路径长度受限的随机需求VRP的模型和算法

路径长度受限的随机需求VRP在生产、生活中有着广泛的应用。给出了路径长度受限的随机需求VRP问题的线性整数规划模型,在不允许部分服务和仅能服务失败一次的策略下设计了一个启发式算法。该算法以离散优化中广泛应用的扫描算法为基础生成服务的一个初始可行方案,然后利用模拟退火算法改进得到近似最优解。对需求为二项分布的50个结点、1个服务中心的问题进行了数值试验,数值结果表明该算法对求解路径长度受限的随机需求VRP是有效的。     

分子蒸馏技术与日用化工(Ⅰ)——分子蒸馏技术的原理及特点

介绍了分子蒸馏技术发展简况，并从分子运动平均自由程的定义出发，介绍了分子蒸馏技术的基本原理、特点以及与常规蒸馏、超临界萃取与层析分离等方法的不同。分子蒸馏操作温度低、受热时间短及分离效率高，特别适用于热敏性物质的提纯，有广阔的应用前景。     

基于类标记扩展的半监督网络流量特征选择算法

针对网络流量特征选择过程中存在的样本标记瓶颈问题,以及现有半监督方法无法选择强相关的特征的不足,提出一种基于类标记扩展的多类半监督特征选择(SFSEL)算法。该算法首先从少量的标记样本出发,通过K-means算法对未标记样本进行类标记扩展;然后结合基于双重正则的支持向量机(MDrSVM)算法实现多类数据的特征选择。与半监督特征选择算法Spectral、PCFRSC和SEFR在Moore数据集进行了对比实验,SFSEL得到的分类准确率和召回率明显都要高于其他算法,而且SFSEL算法选择的特征个数明显少于其他算法。实验结果表明: SFSEL算法能够有效地提高所选特征的相关性,获取更好的网络流量分类性能。     

基于N步不变集的时滞切换系统的饱和控制

构造离散时滞切换系统的不变集,提出基于N步不变集的切换控制器设计方法,估计执行器饱和非线性的吸引域范围。首先,考虑时滞的影响,选取依赖于时滞的Lyapunov函数,构造时滞切换系统的不变集,并将其表达为若干个椭球集的凸组合,椭球集的个数与时滞常数相关。其次,在系统的前N个采样时刻,分别施加不同的饱和约束,求解得到一组椭球集,椭球集的个数与常数N相关,而每一步计算得到的椭球集均为时滞切换系统的不变集。再将N个不变集用一组凸包系数拟合,即可获取较大的吸引域估计。最后,在满足平均驻留时间约束的条件下设计切换律,并设计状态反馈控制器,保证闭环系统渐近稳定。控制器的求解转化为线性矩阵不等式的可行性问题。仿真结果验证了所提方法的可行性和有效性。     

基于异步切换多胞系统的网络化飞行器故障检测

本文研究了存在时变短时延和随机丢包的大包线网络化飞行器故障检测问题.首先,采用切换多胞系统描述飞行动态,并提出了一种局部重叠多胞划分方式以较低设计保守性.然后,借助泰勒级数展开和伯努利分布将时延和丢包转化为多胞系统参数,并构建了切换参数依赖故障检测滤波器.同时,考虑滤波器切换指令及多胞加权参数更新滞后引起的异步切换问题,基于切换参数依赖Lyapunov函数和平均驻留时间方法分析了系统的稳定性和l2性能,并以LMI形式给出了滤波器存在的充分条件.最后,以HiMAT(highly maneuverable technology)飞行器为例验证了所提方法的有效性.     

一种无人机生成平滑航迹方法的研究与实现

无人机在未来战场中占有重要地位,航迹规划直接影响其作战能力。针对无人机航迹规划算法中存在的问题,提出一种生成平滑航迹的方法。该方法解决了直角拐弯、航迹不平滑、规划航迹与实际航迹不一致的问题。最后,通过VC++6.0+mapX5.0编程实现,结果表明了该方法的优势。     

基于MPLS的VPN互访技术

针对VPN互访问题,根据IPSec-VPN互访方法的不足,提出动态MPLS-VPN方法.利用随机分配的标签,在需要互访的不同VPN网络节点之间构建MPLS通道,利用互访规则集检验节点的连接申请,根据过滤规则控制数据包的传输,通过设定传输时长限制节点互访的时间,实现VPN之间接节点、按方向、按时间的细粒度互访控制,确保数据传输的安全性和高效性.给出动态MPLS-VPN方法实现互访的步骤,对方法进行分析比较.     

基于行驶路径记忆的智能车导航方法研究

针对飞思卡尔智能车视觉导航问题,研究了一种基于智能车控制信息的路径记忆方法。低速试跑时,智能车可以以比较高的控制精度行驶通过赛道,通过记录各段赛道的控制参数,如路径长度、方向转角等获得行驶路径的控制信息。在智能车竞跑行驶时,通过调用记录的行驶路径控制信息,就可以控制智能车以较快的行驶速度在赛道上行驶,并通过实时测量调整智能车的行驶偏差,实时调整智能车行驶速度和转角方向,实现对智能车的竞速导航控制。     

基于分层的改进A＊算法在路径规划中的应用

智能交通中的路径诱导系统能够极大地提高人们的出行效率与出行体验。经典A＊算法只注重搜索精度而忽略了搜索效率,在城市道路网络分层的基础上,对高层道路使用的A＊算法进行了改进,对于道路网络中的不同节点,设置估价函数具有不同的权值,同时给定权值的一个上下限阈值,以平衡算法的搜索效率与搜索精度。实验表明,得到的最短路径虽然不是常规的距离最短却是实际行驶时间最优的。     

基于类属属性的多标记学习算法

在多标记学习框架中,每个对象由一个示例(属性向量)描述,却同时具有多个类别标记.在已有的多标记学习算法中,一种常用的策略是将相同的属性集合应用于所有类别标记的预测中.然而,该策略并不一定是最优选择,原因在于每个标记可能具有其自身独有的特征.基于这个假设,目前已经出现了基于标记的类属属性进行建模的多标记学习算法LIFT.LIFT包含两个步骤:属属性构建与分类模型训练.LIFT首先通过在标记的正类与负类示例上进行聚类分析,构建该标记的类属属性;然后,使用每个标记的类属属性训练对应的二类分类模型.在保留LIFT分类模型训练方法的同时,考察了另外3种多标记类属属性构造机制,从而实现LIFT算法的3种变体——LIFT-MDDM,LIFT-INSDIF以及LIFT-MLF.在12个数据集上进行了两组实验,验证了类属属性对多标记学习系统性能的影响以及LIFT采用的类属属性构造方法的有效性.