随机环境中多物种分枝随机游动

引进了随机环境中多物种分枝随机游动的一般模型.在分枝过程非灭绝的情况下,讨论了系统的状态分类,得到了系统暂留及强常返的充要条件是存在k个定义在整数集上的函数分别满足某种性质.最后给出了系统强暂留的充分条件.     

带有无限到达源的Re-entrant Line的稳定性

用Foster判别准则,Weiss[13]给出了带有无限到达源的两站三步re-entrant line的稳定性的充分条件．本文用两种不同的方法得到了其稳定性的充分必要条件,即: 二维随机游动方法和Foster判别准则．同时,我们又用流体模型方法得到了系统稳定的充分条件,大大地简化了Weiss[13]的证明．     

一类随机环境中的随机游动

在Solomn的模型的基础上对一类随机环境中随机游动进行了讨论，并得出了一个常返性准则和一些极限性质。     

有向图上的随机游动

设G=(V,Г)是有向图,G上的随机游动X(G)定义如下:位于某个顶点上的一个粒子将以等概率转移到该顶点的所有后继顶点.令M(j,n)表示随机游动X(G)在前n步内访问顶点j的平均次数,用W(j)表示随机游动X(G)到达顶点j所需要的平均步效.我们对M(j,n)和W(j)的值进行了估计,证明了M(j,n)=O(n),并给出了W(j)的上界.     

半直线上随机环境中的随机游动的常返性

本文讨论半直线上随机环境中的随机游动的常返性。在独立环境下，主要通过强大数定律，找到了非常返和正常返的一个充分条件下，并将这一结果推广到一些特殊情情形。在一般的随机环境下，主要通过数列的有界性，给出了常返与零常返的一个充分条件。     

一类随机环境中的随机游动

研究了在环境平稳遍历时,右半直线上可逗留的随机环境中的随机游动的常返性和非常返性,给出非常返、正常返、零常返的充要条件,并讨论了极限性质.作为推论,给出P独立同分布时的相应结论.     

保费收入随机化的风险模型

本文推广了龚日朝(2001)的风险模型,把保费随机化,利用鞅方法讨论了保单来到过程与索赔来到过程均为Po isson过程的破产概率.接着又讨论了G erber-Sh iu期望折现函数,推导出了其满足的积分方程,以及L ap lace变换.最后利用随机游动的知识,讨论了当保单来到过程与索赔来到过程为同一更新过程时的破产概率.     

两关节压力驱动柔性仿生机器鱼的设计与仿真

为研究设计一种柔软度高、环境适应性强的新型仿生机器鱼,模仿鲨鱼外形及鲔科鱼类的游动姿态,设计了一种采用液压柔性驱动结构的仿生机器鱼.针对单关节液压驱动柔性机器鱼存在其C型摆动姿态不符合鲔科鱼类摆动规律的问题,采用两关节液压柔性驱动模拟鱼类S型摆动,并根据液压柔性驱动器原理设计仿生鱼的内部结构.依据理论波动方程确定机器鱼的摆动幅值,借助数值模拟计算施加在柔性驱动器内部的压强载荷大小,并分析计算液压柔性驱动器的驱动效率.应用有限元分析软件模拟仿生鱼在流体中的自主游动过程,并将两关节机器鱼与单关节机器鱼的自主巡游过程进行对比仿真,获得两种机器鱼在流体中自主巡游时的运动姿态、游动速度及流场情况.结果表明,在相同的频率与尾鳍摆幅下,两关节柔性机器鱼的巡游平均速度为0.29 BL/s(BL为鱼体体长),高于单关节机器鱼巡游平均速度0.15 BL/s,且由速度矢量图可得出两关节仿生鱼的S型摆动姿态更接近真实鱼类摆动规律,并在运动过程中会产生一系列离散的反向卡门涡街,推进效率高.     

鱼类波状游动的推进机制

1引言鱼类是最早的真骨类脊椎动物,已经进化了几亿年,为了攫取食饵、逃避敌害、生殖繁衍和集群徊游等生存需要,经历了漫长的环境适应的自然选择过程,因此发展了各具特色的在水中运动的非凡能力,既可以在持久游速下保持低能耗、高效率,也可以在拉力游速或爆发潜速下实现高机动性．水生动物的运动方式一般可分为三大类．第一类是多种原生动物和腔肠动物所采用的纤毛推进,即依靠其体表的大量纤毛来完成运动．第二类是射流反冲推进,即依靠其体内射出的喷流来实现运动,采用这种运动方式的有胶肠动物中的类水母体纳和软体动物中的头足纲…     

大型海湾水交换计算中随机游动方法的应用研究

水交换矩阵是反映大型海湾不同子区域之间水交换关系的有效工具,该文对随机游动方法在水交换矩阵计算中的应用进行了研究．通过与对流扩散模型的对比,指出用随机游动方法计算水交换矩阵比用对流扩散方程求解更快更灵活．同时,为了对不同区域之间的水交换特性进行长期快速预测,采用了Thompson提出的预测矩阵方法．通过理论分析得出,影响该矩阵预测效果的因素主要有:粒子数目、分区数和预测矩阵取值时间．以一个矩形海湾为例,将数值模拟结果和预测矩阵预测结果进行对比,分析了以上各因素对预测效果的影响．结果表明,粒子数目越多,预测矩阵取值时间越长,预测矩阵的预测效果越好．在粒子数目足够多的情形下,分区数越多,预测效果越好．相反,粒子数目如果较少,过多的分区数将可能导致预测矩阵效果太差而不可用．