非线性系统的高阶迭代学习控制算法

本文对一般非线性系统,提出了三种高阶迭代学习控制算法:(Ⅰ)u_(h 1)=sum from j=1 to r(P_ju_(k-j 1) Г_je_(h-j 1));(Ⅱ)u_(k 1)=sum from j=1 to r(P_ju_(k-j 1) F_je_(k-j 1));(Ⅲ)u_(k 1)=sum from j=1 to r{P_ju_(k-j 1) (Г_j F_jd/(dt))e_(k-j 1)},其中u_(k 1)=u_(k 1)(t)表示系统第k 1次运行时的输入;e_k=y_k-y_d;y_d是系统所期望的输出;y_k是系统第k次运行时的输出;P_j,Г_j,F_j(j=1,…,r)是常数阵;进而给出了比较弱的收敛性条件。     

关系模式关键字的一个求解算法

本文给出了关系数据库模式中求解关键字的一个算法。算法很简洁并且对于[1]定义的一大类问题,执行时间是多项式级的。     

AHP的算法及其比较分析

本文简述了运用AHP方法解决实际问题时的基本步骤、排序原理。重点介绍了AHP的六种常用算法的基本原理、算法步骤,并对这几种算法作了初步的比较与分析。     

复杂背景下彩色数字图像分割算法研究

为了提高复杂背景下彩色数字图像分割的准确率,减少噪声对图像处理的干扰,尽可能的缩短运行时间,需要对复杂背景下彩色数字图像分割算法进行研究。当前图像分割算法在彩色数字图像分割的过程中,仅仅考虑了图像像素的亮度值,没有考虑其空间特征,存在计算的复杂性过大等缺陷,影响彩色数字图像处理效果。为此,提出了一种基于随机权重粒子群的复杂背景下彩色数字图像分割算法。该算法先采用多尺度均匀滤波方法,对复杂背景下彩色数据图像进行划分,其中包含噪声和不含噪声的像素点的亮度值、结构元素以及局部区域内的图像像素加权亮度密度特征。采用多段图分割获取彩色数字图像的优化分割,在平滑项中代入彩色数字图像梯度信息,对彩色数字图像分割结果中的弱边界进行剔除,从而实现准确的彩色数字图像分割。实验仿真证明,所提算法增加了彩色数字图像分割的对比度和信噪比,提高了复杂背景下彩色数字图像分割的准确性。     

一种生成对称群S9所有Sylow-p子群的算法

根据对称群的基本性质以及第二同构定理，给出了通过添加生成元到P群来构造对称群的一个Sylow-p子群的定理，添加的生成元保证能够快速得到对称群的一个Sylow—p子群．根据第二西洛定理求出了所有共轭子群，即所有Sylow-p子群．针对求所有共轭子群过程中面临共轭子群出现重复的问题，利用正规化子的性质，找到使得两个Sylow-p子群共轭的元，保证每次求的Sylow-P子群不重复．将此算法应用于S1，实验表明该算法可操作性强，耗费时间少．     

求解最小Steiner树的蚁群优化算法及其收敛性

最小Steiner树问题是NP难问题,它在通信网络等许多实际问题中有着广泛的应用．蚁群优化算法是最近提出的求解复杂组合优化问题的启发式算法．本文以无线传感器网络中的核心问题之一,路由问题为例,给出了求解最小Steiner树的蚁群优化算法的框架．把算法的迭代过程看作是离散时间的马尔科夫过程,证明了在一定的条件下,该算法所产生的解能以任意接近于1的概率收敛到路由问题的最优解．     

广义混合隐拟h变分不等式的解的存在性与算法

本文在Hilbert空间中,引入了一类广义混合隐拟h变分不等式.运用变分原理,给出了广义混合隐拟h变分不等式逼近解的迭代算法,证明了这类变分不等式解的存在性定理,同时,得到迭代序列的收敛性.并改进和推广了[6~8]一些已知结果.     

基于模糊神经网络的自适应PID控制器

提出了一种应用于自适应PID控制器的神经网络与模糊控制相结合的算法,该算法可以有效地解决普通PID控制器依赖于对象的数学模型的缺点,可实现控制系统的在线自适应调整,可满足实时控制的要求。仿真结果表明,基于模糊神经网络整定的PID控制器具有较好的自学习和自适应性,具有较快的响应速度。     

LJ团簇和H2O团簇的局域优化计算

将传统分子动力学方法中时间积分步长定义成粒子的最大加速度、最大速度和变化的最大允许空间步长的函数，并给出了空间步长的确定方法，作为对这个算法有效性的检验，计算了较小Lennard—Jones团簇和H2O团簇的稳定结构，发现了新的（H2O）13的最小能结构。     

直接资本化法中自有资本收益率的算法探讨

在分析我国房地产自有资本收益率操作中所存在问题的基础上,论述了自有资本收益率的实质是自有资金直接资本化率,并在房地产持有期小于抵押贷款期以及房地产持有期和土地批租年限相同的两种情况下,推导出了与土地有限期使用制度相适应的房地产资本化率和自有资本收益率的计算方法,提出了利用债务保障比率的取值范围检验资本化率合理性的基本公式.