全文获取类型
收费全文 | 7501篇 |
免费 | 1370篇 |
国内免费 | 389篇 |
专业分类
化学 | 295篇 |
晶体学 | 98篇 |
力学 | 930篇 |
综合类 | 488篇 |
数学 | 4263篇 |
物理学 | 3186篇 |
出版年
2024年 | 55篇 |
2023年 | 171篇 |
2022年 | 236篇 |
2021年 | 282篇 |
2020年 | 180篇 |
2019年 | 327篇 |
2018年 | 206篇 |
2017年 | 301篇 |
2016年 | 349篇 |
2015年 | 360篇 |
2014年 | 593篇 |
2013年 | 357篇 |
2012年 | 398篇 |
2011年 | 399篇 |
2010年 | 402篇 |
2009年 | 452篇 |
2008年 | 550篇 |
2007年 | 406篇 |
2006年 | 376篇 |
2005年 | 372篇 |
2004年 | 353篇 |
2003年 | 315篇 |
2002年 | 251篇 |
2001年 | 245篇 |
2000年 | 189篇 |
1999年 | 169篇 |
1998年 | 166篇 |
1997年 | 140篇 |
1996年 | 132篇 |
1995年 | 100篇 |
1994年 | 84篇 |
1993年 | 70篇 |
1992年 | 80篇 |
1991年 | 51篇 |
1990年 | 69篇 |
1989年 | 48篇 |
1988年 | 4篇 |
1987年 | 6篇 |
1986年 | 2篇 |
1985年 | 2篇 |
1984年 | 1篇 |
1983年 | 3篇 |
1982年 | 2篇 |
1980年 | 1篇 |
1959年 | 5篇 |
排序方式: 共有9260条查询结果,搜索用时 46 毫秒
991.
本文研究滚装码头混合泊位分配和劳动力分配的联合调度优化问题。首先,考虑潮汐时间窗约束、装卸劳动力约束、泊位缆桩分布约束以及泊位不规则布局因素,建立以最小化船舶总服务时间为目标的混合整数规划模型。其次,采用内外嵌套算法设计策略,提出求解该类问题的组合算法。其中,外层是多种群并行进化的遗传算法,生成多种船舶计划顺序,内层为基于规则的启发式算法,用于计算给定计划顺序的目标函数值。然后,基于实际运营数据,生成多组不同规模的算例进行全面数值实验,结果表明所提出的算法可在10分钟内求解包含50艘船、100个泊段的算例。最后,开展基于真实滚装码头运营实例的案例分析,对所提模型和算法在实际码头调度问题中的适用性与高效性进行验证。 相似文献
992.
近年来世界各地频发灾情疫情等紧急事件,严重影响人民的生活物资保障。在这种情况下,急需建立应急物资中心来缓解燃眉之急。该类问题通常面临资源稀缺并且时间相对紧迫的处境,因此需要在短时间内获得合理的应急设施选址方案来提升服务的质量和效率。本文对应急物资中心选址问题展开研究,提出一种考虑后续运输成本以及有概率发生紧急事件而导致无法正常运送物资的双目标离散选址模型,并为此设计一种二进制多目标蝗虫优化算法。该算法采用模糊关联熵系数来引导迭代更新,同时为其添加外部档案,最优解选择机制和竞争决策机制来提升算法性能。多次数值实验表明该算法的计算效率和求解质量较高,可作为应急物资中心选址问题的一种可行且有效的算法。 相似文献
993.
针对溢油应急响应中海上油膜所具有的动态特性,综合考虑需求点的时变物资需求、运输网络的不确定性以及物资调度决策与外部决策环境之间的相互作用关系之后,构建了效率目标与成本目标相结合的多目标海上溢油应急物资调度优化模型。根据模型的特点,提出了一种基于鲸鱼算法的求解方法。该算法利用非线性收敛因子克服了算法后期易陷入局部最优的不足,同时还引入小生境共享机制以确保解的多样性。最后,通过仿真案例对模型与算法的有效性与可行性进行了验证。结果表明,该方法可以为决策者提供高质量的决策支持。 相似文献
994.
为减小物资生产与配送不协调造成的成本及生产资源浪费,建立了考虑推动式生产调度的物资配送优化模型,并针对标准模拟退火算法受随机因素影响易陷入局部最优的缺点,设计带有回火与缓冷操作的改进模拟退火算法对模型求解,确定了优化的车辆配送路线以及物资生产计划。对比实验结果表明:相对于单纯的物资配送优化模型,考虑推动式生产调度的配送优化模型,能够有效减小物资滞留时间以及配送延误成本;相较于标准模拟退火算法,改进算法搜索到了更优解,且计算结果的标准差减小了93.42%,稳定性更好;同时,改进模拟退火算法具有较低的偏差率,在中小规模算例中求解质量较高,平均偏差率在0.5%以内。 相似文献
995.
996.
998.
999.
1000.
传统的面向支持向量回归的一次性建模算法中样本增加时,均需从头开始学习,而增量式算法可以充分利用上一阶段的学习成果。SVR的增量算法通常基于ε-不敏感损失函数,该损失函数对大的异常值比较敏感,而Huber损失函数对异常值敏感度低。所以在有噪声的情况下,Huber损失函数是比ε-不敏感损失函数更好的选择,在现实情况当中。基于此,本文提出了一种基于Huber损失函数的增量式Huber-SVR算法,该算法能够持续地将新样本信息集成到已经构建好的模型中,而不是重新建模。与增量式ε-SVR算法和增量式RBF算法相比,在对真实数据进行预测建模时,增量式Huber-SVR算法具有更高的预测精度。 相似文献