基于t分布的自适应花授粉算法

花授粉算法是一种新型启发式优化算法,算法存在易陷入局部最优、后期收敛速度慢等缺陷,为了进一步提高花授粉算法的寻优性能,在异花授粉过程中引入t分布变异算子,提出了一种基于t分布的自适应花授粉算法(tFPA).通过7个标准测试函数进行测试比较,并对改进算法的时间复杂度进行分析,仿真结果表明,改进算法是可行有效的,其寻优速度、寻优精度以及鲁棒性均有很大程度的改善.     

云制造平台加工能力分享调度优化研究

云制造平台加工能力分享的调度优化是云制造模式的核心运营问题。为提高云制造平台对参与能力分享企业资源的利用率,解决实际云制造需求环境下企业级制造资源调度问题,达到云制造平台动态实时的要求,以最小化工期和成本为目标函数,构建了基于平台并面向分享的云加工能力调度模型。为快速求解多个云任务订单的最优调度序列,引入任务简易编码和随机权重,设计了改进的二阶粒子群算法,并提出可分享加工能力时间窗的更新策略。最后,通过算例验证云制造平台加工能力调度机制的可行性和有效性。     

Hamilton系统下基于相位误差的精细辛算法

Hamilton系统是一类重要的动力系统，辛算法（如生成函数法、SRK法、SPRK法、多步法等）是针对Hamilton系统所设计的具有保持相空间辛结构不变或保Hamilton函数不变的算法.但是，时域上，同阶的辛算法与Runge-Kutta法具有相同的数值精度，即辛算法在计算过程中也存在相位误差，导致时域上解的数值精度不高.经过长时间计算后，计算结果在时域上也会变得“面目全非”.为了提高辛算法在时域上解的精度，将精细算法引入到辛差分格式中，提出了基于相位误差的精细辛算法（HPD-symplectic method），这种算法满足辛格式的要求，因此在离散过程中具有保Hamilton系统辛结构的优良特性.同时，由于精细化时间步长，极大地减小了辛算法的相位误差，大幅度提高了时域上解的数值精度，几乎可以达到计算机的精度，误差为O（10-13）.对于高低混频系统和刚性系统，常规的辛算法很难在较大的步长下同时实现对高低频精确仿真，精细辛算法通过精细计算时间步长，在大步长情况下，没有额外增加计算量，实现了高低混频的精确仿真.数值结果验证了此方法的有效性和可靠性.     

急性髓细胞白血病基因筛选模型的贝叶斯分析

基因表达数据蕴含着大量的生物信息,在生物基因信息研究中,筛选表达水平发生显著变化的差异基因是认识疾病形成机理和辅助靶点药物研究的关键问题.根据急性髓细胞白血病(AML)的基因表达数据,构造基因均值差序列,建立贝叶斯分层混合模型,并为模型的参数赋予具有基因生物特征的先验信息.采用马尔可夫链蒙特卡洛(MCMC)算法对模型参数进行估计,并筛选出急性髓细胞白血病差异表达基因.在实际数据分析中,从美国生物信息中心(NCBI)的高通量基因表达数据库中获取急性髓细胞白血病基因数据集,从经过非特异滤波预处理的14688个急性髓细胞白血病基因中筛选出711个差异表达基因,差异表达基因数仅占急性髓细胞白血病基因总数的4.84%,这一结果与基因差异表达的生物学原理相吻合.     

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.     

差异化需求下考虑患者预约行为的医疗服务供需匹配方法

如何根据患者的差异化需求,撮合医生与患者双方形成合理有效的医疗服务供需匹配,是医疗服务运作管理中重要的研究问题。本文针对医疗服务中医生与患者的实际需求,提出了一种考虑患者预约行为的匹配决策方法。在该方法中,首先依据患者的预约行为及特征分类;然后,通过计算不同情形下医患双方的差异度,获得了医患双方的满意度矩阵;在此基础上,提出了匹配预约患者与医生的E-HR算法,并进一步构建了匹配剩余患者和医生的多目标优化模型,通过模型求解得到最优匹配结果;最后,通过算例说明了本文提出方法的可行性和实用性。     

基于ELM算法的羊肉水分含量的快速无损检测

在近红外光谱900-1700nm的波长范围内采集南疆羊肉的光谱数据,来研究水分含量的快速无损检测.为减弱非目标因素对光谱的影响,采用SNV和去趋势法对光谱数据进行预处理.为降低建模的复杂度,去除共线性的影响,采用连续投影算法和相关系数法相结合选取8个特征波长变量,最后使用PLS和ELM算法分别进行建模.实验表明,与采用全光谱波段建模相比,采用特征波长变量建模,PLS和ELM算法的运行时间都大大缩短,并且在运行时间和预测精度上,ELM算法均优于PLS算法.ELM算法采用8个特征波段变量建模,预测精度达到0.9768,均方误差为4.4291e-04,相关系数为0.7603,运行时间可控制在1e-04s之下,这可为研发羊肉水分含量的便携式检测装置提供理论参考.     

一类分数阶Langevin方程block-by-block算法的数值分析

分数阶Langevin方程有重要的科学意义和工程应用价值，基于经典block-by-block算法，求解了一类含有Caputo导数的分数阶Langevin方程的数值解.Block-by-block算法通过引入二次Lagrange基函数插值，构造出逐块收敛的非线性方程组，通过在每一块耦合求得分数阶Langevin方程的数值解.在0<α<1条件下，应用随机Taylor展开证明block-by-block算法是3+α阶收敛的，数值试验表明在不同α和时间步长h取值下，block-by-block算法具有稳定性和收敛性，克服了现有方法求解分数阶Langevin方程速度慢精度低的缺点，表明block-by-block算法求解分数阶Langevin方程是高效的.