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.     

带阀点效应水火联合调度问题的一种半定凸松弛求解法

水火联合调度问题是电力系统中一类复杂的优化问题。合理安排调度周期内的水火电出力,确定一个最优发电计划,可以带来巨大的经济效益。在实际系统中,汽轮机调汽阀开启时出现的拔丝现象会使机组耗量特性产生阀点效应。忽略阀点效应,在一定程度上降低求解的精度。本文考虑带阀点效应的水火联合调度问题。该问题非凸非光滑,且带有非线性约束,直接使用确定性全局优化方法求解是相当困难的。本文使用高效的半定规划求解此问题。首先用耗量特性函数的初始周期代替其余有限的周期,并对其进行二次拉格朗日插值拟合。再通过引进0-1变量,得到整个耗量特性函数的近似,进而把问题松弛为半定规划模型。最后,采用凸规划应用软件包CVX求解一个仿真算例,得到一个近似全局最优解。     

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.     

隐半马尔科夫市场下投资组合的动态决策问题（英文）

在长期投资组合中,既要考虑金融资产自身的价格波动风险,又要关注宏观经济环境变化及通胀风险对各资产的影响.为此,本文建立宏观经济环境服从隐半马尔科夫链的金融市场,由通胀指数债券、银行存款和普通股票构成投资组合.由期望效用最大化构建随机控制模型,考虑到该隐半马尔科夫市场的不完备性,进一步将该投资组合问题视作部分信息的随机控制问题,并利用隐半马尔科夫滤波将部分信息控制问题转化问完全信息问题,得到解的存在唯一性.本文最后给出若干数值模拟结果,结果显示本文建立的模型优于普通市场的模型.     

通过宽线固体核磁共振氢谱研究半晶高分子的相结构

宽线固体核磁共振氢谱（¹H NMR）是一种研究半晶高分子相结构的经典方法.本文以半晶聚乙烯的宽线固体¹H NMR谱为例，探讨了通过Gaussian/Sinc、Gaussian和Lorentzian函数组合对宽线固体¹H NMR谱图进行拟合的方案，并根据半晶聚乙烯的相结构成分对拟合得到的各信号成分进行归属.并在此基础上探讨了各个相结构中分子链运动与信号线型的相关性，以及利用宽线固体¹H NMR谱测量半晶高分子结晶度存在的困难.     

氢原子束在大气长程传输中的剥离效应

考虑到中性粒子束对近地轨道太空垃圾的清理作用以及在太空探索中的潜在应用前景，研究了中性粒子束在亚轨道空间长程传输过程中影响束流能量和密度损失的主要物理机制，重点分析了剥离效应对束流损耗的影响。中性束剥离效应包括束流粒子之间碰撞导致的自剥离效应和其与大气粒子碰撞导致的剥离效应。以束密度随传播距离变化的方程为基础，通过引用几何因子来表征束流的自剥离效应强度，建立了剥离效应机制下束流的传输模型，由此评估了束流自剥离效应在中性束长程传输中对传输距离的影响关系。研究结果表明，在固定的高度，当中性束密度大于空气粒子密度时，自剥离效应的影响将非常突出，随着传输高度的升高，即使束密度和空气密度同时降低维持量级一致，自剥离效应对传输距离的影响在大几何因子的情况下仍会增强。     

用人工神经网络方法测量生物组织光学参数γ

提出了一种利用亚扩散空间分辨漫反射预测生物组织约化散射系数μ_s'和相函数参量γ的人工神经网络方法 .采用蒙特卡罗方法得到光子经生物组织漫反射的数据样本,利用这些数据样本训练反向传播神经网络,用于从亚扩散散射光中预测γ的信息.为了解决同时预测μ_s'和γ两个参数时会产生较大误差的问题,分段数据训练两个BP网络,依次识别μ_s'和γ.研究发现3.64l_(th)(l_(th)表示平均输运自由程)是对γ的不敏感点,可用该点附近的数据样本训练网络用于预测μ_s',用2l_(th)范围内的数据样本训练网络用于预测γ.蒙特卡罗仿真结果表明,在1.3≤γ≤1.9范围内,预测结果与真实值的相对均方根误差在1%以内.与现有的测量方法相比,所提的人工神经网络方法更加简单,且提高了预测精度.     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。