纵向数据下线性模型的模态回归估计

本文考虑纵向数据下线性回归模型的稳健估计问题.通过结合模态回归(modal regression)方法和二次推断函数(quadratic inference functions)技术,提出了一种基于模态回归的估计过程.证明了回归系数的估计是相合的,并给出了其渐近分布.数据模拟结果表明所提出的估计方法具有较好的稳健性和有效性.     

基于实际路网情境的配送车辆调度优化

在实际路网情境下结合车道数、车道宽度、路口信号灯设置等路网物理特性,构建了考虑综合交通阻抗的多车型车辆调度模型,提出了两阶段求解策略:第1阶段设计了改进A-star精确解算法用于计算客户时间距离矩阵;第2阶段针对实际路网的特征设计了混合模拟退火算法求解调度方案。以大连市某配送中心运营实例进行路网情境仿真试验,结果表明:改进A-star算法较改进Dijkstra算法具有更短的路径搜索时间;混合模拟退火算法求解结果较实际调度方案优化了13.1% 的综合成本;路网增流、区域拥堵和路段禁行三类路网情境均能对配送方案的车辆配置、路径选择、客户服务次序、作业时间和违约费用等5方面内容产生干扰,调度计划的制定需要详细考虑这些因素的变化。     

巧用构造法解线性代数题

本文总结了使用构造法解线性代数题目的技巧,通过举例阐述了该方法在线性代数课程不同章节中的使用.     

第二类端点奇异Fredholm积分方程的分数阶退化核方法

本文针对第二类端点奇异Fredholm积分方程构造基于分数阶Taylor展开的退化核方法，设计了两种计算格式，一是在全区间上使用分数阶Taylor展开式近似核函数，二是在包含奇点的小区间上采用分数阶插值，在剩余区间上采用分段二次多项式插值逼近核函数.讨论了两种退化核方法收敛的条件，并给出了混合插值法的收敛阶估计.数值算例表明对于非光滑核函数分数阶退化核方法有着良好的计算效果，且混合二次插值法比全区间上的分数阶退化核方法有着更广泛的适用范围.     

常利息力下非标准连续时间更新风险模型破产概率的渐近性态

讨论一个非标准连续时间更新风险模型,其中理赔变量序列为一列两两尾拟渐近独立(TQAI)非负随机变量,在常数利息力假定下,得到了其有限时间破产概率的渐近估计式,并进一步讨论了估计的一致性,推广了[1,2,8]等文献的结果.     

具有不耐烦顾客的生产服务库存系统最优生产策略

研究了基于(s,S)策略有不耐烦顾客的生产服务库存系统.建立了水平相依的拟生灭过程,通过截尾近似的方法求出系统稳态概率向量,并给出系统一些性能指标.最后,设计遗传算法并通过数值算例求解最优生产策略.     

σ2 Hessian方程的Pogorelov型C2 内估计及应用

提出利用拉格朗日乘子法重新证明σ2算子的最优凹性,并定义了一个凸锥Γ3?=λ=(λ1,λ2,?,λn)∈Rn:σ1(λ)>0,σ2(λ|i)>0,1≤i≤n。利用σ2算子的最优凹性，给出了σ2Hessian方程Pogorelov型C2内估计，进而证明了σ2(D2u(x))=1,x∈Rn的满足二次多项式增长条件的Γ3?-凸整解为二次多项式。     

基于手机信令大数据的城市居民出行OD预测

为得到具有客观性、动态性的居民出行起止点间交通出行量(OD trips),以中国移动手机信令大数据为基础,阐述了手机信令数据的来源与构成,针对城市居民出行目的,通过数据分析,设置10分钟为划分出行活动的阈值,提出基于手机信令数据获得的OD矩阵的原理与方法,应用数据挖掘技术,对贵阳市居民出行OD矩阵进行了预测.为进一步加强大数据与城市智能交通系统的融合,将得到的城市居民出行OD矩阵应用到真实的城市公交线网中.最后通过MicroCity平台,将数据结果实现可视化.分析结果表明:与传统OD调查方式相比,利用手机信令大数据获得的OD矩阵客观性、动态性较强,信息采集分析周期短,更容易与城市智能交通系统融合,应用可视化平台,可实时反映出城市公交运营状态,为城市智能规划和调度提供重要参考.     

鲁棒稀疏重构问题的凝聚同伦算法

鲁棒稀疏重构问题是信号处理领域的重要问题,该问题的数学本质是一个NP难的数学优化问题.同伦算法是一类典型的路径跟踪算法,该算法是解非线性问题的一类成熟算法,具有全局收敛性,且易于并行实现.本文考虑同伦算法在鲁棒稀疏重构问题中的数值求解.基于l_∞范数及罚函数策略,我们首先将原始的基于l_0范数的最优化模型,转化为含参数的无约束极大极小值问题,进而构造凝聚函数光滑化模型中的极大值函数,并构造凝聚同伦算法数值求解.数值仿真实验验证了新方法的有效性,为大规模鲁棒重构问题的并行化数值求解奠定基础.     

加性和乘性噪声对随机偏微分方程的激励性（英文）

本文研究加性噪声和乘性噪声对一类随机偏微分方程激励性问题.利用It?公式和能量估计方法方法,得出在两种不同噪声下,相对应的随机偏微分方程噪声激励指标不同.从而从这个角度来看,加性噪声与乘性噪声对随机偏微分方程的影响是不一样的.