最佳粮库地址的选择

管理部门通常要选择适当的地方建造粮库 ,所需服务范围已知 ,各部门运输量给定 .需为他们选择合适的地方 ,使总运费最少 .某乡的九个村 (A,B,C,… ,H,I)如图 1 ,各村距离给出 ,并标明它们各自上缴公粮数 .管理部门希望在村内或道路上建立一个粮库 ,最大限度地减少运输费用 .问题的解法有几种方案 ,对于本题来说 ,穷举搜索法是可行的 .另外 ,我们提出一种分析求解法 ,可找到优化解 .它利用图论的基础知识先求出图 1的各顶点间的最小路径 ,再进一步求出图的绝对中心 (即粮库的地址 ) ,其中的有关计算利用了 C++语言程序 .在此基础上 ,还可对问题的参数作更精细的分析 .概括地说 ,穷举搜索法对于简单的区域是行之有效的 .但对于更加一般化的问题 ,利用计算机可快捷准确地得到答案 .通过建立模型 ,我们得到下面两个结论 :(1 )我们找到最优解是 E点 ,其总运费为 1 2 775元 .(2 )模型具有广泛性 ,对于更一般的区域 ,可利用计算机总可以求出最优解 .     

边坡非圆弧滑动面的PSO-GA组合搜索

在岩土工程边坡非圆弧临界滑动面搜索问题中,依据作者提出的非圆弧滑动面向量表示方法,采用粒子群优化算法(PSO)和遗传算法(GA)组合形成的一种新算法,实现了临界滑动面的最优搜索.通过算例分析,并与GeoSLOPE等成熟系统的结果比较,验证了本方法的正确性和确定边坡临界滑动面搜索算法的高效性.稳定系数的计算采用适合解非圆弧滑动问题的摩根斯坦-普赖斯方法,根据本文验证,对该方法可能出现的异常情况进行了修正.     

ComBn(m+n≤6)团簇的结构，电子特性和磁性研究

基于密度泛函理论和卡里普索结构预测方法,系统研究了ComBn(m+n≤6)团簇的结构,电子特性和磁性。首先,通过卡里普索结构预测方法获得了体系的基态和亚稳态结构。基于基态结构,利用HOMO-LUMO能隙,垂直电离势,垂直电子亲和势和化学硬度分析了掺杂体系的稳定性。最后,研究了基态结构对应的自然布局分布,自然电子组态等电子特性和磁性。     

基于机器视觉的干涉条纹检测

基于机器视觉系统OpenMV,以迈克耳孙干涉仪干涉条纹为研究识别对象,根据光源相干性及干涉条纹动态特性,提出基于灰度采样统计的干涉条纹识别检测算法(干涉条纹同心形态搜索算法),运用MicroPython或Python语言编制实时检测程序,运行结果表明仿真和真实干涉条纹都得到了可靠的检测,精度为0.5个条纹,并且测量不确定度主要由算法制定的此条纹检测精度引起,证明了干涉条纹机器视觉检测方法和技术的有效性.     

双相介质参数反演的混沌搜索方法

混沌运动能在一定的范围内按自身的规律不重复地遍历所有状态。利用这个特点 ,本文将混沌运动引入到双相介质参数反问题的研究中。首先利用边界元方法实现了由介质参数到地表位移的非线性映射 ,然后通过建立合成位移与实测位移的相关函数将参数识别问题归结为优化问题 ,最后利用混沌运动指导优化搜索求得介质参数。算例结果表明了混沌搜索方法用于双相介质参数反演问题的可行性和有效性     

一个带重启步的改进PRP型谱共轭梯度法

Polak-Ribière-Polak (PRP)方法是经典共轭梯度法中数值表现较好的方法之一.结合Wolfe非精确线搜索准则对PRP公式进行改进,从而产生新的共轭参数,并基于新共轭参数设计新的谱参数,引入重启条件并构造新的重启方向,进而建立一个带重启步的谱共轭梯度算法.在常规假设及强Wolfe非精确线搜索步长准则下,...     

剖析马氏链平稳分布的讲解——谈《应用随机过程》教学

通过平稳分布在Google搜索技术中的应用角度讲解马氏链的平稳分布的概念,并在此基础上对应用随机过程的教学做了粗浅的探讨.     

带参数共轭梯度法簇的全局收敛性

共轭梯度法是最优化中最常用的方法之一,广泛地应用于求解大规模优化问题,其中参数β_k的不同选取可以构成不同的共轭梯度法.给出了一类含有三个参数的共轭梯度算法,这种算法能够在给定的条件下证明选定的β_k在每一步都能产生一个下降方向,同时在强Wolfe线搜索下,这种算法具有全局收敛性.     

设施选址问题的近似算法综述

设施选址问题是运筹学和理论计算机科学中的经典问题之一.本文介绍设施选址问题及其变形的近似算法设计与分析思想,并总结设施选址问题的研究中若干未解决的重要问题.     

基于主成分分析的网络搜索数据合成方法研究

针对利用网络搜索数据合成各类指数时难以消除共线性、难以合理确定各指标权重等问题,基于数据降维的思想构建了以主成分分析法为核心的指数合成方法,并以利用网络搜索数据合成消费者物价指数为例,将提出的方法与当前主流的逐步回归法做出比较研究.研究结果表明,基于主成分分析法的数据合成方法可以得到稳定性和拟合度更高的指数.