策略。     

对模拟纵向数据集缺失值处理的几种方法比较

运用SAS9．0、数据模拟技术,分别模拟纵向完整数据集和具有各种缺失率的随机缺失数据集,采用多重填补法（MI）、期望值最大化法（EM）和回归插补法（Regression）对各缺失数据集进行处理,对结果进行比较和分析。结果表明,对不同缺失率的数据集,MI、EM和Regression法对缺失值的处理各有优劣。     

蚁群算法的随机Petri网分析与路径寻优

为解决Petri网的最优路径寻找问题,在分析了随机Petri网(Stochastic Petri Net,SPN)中各个变迁实施时刻的分布规律之后,提出了一种计算任意网型变迁时间概率分布的方法.在对SPN分析的基础上,基于蚁群算法设计了一种在SPN中使用的各个网元素数据结构,提出了一种在SPN中更有效率的路径寻优方法.仿真结果表明,此路径寻优方法对时间延迟具有更高的灵敏度,对路径选择具有更高的准确性.     

基于随机行走的海岛地下水流替代模型构建方法

地下水是海岛重要的淡水资源。为了解决海岛地下水管理实践中遇到的模型计算成本过高以及现有替代模型黑箱性问题,本文提出基于随机行走的海岛地下水流替代模型构建方法。通过GPU并行随机行走算法分别建立海岛的人工增储含水层、分层越流含水层、随机非均质含水层的替代模型,并与相应海岛含水层解析解或数值解进行对比,验证随机行走替代模型在不同海岛含水层模型中的适用性和可靠性,分析潮汐动态边界对海岛分层含水层的影响,最后评估行走元数量对替代模型误差及计算成本的影响。     

长大公路隧道安全风险及防灾疏散研究现状及展望

随着公路交通建设的明显增加,隧道设计为生产和生活带来了便利。隧道火灾是隧道中最常见和最具破坏性的危险之一,经常造成毁灭性的损失和严重的伤亡。首先从火灾类型、蔓延情况和救援风险三个方面对长大公路隧道火灾特征进行了详细介绍;之后,从国内隧道火灾结构疏散设计和疏散设备及系统两个方面阐述了目前国内隧道防灾疏散策略;最后从加强防灾疏散意识教育、加强火灾燃烧特性研究、加强土建结构设计和构建智能化监控系统四个方面对未来的工作进行展望,以期减少国内隧道事故发生,提高防灾救援水平,为路隧道安全运营及预防灾害提供科学指导。     

一种新的基于隐喻地图的RPA路径规划算法

智能化地制定机器人流程自动化(robotic process automation, RPA)执行路径有利于企业节约相关人力成本以及提高RPA的推广,提出基于改进深度双Q网络(double deep Q-learning algorithms, DDQN)算法进行RPA路径规划。首先针对存在RPA的作业环境即Web页面,不满足深度增强算法的探索条件的问题,借助隐喻地图的思想,通过构建虚拟环境来满足路径规划实验要求。同时为了提高DDQN算法探索效率,提出利用样本之间的位置信息的杰卡德系数,将其作为样本优先度结合基于排名的优先级(rank-based prioritization)构建新的采样方式。通过随机采用任务样本在虚拟环境上进行验证,证明其符合实验要求。进一步比较改进DDQN、深度Q网络(deep Q network, DQN)、DDQN、PPO以及SAC-Discrete算法的实验结果,结果显示改进算法的迭代次数更少、收敛速度更快以及回报值更高,验证了改进DDQN的有效性和可行性。     

基于随机失活的循环神经网络交通事件预测

智能交通是现代交通发展的前沿领域,交通事件预测是其中的一个研究热点.传统BP神经网络模型是交通事件分析中常用的模型分析方法之一,但易陷入局部极值,不适合处理长期且连续的交通事件数据.为解决上述问题,提出使用循环神经网络处理交通事件数据,利用循环神经网络模型的有限时间长度记忆优势,构建序列数据分类模型来训练数据,采用随机失活方法去除模型的过拟合问题,通过达拉斯地区的实际流量数据验证,将预测结果与传统BP神经网络模型方法作对比.实验对比结果表明,该综合算法在预测精度和损失值方面均有较明显提升,验证了方法的有效性.     

基于时空相关性的光伏发电功率爬坡预测方法

传统的光伏发电功率预测方法爬坡预测可靠性较低,准确性不高.于是提出一种时空相关性的光伏发电功率爬坡预测方法.在典型日理想光伏发电出力归一化曲线提取基础上,采用线性插值方法生成光伏发电理想出力归一化曲线.通过蒙特卡洛法生成光伏发电随机分量,结合光伏发电与随机分量生成光伏发电序列;通过偏移爬坡率及变量状态划分方法构建信度网络节点变量和各节点变量的状态集;利用贪婪搜索算法从已有变量的状态集中获取最优信度网络结构后,进行光伏发电序列学习,完成光伏发电功率爬坡事件预测.实验结果表明,上述方法可有效完成光伏发电序列生成,并且爬坡预测可靠性较高,可实现多种气象条件下的光伏发电功率爬坡预测.