一种基于互补判断矩阵逆判问题的新方法

针对群决策中互补判断矩阵的逆判问题,给出一种新的分析方法.方法通过对互补判断矩阵的导出矩阵向量化后进行偏差比较来对评判专家的评判水平进行排序,给出了对评判专家分类的模糊数学方法,并通过算例验证该方法的实用性和有效性.     

基于粒子群算法的面向节能的单/多列车优化决策问题

针对列车运行优化控制问题,首先对列车运行过程的受力情况进行分析,建立了列车运行模型;接着根据最优惰行点选择原则和再生制动节能的方法,确立了单列车区间运行优化模型与多列车节能运行模型;然后采用基于高斯白噪声扰动变异的粒子群算法(GMPSO)求解上述模型得出各情况下列车的最优控制策略;最后探讨了列车延迟情况下的节能调整方案.     

自适应遗传算法在光伏发电系统中的应用

针对光伏阵列在受到阴影遮挡时光伏发电系统总功率大幅下降的问题,采用分布式光伏阵列与光伏逆变器的群控方法,通过开关矩阵将多个光伏阵列与多台光伏逆变器相连,形成灵活多变的光伏发电网络拓扑结构,并根据该网络拓扑结构的工作原理,提出了相应的自适应遗传算法来实现分布式光伏阵列与光伏逆变器之间的群控管理.仿真及实验结果表明,光伏阵列受到阴影遮挡时,该算法使得光能的转换效率明显优于常规典型的分布式光伏发电方式,为有效利用光能提供了思路.     

基于PSO算法的RoboCup2D机器人研究

对机器人体系结构、动作学习及行为的组织方式进行了研究,以演化计算为基本方法,以RoboCup2D为平台,设计了基于PSO算法的足球机器人的体系结构,解决感知、动作、和规划问题;在训练环境下,形成感知规则,优化感知相关参数,得到对信息高效快速的感知方法,并根据指定的粒度、功能、参数,对RoboCup2D机器人的原子动作进行了组合优化,得到一组带参数和执行效果描述的粒子动作;最后在赛场环境和任务驱动下,搜索粒子动作并进行组织规划,得到完成特定任务的机器人行为;RoboCup2D仿真实验表明,演化计算方法不仅能利用原子动作进行组合优化,得到适应于不同条件的粒子动作,而且能通过其在线搜索粒子动作,动态组成机器人行为;基于演化计算的足球机器人能更好地完成跑位、截球、带球、传球等任务,具有更强的适应性。     

基于μ子动量谱的多群模型测量平板材料的厚度北大核心CSCD

在基于μ子多重库仑散射的断层成像技术中,天然宇宙射线中不同动量的μ子在同一目标对象中的散射特性存在明显的差异,这在一定程度上影响了成像分辨率。为了减少或消除这种不利影响,建立了一套基于天然宇宙射线μ子动量谱的多群模型,并检验其用于铅板厚度测量及平板材料识别中的性能和特征。结果表明,采用基于μ子动量谱的多群模型能够实现1~16cm范围内铅板厚度的准确测量,相对误差小于5%。此外,该多群模型还可以通过计算辐射长度来识别未知平板的材料组成,尤其是对于高原子序数材料组成的平板,其辐射长度相对误差小于4%。     

基于PSO-DE算法的污水处理优化控制研究

针对污水处理系统能耗过大,变量多,非线性和滞后严重等特点造成的控制困难问题,提出了基于改进型粒子群的算法的优化控制。粒子群算法具有自适应控制,全局搜索等优点但本身存在早熟收敛及在进化后期收敛速度慢等缺点,通过优势互补思想引入差分进化算法,新算法结合两者优势有效提高粒子在全局的寻优效率,建立对应的混合算法优化模型,并与普通粒子群算法优化进行比较,结果证明了该算法在保证出水水质的前提下做到降低能耗。     

ISG-FHEV等效燃油消耗最小控制策略

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法。首先在 颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别。算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法。仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

基于改进的PSO优化SVM火灾火焰识别算法研究

针对室内复杂环境下火灾识别准确率会降低的问题,提出了一种改进的粒子群算法优化支持向量机参数进行火灾火焰识别的方法;首先在YCrCb颜色空间进行火焰图像分割,对获得的火焰图像进行预处理并提取相关特征量;其次采用PSO算法搜索SVM的最优核参数和惩罚因子,并在PSO算法中加入变异操作和非线性动态调整惯性权值的方法,加快了搜索SVM最优参数的精度和速度;然后将提取的火焰各个特征量作为训练样本输入SVM模型进行训练,并建立参数优化后的SVM分类器模型;最后将待测试样本输入SVM模型进行分类识别;算法的火灾识别准确率达到94.09%,分类效果明显优于其他分类算法;仿真结果表明,改进的PSO优化SVM算法提高了火焰识别的准确率和实时性,算法的自适应性更强,误判率更低。     

Square Integrable Representation of Groupoids

A notion of an irreducible representation, as well as of a square integrable representation on an arbitrary locally compact groupoid, is introduced. A generalization of a version of Schur＇s lemma on a locally compact groupoid is given. This is used in order to extend some well-known results from locally compact groups to the case of locally compact groupoids. Indeed, we have proved that if L is a continuous irreducible representation of a compact groupoid G defined by a continuous Hilbert bundle H = （Hu）u∈G^0, then each Hu is finite dimensional. It is also shown that if L is an irreducible representation of a principal locally compact groupoid defined by a Hilbert bundle （G^0, （Hu）,μ）, then dimHu = 1 （u ∈ G^0）. Furthermore it is proved that every square integrable representation of a locally compact groupoid is unitary equivalent to a subrepresentation of the left regular representation. Furthermore, for r-discrete groupoids, it is shown that every irreducible subrepresentation of the left regular representation is square integrable.     

A Representation of the Lorentz Spin Group and Its Application

For an integer m ≥ 4, we define a set of 2[m/2] × 2[m/2] matrices γj （m）, （j = 0, 1,..., m - 1） which satisfy γj （m）γk （m） ＋γk （m）γj （m） = 2ηjk （m）I[m/2], where （ηjk （m）） 0≤j,k≤m-1 is a diagonal matrix, the first diagonal element of which is 1 and the others are -1, I[m/2] is a 2[m/1] × 2[m/2] identity matrix with [m/2] being the integer part of m/2. For m = 4 and 5, the representation （m） of the Lorentz Spin group is known. For m≥ 6, we prove that （i） when m = 2n, （n ≥ 3）, （m） is the group generated by the set of matrices {T｜T=1/√ξ（（I＋k） 0 ＋ 0 I-K） （ U 0 0 U）, （ii） when m = 2n ＋ 1 （n≥ 3）, （m） is generated by the set of matrices {T｜T=1/√ξ（I -k^- k I）U,U∈ （m-1）,ξ=1-m-2 ∑k,j=0 ηkja^k a^j〉0, K=i[m-3 ∑j=0 a^j γj（m-2）＋a^（m-2） In],K^-=i[m-3∑j=0 a^j γj（m-2）-a^（m-2） In]}