大型客机协同研制工艺技术风险的正态云模型评估

研究不确定情景下大型客机协同研制正态云模型风险评估方法及应用问题。建立了正态云模型的偏差熵测度,提出了面向云模型偏差熵的指标权重确定模型,构建了面向多数据类型的正态云模型风险评估方法。建立了涵盖工艺标准、工艺方案等五个指标的大型客机协同研制供应商工艺技术风险评估指标体系,并基于正态云模型评估方法进行了实际应用。     

基于混合变异的果蝇优化算法

果蝇算法是新提出一种的群智能优化算法,它存在一些不足尤其是在收敛性和求解精度方面.基于以上提出了一种基于混合变异算子的果蝇优化算法,充分利用柯西变异算子所具有全局搜索能力强的特点和高斯变异算子的局部搜能力强的优点,将这两个算子结合在一起来更新果蝇的位置从而很好的避免了各自算子的缺点.为了验证算法的性能通过测试7个标准多元非线性函数同果蝇优化算法及参考文献中算法结果相比较,实验表明该算法的收敛速度和求解的精度都得到了提高.     

正态—复合Weibull过程模型结构可靠性当量正态设计

本文讨论强度R～N(μR,σ_R~2),应力为{S(t),t∈[0,T]}为复合Weibull过程模型结构可靠性当量正态设计,获得应力在设计基准期[0,T]内的最大值概率分布及统计参数估计,正态—复合Weibull过程模型结构可靠度和结构可靠性当量正态设计表达式。     

一种基于极坐标编码的果蝇优化算法

针对果蝇优化算法易陷入早熟收敛、收敛速度慢、寻优精度低的缺点,提出一种基于极坐标编码的果蝇优化算法.为提高果蝇优化算法的寻优精度,采用极坐标编码的形式,以增加单个母体寻优空间表示方法的多样性,并使种群中的个体,在围绕个体的整个超球体内随机搜索,使个体的搜索范围更加广泛.在迭代寻优过程中,根据适应度值和概率调整极角,逐渐降低观测结果的不确定性.通过9个基准测试函数,对基于极坐标编码的果蝇优化算法进行仿真实验,结果表明了算法在收敛性和稳定性方面,优于其它5个优化算法,测试结果验证了极坐标编码方法的有效性和可行性.     

三参数正态双卵模型Gibbs抽样算法研究

项目反应理论作为一种现代的教育和心理测量方法,凭借其强大的优势和先进性,在实际测量中应用越来越广泛.能否有效地估计模型中的参数是项目反应模型得以应用的前提.本文基于数据扩充技术给出了一种适用于三参数正态双卵模型的Gibbs抽样算法,有效的实现三参数正态双卵模型的贝叶斯分析.最后,通过计算机模拟研究和实例分析对该算法的有效性进行了验证.     

一个半参数回归模型的渐近正态性

考虑半多数回归模型yi＝xiβ＋g（xi）＋εi，lin，这里xi是具有已知方差σ的独立同分布随机样本，εi是具有零均值和有限方基σ2的独立同分布随机误差．β，g和εi的分布密度是未知的．本文作者构造了一个具有更小渐近方差的β的一个渐近正态估计．     

部分线性模型中估计的渐近正态性

考虑回归模型其中是未知函数，（ｘ＿ｉ，ｔ＿ｉ，ｕ＿ｉ）是固定非随机设计点列，β是待估参数，ｅ＿ｉ是随机误差。基于ｇ（·）及ｆ（·）的一类非参数估计（包括常见的核估计和近邻估计），我们构造了β的加权最小二乘估计，并证得了最小二乘估计和加权最小二乘估计的渐近正态性。     

基于云模型的极端峰态神经元概念表达

近年来,深度学习在很多领域获得了广泛的应用.但是,由于深度学习的不可解释性,人类不能信任它的处理结果.本文针对这个问题,尝试使用云模型来表达特征空间中单个神经元的概念.经过逆向云变换算法得到的概念内涵可以表达概念的成熟度.在卷积神经网络(CNN)中,峰态系数过高或者过低的概念数量很多.现有逆向云发生器在转换这些概念时会...     

基于果蝇算法优化灰色神经网络的冰箱订单需求预测研究

冰箱订单需求具有一些不确定因素,传统的数据模型不能准确描述订单变化规律.预测精度比较低.为了进一步更加准确地预测出冰箱订单需求量,采用了将果蝇算法和灰色理论相结合.构建了一种果蝇优化灰色神经网络的冰箱订单需求预测方法.利用灰色系统理论处理订单产生中的随机性,由果蝇算法对灰色神经网络的参数进行优化,实现对冰箱订单的准确预测.通过两组实验,果蝇算法优化灰色神经网络和灰色神经网络,两者相比较,果蝇算法优化灰色神经网络提高了订单需求的预测精度,为冰箱订单需求的预测提供了依据.     

