绿色建筑项目管理综合均衡优化研究

绿色建筑凭借其诸多优点,已然成为我国未来建筑发展的新方向,而对绿色建筑的工期、成本和功能进行全面系统研究并进行综合均衡优化,对于促进绿色建筑的发展具有深远影响.在描述各工程活动的成本和持续时间之间、功能和持续时间之间的非线性关系基础上,运用多属性效用函数理论构建了绿色建筑项目的功能一工期一成本综合均衡优化模型,并用遗传算法进行求解,可以得到最佳均衡解.最后通过一个实例验证了优化模型具有良好的科学性和实用性.     

磨机负荷专家控制系统设计及仿真研究

借鉴生物界的免疫反馈原理和遗传算法,利用模糊控制可以有效地实现对非线性、纯滞后、复杂的对象进行控制的优点,并结合PID与自寻优方法,设计出磨机负荷专家控制系统,用VB编写OPC客户端及控制程序,实现对磨机负荷的动态优化控制。试验结果表明,本文提出的控制策略能够很好的跟踪被控对象的参数变化,在存在干扰的情况下也能有较强的自适应能力,能够提高磨机台时产量,并提高矿厂的经济效益。     

基于改进免疫遗传算法的近红外光谱变量选择方法

该文在免疫遗传算法（IGA）的基础上,提出一种改进免疫遗传算法（iIGA）用于近红外光谱波长变量的选择。该算法舍去了原算法中固定抗体相似度阈值的思想,取而代之的是抗体相似度阈值自适应,同时引入精英保留策略和贪心算法思想,使得算法朝着正确的方向进行局部性探优。将该算法在玉米的淀粉和蛋白质含量数据集上进行实验测试,建立偏最小二乘（PLS）分析模型,并与IGA、遗传算法（GA）以及全谱方法进行了对比。结果表明,在玉米淀粉含量的预测上,iIGA相较于原IGA算法,预测集均方根误差（RMSEP）从0.312 0降至0.298 0,预测集预测精度提升4.5%;在玉米蛋白质含量的预测上,RMSEP从0.124 4降至0.110 3,预测集预测精度提升11.3%。分别对预测淀粉和蛋白质模型的RMSEP值进行显著性检验,F值分别为165.22和182.05,P值分别为9.5 × 10－23和4.5 × 10－24,P值均小于0.05,因此,iIGA能显著提升模型预测精度。     

基于GA的主汽温系统内模控制研究

主汽温控制系统是典型的大迟延、大惯性、时变控制系统,一直以来都是火电厂自动控制的难点。为此将内模控制引入主汽温控制系统,并提出采用遗传算法对滤波器参数优化整定,该方法简单易行,相较于传统PID参数整定方法具有一定的优越性。并对内模控制为主控制器的IMC-PI控制系统进行SIMULINK仿真,与PID-PI控制系统进行对比,仿真结果表明IMC-PID控制系统相比于传统PID-P串级控制系统过渡时间短、超调量小、鲁棒性好等特点。其控制效果好于常规串级 PID 控制系统,适用于大迟延、大惯性过程的控制,并且易于在工业上实现。     

基于遗传算法的自动驾驶仪测试性分析

为了提高自动驾驶仪故障测试与诊断的快速性与准确性,提出了一种基于遗传算法的自动驾驶仪测试性分析方法;此方法解决了遗传算法应用于测试项目选择的难点,构建了最优的故障测试策略,能以最短时间完成测试并满足测试覆盖性的要求;利用故障测试获得的知识,简化故障与测试间的相关性矩阵,加快了故障诊断的速度;最终获得了故障测试与诊断一体化的方法;实验结果表明,此方法有效提高了故障测试与诊断的速度,并且易于实现。     

基于GA-BP的移动通信设备故障诊断

针对通信设备故障发生随机性强,影响因素多,对应的故障诊断有高度非线性和不确定性的特点,采用BP神经网络算法,优化的GA-BP神经网络算法和POS-BP神经网络算法分别搭建基站设备故障诊断模型,提取设备故障历史数据进行MATLAB仿真,准确预测设备故障类型,帮助提高代维公司调度管理的智能化水平,提高基站设备运维的执行效率。仿真结果表明：本文的BP,GA-BP和POS-BP神经网络算法都能够实现设备故障类别的预测,且GA-BP神经网络算法相比BP和POS-BP神经网络算法对通信设备故障诊断有更好的适应性。     

10MJ高温超导环形磁体电磁优化设计

随着超导技术的发展,大容量、高场强的高温超导磁体已成为未来超导磁体的主要发展方向。文中以10MJ高温超导环形磁体为研究对象,以磁体的总用线量为优化目标,采用二代YBCO带材进行了环形磁体的电磁优化设计,利用遗传算法和有限元建模获得了磁体的最小总用线量,分析了在满足磁体储能量的情况下,线圈的内直径和线圈个数对环形磁体临界电流、总用线量的影响。     

两台恒速机上的MapReduce排序算法研究

研究源自于MapReduce系统的一类排序问题。给定两台恒速机和一组按列表到达的工件，每个工件包含两类任务：Map Task和Reduce Task。假设Map任务和Reduce任务都是不可中断的，Map任务可以并行处理，即可以任意分割成若干小的任务并在两台机器上同时处理，而Reduce任务只可以在单台机器上处理。一旦工件到达，必须为其指派机器和开工时间，目标是使得最后完工时间最小。对LSc算法的竞争比进行了分析，得到其一般情形下的竞争比当$s\geq（1+\sqrt{5}）/2$时为$1+1/s$，否则为$1+s/（s+1）$。而当每个工件$J_j$都满足其Map任务总长大于等于Reduce任务总长时，其竞争比当$s\geq（1+\sqrt{3}）/2$时不超过$1+1/（2s）$，否则为不超过$1+s/（2s+1）$。