基于强化学习的列车驾驶曲线节能优化算法

在保证安全和准时性的前提下,自动化列车运行可以有效减少列车耗能。为了灵活应对列车运行种的动态变化,提出了一种基于强化学习的方法,可以优化列车控制策略且不采用之前关于列车动力学的知识和设计的列车速度曲线。这个优化模型将列车节能作为目标,把准点到达、列车限速、停车位置作为限制条件。大量的列车运行经验可以被用来训练深度神经网络直到得到最优化行为价值函数,通过对训练过的神经网络输入状态,可以准确输出每个行为的价值,然后再根据行为价值的大小来选择最优的驾驶策略。     

一种新型单层递归神经网络解决非光滑伪凸优化问题

非光滑伪凸优化问题是一类比较特殊的非凸优化问题,常出现在各类科学与工程应用中,因此具有很大的研究价值.针对现有神经网络模型解决非光滑伪凸优化问题存在的不足,该文基于微分包含理论,提出一种新型单层递归神经网络模型.通过理论分析,证明了神经网络状态解在有限时间内收敛到可行域,且永驻其中,最终神经网络状态解收敛于原优化问题的最优解.最后,通过数值实验,验证了所提理论的有效性.与现有的神经网络相比,该文所提神经网络模型结构简单仅为单层,不需要提前计算罚参数,且对初始点选取没有任何特殊的要求.     

通过缓冲高适应度个体改进遗传算法实现的收敛特性

文中概要阐述了遗传算法的算法实现产生过早收敛的原因，提出了在常规遗传算法中增加对最优个体缓冲的改进算法，延长具有高适应度个体的生存期，进而维持较高的种群多样性，以获得更好的收敛速度和优化解，并对建立缓冲区的一些规则进行了讨论。文中以求解旅行商问题为例，对改进前后的遗传算法的运行情况进行对比分析，结论为改进算法能获得更好的收敛性能。     

运用模糊数解决非确定环境下的路由问题

本文基于模糊数学的有关原理,论述了网络环境不确定的条件下路由问题的求解.本文假定网络链路延迟是模糊数,给出了路径延迟小于端到端延迟约束的可信度的定义,提出了路径可信度判定(Path Reliability Decision:PRD),最优可信度路由(Most Optimal Reliability Path:MORP),最优路径分解(Path Optimal Partition:POP),及最优分解路径(Most Optimal Partition Path:MOPP)等问题.本文证明,PRD是多项式可解的,POP可以用等可信度分解实现,一般情况下,MORP和MOPP是等价的.在所有链路延迟的宽度都相同时,MORP转化为约束为跳数的最短路径问题,因此是多项式可解的.最后我们给出了MORP的近似算法,算法的时间复杂度为O(log(ε)^-1(vlog(v)+e)).     

含一般模糊弹性约束的广义模糊变量线性规划

建立并讨论了一类含有一般模糊弹性约束的广义模糊变量线性规划问题.首先,简单介绍了结构元方法并对结构元加权排序中权函数表征决策者风险态度进行了深入分析.然后选取风险中性的决策者来定义序关系,应用Verdegay模糊线性规划方法将含一般模糊弹性约束的广义模糊变量线性规划转化经典的线性规划问题,简化了原问题的求解.最后通过数值算例进一步说明了该方法的有效性.     

基于PCA-SIFT算法的产品表面缺陷检测研究

针对复杂产品表面正确性的快速自动无损检测问题,提出了一种基于PCA-SIFT算法的自动识别。该算法是对基于尺度旋转不变性(SIFT)算法的改进,在保证识别精确度的前提下,利用主元分析法(PCA)进行降维处理,改变了描述子的生成方式,以减少计算的时间,提高算法的实时性,最后通过相关度计算判别各区域有无缺陷。实验表明在保证准确率的前提下本论文所提出的算法比单独使用SIFT算法平均可以节省0.5s。     

给定生命表下具有最优退休年龄的生命周期模型[英文]

本文在给定的工资增长率,寿命和健康水平的条件下,建立具个人如何选择最优退休年龄的生命周期模型.文中证明个人在给定的条件下存在一个最优的退休年龄,个人最优退休年龄随工资增长率和个人的寿命延长而增加.     

不确定理论下的DC型养老金的最优投资策略问题

在不确定理论的框架下,研究确定缴费(DC)型养老金的最优投资策略问题.以最小化二次损失函数为目标,分别在固定缴费和不确定缴费的情形下,建立养老金的最优化模型.利用不确定动态规划法,证明了不确定最优性原理,得出了不确定最优性方程,通过求解不确定最优性方程得到最优给付率和最优投资策略.     

基于神经动态规划算法的最优路径选择探讨

神经动态规划算法在处理复杂的决策问题时非常有效,它可将我们所遇到的问题分成若干子问题,然后再寻找每个子问题合理的处理方法,最后从这些子问题的处理方法中找到以前问题的最优处理方法。在最优路径选择问题中,通过Matlab仿真得出神经动态规划算法比传统方法更容易找到答案,使运行效率得到了提高。