一种改进的粒子群优化算法及其算法测试

粒子群算法原理简单、参数少、易于实现,但有时容易陷入局部最优解,收敛速度慢.本文在粒子群算法理论研究的基础上,对算法的初始值选取、惯性权重取值、算法结构进行了改进:首先采用线性惯性递减权重调整,平衡全局搜索和局部搜索的能力;然后通过logistic映射将混沌状态引入到优化变量中,增强搜索空间的遍历性;最后引入遗传算法中的选择、交叉、变异保持了种群的多样性,使其具有不易陷入局部最优的能力.采用六种典型的测试函数,对惯性权重和算法进行了测试和对比分析.结果表明,算法在收敛速度和精度上都有所提高.     

基于混合果蝇优化算法的选址-库存-配送集成优化研究

本文面向企业运营管理实践,构建了一种基于联合补货策略的选址-库存-配送集成优化新模型。作为典型的NP-hard问题,传统算法难以高效稳定地求解,故本文设计了一种新的混合果蝇优化算法(Fruit Fly Optimization Algorithm, FOA),通过引入进化算法的信息交换、变异、选择操作来增强算法局部寻优能力,采取概率性飞行策略来平衡算法的全局寻优与局部寻优。算例结果表明,新混合FOA算法的准确性和稳定性较标准FOA有了明显的改善,与差分进化、自适应混合差分进化、粒子群优化相比也具有比较优势。     

基于改进NSGA-II算法的云制造服务组合优化研究

云制造任务日趋复杂,与基于云制造的云服务组合优化问题相关的指标日益增多,需要综合考虑各个评价指标,从海量备选云服务中筛选出最优服务组合。本文针对云制造的特点,从线上、线下两方面构建了云制造服务评价指标体系;为了更好地处理高维多目标优化问题并消除实际问题中的量纲影响,本文利用改进的α支配策略代替帕累托支配改进NSGA-II算法,提出了基于nα支配的NSGA-II算法。最后,本文通过一个电机制造案例验证了提出算法的可行性,并通过与标准NSGA-II算法、r-NSGA-II算法和基于模糊支配的NSGA-II算法对比,证明了提出算法得到的解集更优、更小,能够大大减小后续组合优选的计算量。     

A RECURSIVE ALGORITHM AND ITS CONVERGENCE FOR PARAMETER ESTIMATION OF CONVOLUTION MODEL

In this article, the problem on the estimation of the convolution model parameters is considered. The recursive algorithm for estimating model parameters is introduced from the orthogonal procedure of the data, the convergence of this algorithm is theoretically discussed, and a sufficient condition for the convergence criterion of the orthogonal procedure is given. According to this condition, the recursive algorithm is convergent to model wavelet A- = （1, α1,..., αq）.     

基于EM算法隐Markov模型参数估计

描述最大似然参数估计问题,介绍如何用EM算法求解最大似然参数估计.首先给出EM算法的抽象形式,然后介绍EM算法的一个应用:求隐Markov模型中的参数估计.用EM算法推导出隐Markov模型中参数的迭代公式.     

一种新的基于SVM参数优化的算法

针对单纯使用遗传算法处理大规模数据需要时间长和对计算机的内存等硬件要求较高的问题,将神经网络嵌入到遗传算法中构造出混合智能遗传算法用于SVM核函数的参数优化,数值试验结果表明该算法对SVM核参数优化是可行的、有效的,并能得到较好的SVM核参数组合和具有较高的分类准确率及较好的泛化能力.     

组合GM(1,1)幂模型及其应用

GM(1,1)幂模型是灰色Verhulst模型的推广.由于初始条件选取影响GM(1,1)幂模型的精度,将平均相对误差函数分别看成是幂指数、发展系数、灰作用量的函数,利用蚁群算法进行参数辨识,从而建立多个单项GM(1,1)幂模型.利用这些单项模型建立了线性组合GM(1,1)幂模型,组合权系数利用最大相对误差最小化原则采用粒子群算法确定.实例表明,组合GM(1,1)幂模型的建模精度高于传统GM(1,1)幂模型,同时也说明方法是有效的和可行的,具有重要的理论意义.     

向量灰色模型的建立及应用

针对传统多变量灰色预测模型(MGM(1,m))有时存在的建模数据失真问题,以系统中关联变量具有趋同性为基础,提出了一种新的模型——向量灰色模型(VGM(1,m))。与MGM(1,m)模型相比,VGM(1,m)结构更简单,模型参数更少,从而有利于参数的估计。将VGM(1,m)、MGM(1,m)、GM(1,1)模型应用于四个实例的分析,结果表明VGM(1,m)消除了MGM(1,m)的建模失真现象,模型的稳定性得到了增强。进一步,与GM(1,1)建模结果相比,VGM(1,m)模型的预测精度更高,即新模型有更好的泛化性。